Atrybucja oparta na danych czy ostatnie kliknięcie: dlaczego Twoje raporty się nie zgadzają

Jak działa atrybucja oparta na danych w GA4 i Google Ads?

Atrybucja oparta na danych (data-driven attribution, DDA) analizuje ścieżki użytkowników na Twoim koncie i szacuje, o ile obecność danego punktu styku zwiększa prawdopodobieństwo konwersji. Porównuje ścieżki z danym kanałem i bez niego, a potem dzieli zasługę proporcjonalnie do szacowanego wpływu.

W praktyce oznacza to kilka rzeczy. Po pierwsze, zasługa jest ułamkowa: jeden zakup za 500 zł może zostać podzielony np. na 0,3 dla Paid Social, 0,25 dla Organic Search i 0,45 dla Paid Search. Po drugie, model uczy się na danych Twojego konta, więc dwa sklepy z identyczną ścieżką mogą dostać inny podział. Po trzecie, w modelach międzykanałowych GA4 ruch bezpośredni dostaje zasługę tylko wtedy, gdy na ścieżce nie było żadnego innego punktu styku.

W Google Ads model oparty na danych działa tylko na interakcjach z reklamami Google: kliknięciach w sieci wyszukiwania, na YouTube, w Demand Gen czy Performance Max, a przy niektórych formatach także na zaangażowanych obejrzeniach. Nie widzi Meta, e-maila ani ruchu organicznego. Google nie podaje dziś minimalnego progu danych dla tego modelu, ale przy małej liczbie konwersji jego podział jest mniej stabilny i może się zmieniać z tygodnia na tydzień.

Model ostatniego kliknięcia: kiedy jest przydatny, a kiedy szkodzi?

Model ostatniego kliknięcia daje 100% zasługi ostatniemu kanałowi, z którego użytkownik przyszedł przed konwersją (w GA4 z pominięciem ruchu bezpośredniego). Jest prosty, przewidywalny i łatwy do porównania z CRM, ale systematycznie faworyzuje kanały domykające sprzedaż.

Przykład hipotetyczny: klientka widzi reklamę wideo na Instagramie i klika, ogląda produkt, wychodzi. Dwa dni później szuka nazwy produktu w Google i trafia na wynik organiczny. Po kolejnych trzech dniach wpisuje nazwę sklepu, klika reklamę kampanii brandowej i kupuje za 500 zł. W modelu ostatniego kliknięcia całe 500 zł trafia do kampanii brandowej. Jeśli na tej podstawie przeniesiesz budżet z Meta do kampanii brandowej, za kilka tygodni może się okazać, że brakuje osób, które w ogóle szukają nazwy sklepu.

Ostatnie kliknięcie ma jednak swoje miejsce. Dobrze sprawdza się przy krótkich ścieżkach (zakupy impulsowe, jedna wizyta), przy debugowaniu tagowania, gdy chcesz sprawdzić, czy konwersja w ogóle ma przypisane źródło, i przy porównaniach z systemami, które same liczą ostatnie kliknięcie, np. częścią systemów afiliacyjnych.

Modele regułowe, takie jak pierwsze kliknięcie, liniowy, z rozkładem czasowym i uzależniony od pozycji, Google wycofał z GA4 i Google Ads w 2023 r. Jeśli widzisz je w starszych raportach, pochodzą z danych sprzed zmiany.

Dlaczego Twoje raporty się nie zgadzają? Pięć mechanizmów

Różnice między raportami wynikają nie tylko z modelu. Zwykle nakłada się na siebie kilka mechanizmów naraz.

1. Różne modele w różnych miejscach. Raport pozyskania ruchu w GA4 przypisuje zdarzenia kluczowe do źródła sesji, w której nastąpiły, a raporty w sekcji Reklamy i eksploracje z wymiarami na poziomie zdarzenia używają modelu wybranego w ustawieniach atrybucji. Ta sama usługa pokazuje więc dwie różne liczby dla jednego kanału.

2. Zakres widzenia platformy. GA4 widzi wszystkie kanały, ale tylko kliknięcia. Google Ads widzi tylko swoje reklamy, za to także wyświetlenia i zaangażowane obejrzenia. Meta widzi swoje kliknięcia, zaangażowania i wyświetlenia. Każdy system przypisuje sobie pełną konwersję, jeśli mieści się w jego oknie. Jak Meta zmieniła liczenie kliknięć w marcu 2026 r., opisujemy w tekście o atrybucji w Meta od marca 2026 r..

3. Okna konwersji. W GA4 okno dla zdarzeń kluczowych pozyskania wynosi 7 lub 30 dni, a dla pozostałych 30, 60 lub 90 dni. W Google Ads okno ustawiasz dla każdego działania, a od 11 sierpnia 2026 r. możesz wybrać dowolną liczbę dni od 1 do 90. W Meta domyślne ustawienie to 7 dni po kliknięciu, 1 dzień po zaangażowaniu i 1 dzień po wyświetleniu.

4. Data przypisania. Google Ads pokazuje konwersję w dniu kliknięcia, a GA4 w dniu konwersji. W raporcie tygodniowym sprzedaż z poniedziałku po kliknięciu z soboty trafi więc do dwóch różnych tygodni.

5. Modelowanie i zgody. Przy braku zgody część konwersji jest modelowana, a skala i sposób modelowania różnią się między GA4 i Google Ads. Wpływ trybu wdrożenia opisujemy w artykule o Consent Mode w trybie podstawowym i zaawansowanym.

Ten sam przykład zakupu za 500 zł w różnych raportach może wyglądać tak:

Szczegółowy rozbiór różnic między platformami znajdziesz w artykule o rozbieżnościach konwersji między GA4, Google Ads i Meta.

Jak porównać modele atrybucji w GA4 krok po kroku?

Najszybciej zrobisz to w raporcie porównania modeli w sekcji Reklamy. Procedura pozwala w kwadrans ocenić, które kanały zyskują, a które tracą na zmianie modelu.

1. Sprawdź ustawienia atrybucji. W panelu administracyjnym otwórz ustawienia atrybucji i zanotuj obecny model oraz okna konwersji.
2. Otwórz porównanie modeli. W sekcji Reklamy wybierz raport porównania modeli i ustaw model oparty na danych obok ostatniego kliknięcia w kanałach płatnych i bezpłatnych.
3. Wybierz jedno zdarzenie kluczowe. Porównuj modele dla jednego zdarzenia, np. purchase, a nie dla sumy wszystkich.
4. Ustaw zakres co najmniej 30 dni. Krótszy zakres daje przypadkowe wahania, zwłaszcza w kanałach o małej skali.
5. Patrz na procentową zmianę między modelami. Kanał, który w modelu opartym na danych zyskuje 20–30% względem ostatniego kliknięcia, prawdopodobnie wspiera sprzedaż na wcześniejszych etapach.
6. Zajrzyj do ścieżek konwersji. Raport ścieżek, a od stycznia 2026 r. także raport analizy atrybucji konwersji (beta), pokazuje, na którym etapie pojawia się dany kanał. Jak go czytać, opisujemy w poradniku o raporcie analizy atrybucji konwersji.

Ustawienia, które warto zapisać przed jakąkolwiek zmianą, wyglądają w panelu mniej więcej tak (nazwy w polskim interfejsie mogą się nieznacznie różnić):

Administracja > Ustawienia atrybucji
  Model atrybucji do raportowania:        Oparty na danych
  Okno – zdarzenia kluczowe pozyskania:   30 dni   (first_visit, first_open)
  Okno – pozostałe zdarzenia kluczowe:    90 dni
  Kanały otrzymujące zasługę za konwersje
  udostępniane Google Ads:                Kanały płatne i bezpłatne

Zmiana modelu raportowania zmienia liczby w raportach sekcji Reklamy, także dla dat wstecz, więc przed zmianą zapisz datę i powód w dzienniku zespołu.

Którego modelu używać do jakich decyzji?

Model wybierasz do pytania, a nie raz na zawsze. W praktyce sprawdza się podział na trzy zastosowania.

Optymalizacja stawek. Smart Bidding w Google Ads najlepiej działa na modelu opartym na danych, bo dostaje sygnał także z kampanii wspierających. Przejście z ostatniego kliknięcia na model oparty na danych może na kilka tygodni zmienić rozkład konwersji między kampaniami, więc zrób to poza sezonem. O wyborze strategii piszemy w tekście o docelowym ROAS i maksymalizacji wartości konwersji.

Raportowanie operacyjne. Do codziennej kontroli kampanii i porównań z CRM wystarczy ostatnie kliknięcie, pod warunkiem że wszyscy w zespole wiedzą, którego modelu używa raport.

Decyzje budżetowe między kanałami. Tu żaden model atrybucji nie wystarcza, bo wszystkie opierają się na korelacji, a nie na przyczynowości. Lepiej zestawić wskaźnik niezależny od atrybucji, np. MER, z wynikami eksperymentów. Różnice między wskaźnikami efektywności wyjaśniamy w artykule o ROAS, POAS i MER, a sposób sprawdzenia rzeczywistego efektu kampanii w poradniku o testach inkrementalności i Conversion Lift. Dla dłuższej perspektywy i kanałów offline uzupełnieniem jest Marketing Mix Modeling.

Najczęstsze błędy przy porównywaniu modeli atrybucji

Większość nieporozumień wokół atrybucji wynika z porównywania liczb, które z definicji nie mogą być równe.

• Sumowanie konwersji z paneli reklamowych. Suma z Google Ads i Meta prawie zawsze przekracza sprzedaż w sklepie, bo obie platformy liczą tę samą transakcję.
• Porównywanie raportu pozyskania ruchu z sekcją Reklamy. Pierwszy używa źródła sesji, drugi modelu atrybucji.
• Zmiana modelu w trakcie sezonu. Po zmianie trudno oddzielić efekt modelu od efektu promocji.
• Wnioski z małej próby. Przy kilkudziesięciu konwersjach miesięcznie podział zasługi w modelu opartym na danych bywa przypadkowy.
• Traktowanie atrybucji jako dowodu przyczynowego. Kanał z dużą zasługą mógł po prostu docierać do osób, które i tak by kupiły.

Wszystkie poradniki o modelach i raportach atrybucji znajdziesz w podtemacie Atrybucja.