A Google Ads kampányok drágulását a saját fiókjaidban is érezheted. Az automatizáció közben gyorsítja a kampánykezelést, de üzleti korlátok nélkül könnyen olyan termékekre tereli a keretet, amelyek alig hoznak profitot.

Egy „kis” tömény statisztikai adat, ennek alátámasztására:

A kattintási költségek emelkedése közvetlenül nyomja a webshopok árrését. A hazai ügynökségi adatok szerint a Shopping-kattintások 2024 első három negyedévében 26%-kal drágultak, 2025-ben pedig az éves átlagos CPC 109 forint volt, 16,7%-kal több az előző évinél. Az év végére ugyan megállt az éves drágulás, de csak átmenetileg: 2026 első két hónapjában az ár ismét 10%-kal nőtt, és 2026 közepén egy Shopping-kattintás átlagosan 110 forint körül jár, szemben a 2021-es 40 forinttal. Európai szinten hasonló a kép: egy több mint tízezer hirdetőt vizsgáló benchmark szerint egy év alatt 15%-kal nőtt a Shopping és PMax CPC, miközben a ROAS több mint 40%-kal esett. Ezért a hirdetési kiadások megtérülési mutatója, a ROAS önmagában nem mutatja meg, hogy egy kampány nyereséges-e: mindig az árréssel együtt, a fedezeti ROAS-hoz vagy a POAS-hoz mérve érdemes értékelni.

Tudom, hogy átugrottad ezt a bekezdést és ezt meg is értem. Ezért még egyszer, picit egyszerűbben:

Képzeld el, hogy limonádét árulsz. Egy pohár 500 forint, de a citrom, a cukor és a pohár 300 forintba kerül, vagyis poharanként 200 forint marad nálad. Hogy több vevő jöjjön, fizetsz a szomszéd gyereknek, aki odahívja az embereket: minden eladott pohár után 125 forintot. A ROAS ilyenkor 400% (500 / 125), ami remekül hangzik, hiszen minden hirdetésre költött forint négyet hozott vissza. Csakhogy a 200 forintodból 125 elmegy a hirdetésre, így poharanként mindössze 75 forint marad. Ha pedig drágulnak a kattintások, és a szomszéd gyerek már 250 forintot kér poharanként, a ROAS még mindig 200%. Ez a papíron „duplán megtérülő” kampány valójában minden pohárnál 50 forint veszteséget termel.

A határ ott van, ahol a hirdetés pont felemészti az árrést. Ezt hívjuk fedezeti ROAS-nak, ami a limonádénál 250% (500 / 200): efölött keresel, alatta veszítesz. A POAS ugyanezt egyszerűbben mutatja meg: az árrést osztja el a hirdetési költséggel. Ha az eredmény 1 fölött van, nyereséges a kampány, ha alatta, akkor nem. A limonádénál ez az első esetben 1,6, a másodikban 0,8. A valóságban a szállítás, a csomagolás és a visszáru költsége is ebből a 200 forintból megy el, ezért egy webshopnál a valódi határ még ennél is magasabban van.

Az automatizáció ígérete és rejtett korlátai

A Google Shopping automatizációja valódi munkát vesz le a válladról: a Performance Max (teljesítménymaximalizáló kampánytípus) gépi tanulása milliszekundumok alatt elemzi a felhasználói szignálokat, licitál és céloz. Bőséges adat mellett gyorsan képes skálázni a forgalmat. Éppen ezért a napi licitálást szívesen bízom rá; a termékek üzleti prioritását már nem.

A gond ott kezdődik, hogy az AI nem ismeri a valós árrést, készletkockázatot vagy a visszáruarányt, így pusztán a konverziós értékre fókuszálva könnyen a legkevésbé jövedelmező termékeket pörgeti fel. A látszólag jó megtérülés mögött minimális haszon vagy a profitot felemésztő visszáru is állhat. Feed-alapú üzleti szabályok, például Custom Labels nélkül a rendszer a számára látható értéket követi, nem a rendelés tényleges fedezetét.

Ez a hibrid modell melletti érvem: a gép kezelje a gyors, adatalapú döntéseket, a szakember pedig szabja meg, mely termékekre érdemes költeni. A fedezet és a raktárkészlet változását üzleti döntésként kell átvezetned a kampányokba.

Mikor válik kritikussá az emberi beavatkozás?

Amikor az üzleti cél a profitmaximalizálás, nem a bevételnövelés

Ha az alacsony árrésű termékeid gyorsan forognak, és magas a készletkockázat, a manuális felügyeletet választanám a PMax önálló működése helyett. Ilyenkor egy készletváltozás vagy a fedezet romlása hamarabb igényel üzleti döntést, mint ahogy a korábbi konverziókból tanuló rendszer lekövetheti. A magas bevétel önmagában nem védi meg a profitodat: feed-alapú üzleti szabályokkal és elkülönített termékcsoportokkal kell korlátoznod, hová mehet a keret.

Új termékek tesztelése és piacra vezetése

Az újonnan bevezetett termékeknél a gépi tanulásnak még nincs korábbi konverziós előzménye. Ebben az átmeneti időszakban a hagyományos Shopping kampányokkal közvetlenebbül állíthatod be a termékcsoportok prioritását és a liciteket. Ha már rendelkezésre állnak használható vásárlási adatok, az automatizáció bevonásáról megalapozottabban dönthetsz.

Szigorú márka- és céloldal-kontroll esetén

A márkaidentitás és a céloldalak kontrollja szintén indokolhat közvetlen beavatkozást. A szakirodalom szerint a Google AI Max Shopping kampányoknál manuálisan kikapcsolható a Végső URL kiterjesztés; ezzel korlátozhatod az automatikus céloldalválasztást. A negatív kulcsszavak, márka-irányelvek és kifejezés-kizárások a téves keresési egyezések szűrésében segítenek, így mérsékelhetik a felesleges költést.

A hibrid modell felépítése a gyakorlatban

A hibrid modellben az automatizáció skálázhatóságát manuálisan meghatározott üzleti korlátokkal párosítom. A termékfeedhez egyéni címkéket (Custom Labels, azaz saját csoportosítási szűrőket) rendelek, hogy árrés, szezonalitás vagy raktárkészlet szerint különíthessem el a termékeket.

Új cikkszámoknál vagy szűk profittal futó termékeknél a Performance Max mellett hagyományos Shopping kampányokkal tesztelnék, elkülönített kerettel. Egy általános szakmai tény alapján a hagyományos Shopping kampány teljes kontrollt ad a termékszintű licitálás felett, miközben izolált környezetet biztosít a kockázatosabb tételek teszteléséhez. Itt közvetlenül állíthatom a kattintási plafonokat és a keresési kifejezések kizárását, így a teszt költése külön kezelhető az automatizált kampányétól.

Az automatizációra így a gyors licitdöntések jutnak; a fedezeti és készletkockázatról szóló döntés szakembernél marad.

Miért a tiszta adat a leghatékonyabb AI alapja?

A szakirodalom szerint a hibás mérési adatok esetén az algoritmus rossz célokra fog licitálni, ami közvetlenül torzítja a konverziós statisztikákat. A hiba az automatizált kampányban továbbgyűrűzik: a rendszer a téves eredményből tanul, majd arra optimalizál újabb költést. Ezért a Performance Max költségkeretének növelése előtt mérési auditot javaslok. Ellenőrizd a duplikált konverziókat, az offline tranzakciók szinkronizációját és az értékalapú mérés pontosságát.

Gyakori probléma, hogy a köszönőoldal frissítése vagy egy rosszul beállított eseménytrigger miatt ugyanaz a vásárlás többször kerül a mérésbe. Az algoritmus a többletjelzést sikernek értelmezheti, és magasabb liciteket adhat olyan forgalomért, amely nem hoz arányos többletbevételt. A pontos címkézés és a rendezett termékadatok segítenek abban, hogy a kampány a valós üzleti értékhez közelebb álló adatokból tanuljon.

Hogyan készülj fel a keresés jövőjére?

A vásárlói szokások átalakulása már nem a távoli jövő, hanem a mindennapi valóság része. Egy digitális kereskedelmi elemzés adatai szerint az AI-forrásból érkező kiskereskedelmi webhelyforgalom 393%-kal nőtt éves szinten 2026 első negyedévében. A felhasználók egyre gyakrabban támaszkodnak intelligens asszisztensekre a döntéshozatal során, ami alapjaiban rendezi át a kattintásokért folytatott versenyt a Google Shopping ökoszisztémájában.

Ez a technológiai váltás közvetlenül átrendezi a vásárlási folyamat korai lépéseit is. Míg a korábbi években a hirdetések közvetlenül érték el az érdeklődőket, egy iparági piackutató intézet becslése szerint a keresési folyamatban az AI-ügynökök akár 47%-kal csökkenthetik a hirdetési megjelenést a mérlegelési szakaszban, míg a felfedezéskor 38%-os visszaesés várható. A tisztán algoritmusokra bízott kampányok így könnyen láthatatlanná válhatnak a döntési fázisban.

A közvetlen forgalom védelme érdekében nélkülözhetetlen a tudatos fiókfelügyelet. Egy korábbi, 2024-es hazai piaci felmérés alapján a vásárlási szándékot jelző keresési volumen 8,5%-kal emelkedett, ami pontos termékkontrollt és szigorú büdzsékezelést követel meg tőled. A manuális finomhangolás segít abban, hogy a változó környezetben is a legjövedelmezőbb termékeid jelenjenek meg a vásárlók előtt.

A végső döntés a te kezedben van

A gépi tanulás gyorsaságát érdemes kihasználnod a napi licitálásban. A hosszú távú profit szempontjából azonban azt tartom döntőnek, hogy szakember felügyelje az üzleti célokat, az árrést és a készletkockázatot. A technológia eszköz, a termékprioritás stratégiai döntés. A PMax és a hagyományos Shopping kampányok együtt lehetőséget adnak arra, hogy a skálázható termékek és a szorosabb kontrollt igénylő tételek eltérő kezelést kapjanak.

Első lépésként vizsgáld át a termékfeededet, és állíts be egyedi címkéket az alacsony árrésű cikkeidre. Így a kampányokban a költést a tényleges fedezet és a készlethelyzet alapján tudod irányítani.