Ha egy vállalkozó azt kérdezi, hoz-e ügyfelet a ChatGPT vagy a Gemini, egy forgalmi képernyőkép kevés a válaszhoz. Először azt kell tisztázni, melyik látogatást tudjuk azonosítani, milyen eseményt tekintünk üzleti eredménynek, és milyen adatok maradnak láthatatlanok. Enélkül könnyű egy új csatorna köré túlzott várakozást építeni.
Az AI-forgalom mérését külön ellenőrizhető kérdésekre bontanám. Honnan érkezett az azonosított látogató? Mit csinált az oldalon? Lett-e belőle értelmes érdeklődés vagy vásárlás? A három kérdéshez eltérő adat tartozik, ezért a jelentésben is külön kezelném őket.
Mit sorol a GA4 az AI Assistant csatornába?
A Google Analytics jelenlegi csatornadefiníciója külön AI Assistant kategóriát sorol fel. Példaként a ChatGPT, a Gemini, a DeepSeek, a Copilot és a Grok szerepel. Ugyanebben a dokumentációban a Google AI Overviews és AI Mode organikus találati forgalma az Organic Search csatornához tartozik. Az AI Assistant ezért nem az összes AI által befolyásolt látogatás gyűjtőkategóriája. Forrás: Google Analytics, alapértelmezett csatornacsoportok.
Ez a különbség a vezetői jelentésben is jelenjen meg. Az „AI hozott húsz látogatót” mondat túl tág lehet. Pontosabb az, hogy „az Analytics húsz munkamenetet sorolt az AI Assistant csatornába az adott időszakban”. Ettől még valaki olvashatott AI-választ, majd más módon kereshette fel a vállalkozást. A kimutatás a megfigyelt adatot írja le.
Először a forrást, utána a teljesítményt vizsgáld
A Forgalomszerzés jelentés munkamenetszintű dimenziókkal dolgozik. A forrás és médium részletesebb képet adhat arról, honnan indult az adott látogatás; a forrásadatok kézi kampánycímkézésből és platformintegrációkból is származhatnak. A jelentés elérhetősége a beállított navigációtól és jogosultságtól is függhet. Forrás: Google Analytics, Traffic acquisition report.
A saját ellenőrzési sorrendem a következő lenne: válassz azonos hosszúságú összehasonlítási időszakokat, keresd meg az AI Assistant besorolást, majd bontsd tovább a munkamenet forrása és médiuma szerint. Ezután vizsgáld a belépőoldalakat. Egy cikkre és egy ajánlatkérő oldalra érkező látogató eltérő döntési helyzetben lehet, ezért az összevont átlag önmagában keveset mond.
Ha a csatorna nem látszik, ellenőrizd a dátumtartományt, a szűrőket és a tényleges forrásértékeket. Ne nevezd át utólag a teljes közvetlen forgalmat AI-forgalommá. Az adat hiányából nem lehet visszaállítani a látogató előzményét. Egy önkéntesen megválaszolható „hol hallottál rólunk?” kérdés kiegészítő információt adhat, de annak válaszai is külön adatforrást jelentenek.
Az ajánlatkérés minőségét is mérd
Én legalább három eredményszintet különítenék el. Az első a figyelem: az olvasó eljutott egy releváns szolgáltatáshoz vagy összehasonlításhoz. A második a kapcsolatfelvétel: elküldött egy űrlapot vagy más, ellenőrizhető módon érdeklődött. A harmadik az üzleti eredmény: az érdeklődésből megfelelő ajánlatkérés, majd megrendelés lett.
A telefonhivatkozásra kattintás önmagában még nem igazolt beszélgetés. Az elküldött űrlap pedig lehet hibás vagy irreleváns. Ha minden ilyen esemény azonos súllyal kerül a vezetői jelentésbe, a csatorna értékelése könnyen elcsúszik. Érdemes az értékesítési nyilvántartásban külön jelölni az elfogadott érdeklődéseket, és az adatkezelési feltételek betartásával összevetni a marketingadatokkal.
| Mutató | Mire ad választ? | Mire nem elég? |
|---|---|---|
| Azonosított AI-munkamenet | Mennyi látogatást sorolt ide a mérés? | A teljes AI-hatás megállapítására. |
| Űrlapbeküldés | Hány kapcsolatfelvételi eseményt rögzítettünk? | Az érdeklődő alkalmasságának igazolására. |
| Elfogadott érdeklődés | Hány megkeresés illeszkedett az ajánlathoz? | A későbbi bevétel biztos előrejelzésére. |
| Megnyert ügylet | Milyen dokumentált üzleti eredmény született? | A csatorna önálló okozati hatásának bizonyítására. |
A kevés adat könnyen félrevezet
Vegyünk egy egyértelműen hipotetikus példát. Az egyik forrásból húsz látogatás és két ajánlatkérés érkezik, a másikból ezer látogatás és harminc ajánlatkérés. A nyers arány tíz, illetve három százalék. Az első szám látványosabb, de húsz látogatásnál egyetlen további esemény öt százalékponttal változtatná meg az arányt. Erre még nem alapoznék nagy költségátrendezést.
A döntéshez a mintanagyság mellett számít az időszak, a szolgáltatás típusa, az érdeklődők minősége és az értékesítési ciklus. Egy magas értékű szolgáltatásnál a megkeresés és a szerződés között hosszabb idő telhet el. A friss látogatásokból származó bevételt ezért ne hasonlítsd automatikusan egy régebbi, már kifutott ügyfélcsoporthoz.
Milyen havi jelentést készítenék?
Egy rövid táblázatban mutatnám az azonosított munkameneteket, a legfontosabb belépőoldalakat, az elfogadott érdeklődéseket és a lezárt ügyleteket. Mellé kerülne egy megjegyzés a mérés korlátairól és az időszak fontos változásairól: például új ajánlat, átírt oldal vagy módosított űrlap. A vezető ebből már látja, milyen döntéshez van elegendő bizonyíték.
A következő lépést mindig a feltárt problémához kötném. Ha van látogatás, de az ajánlatkérésig kevesen jutnak el, nézd meg a belépőoldal és az ajánlat kapcsolatát. Ha sok a megkeresés, de kevés az alkalmas érdeklődő, tisztázd az árazás és a szolgáltatás feltételeit. Ha alig van adat, egyelőre gyűjts következetesen, és kerüld a nagy kijelentéseket.
A hasznos mérés végén világos következő lépés áll. Az AI-csatorna vizsgálatától ezt várnám el: segítsen eldönteni, melyik tartalmat, ajánlatot vagy értékesítési lépést érdemes fejleszteni, és mutassa meg azt is, amikor a döntéshez még kevés az információ.
Szerkesztési megjegyzés: AI segítségével összeállított szakmai elemzés. A számpélda hipotetikus. A csatornabesorolás forrásellenőrzésének időpontja: 2026. október 4.
Kapcsolódó szakmai témafelvetés: Search Engine Journal. A fenti írás önálló elemzés; a platformokra vonatkozó állítások elsődleges forrásai a szövegben hivatkozott Google-dokumentumok.
A vásárlói döntések és a marketing kapcsolatáról további szempontokat találsz az Online Marketing és Pszichológia könyvemben.
