Why Does the Agency Report So Many Leads That Sales Never Calls?

onlinemarketing101 — Tue, 27 Oct 2026 21:04:00 +0000

block (e.g. certain security plugins), copy the section here: Appearance » Customize » Additional CSS. 3) The Google Fonts line is optional: if the site already loads the Teko/Rubik fonts, you can remove it (the page will use its fonts). 4) Every class name is namespaced under the .om101- article prefix, so it does not conflict with the theme or Elementor styles. --------------------------------------------------------------------- SUGGESTED SEO META: Title: Why Doesn't Sales Call the Marketing Leads? | OnlineMarketing101 Description: The 5 criteria of a qualified lead, measuring acceptance and close rates, SLA and feedback loop – a practical guide from Róth Miklós for aligning marketing and sales. Slug: miert-nem-hivja-fel-az-ertekesites-a-marketing-leadjeit ===================================================================== -->

Marketing & Sales Alignment

Why Does the Agency Report So Many Leads That Sales Never Calls?

Most “bad leads” are not bad leads – they are the result of two teams using the same word to mean completely different things. In this guide, I will show you how to define a qualified lead together, how to measure the same result, and how to permanently end the cold war between marketing and sales.

RM Róth Miklós
AI-Driven Marketing & SEO Expert

Reading time: approx. 14 minutes Category: Lead Generation, B2B Growth Updated: 2026

The Problem

The Sentence Every Agency Knows

“You brought us twenty leads again, and I couldn’t call any of them.”

If you run an agency, you have heard this sentence before. If you are a sales manager, you have probably said it yourself. And both sides are right – according to their own metrics. The marketing report is green: lead volume is increasing, cost per lead is falling, and campaigns are reaching their targets. The sales report, however, is red: the acceptance rate is falling, contact time is increasing, the pipeline is empty, and the number of closed deals is not moving.

The conflict almost never begins with advertising quality. The conflict begins with the definition. As long as marketing counts anyone who fills in a form as a lead while sales expects someone who is immediately ready to request a proposal, the two reports do not describe the same reality – they are simply looking at the same rows through two different pairs of glasses.

This article is not about how to generate more leads. It is about how to create the agreement that makes a lead count. Because volume alone has never been a business outcome – and management decisions are not based on the number of leads, but on how much revenue those leads ultimately generate.

First, I define the qualified lead together with sales: need, budget, location, timing and – where relevant – decision-making authority. Then I compare channel reports with acceptance and close rates so that both teams measure the same outcome.

First Step

What Is a Qualified Lead? The Five Criteria

A qualified lead (Marketing Qualified Lead, or MQL) is not simply a status inside the CRM, but a jointly agreed definition. If marketing creates the definition alone, sales will not accept it. If sales creates it alone, marketing will not be able to deliver against it. The solution is a definition both teams can see, understand and accept – before any campaign is launched.

The following five criteria form the framework we use in practically every B2B and service-based project. The order is deliberate: it reflects the filtering logic through which raw interest becomes a business opportunity.

Need

A real, clearly expressed problem or objective that our service can solve. Not “curiosity,” not “comparison research,” and not a student project. A useful qualification question is: what is the specific business pain, and what happens if it is not solved?

Budget

It does not necessarily have to be an exact amount – but there should be an accepted range. A “above €5,000” filter can dramatically reduce the proportion of leads that sales cannot realistically work with while barely affecting the real customer base. Missing budget is one of the most common silent killers.

Location

The geographic or language-based service area. If the company operates only in Budapest and Pest County, an inquiry from Szeged or Cluj-Napoca is not a lead – it is expensive noise that consumes the salesperson’s time.

Timing

When will the project begin? “Maybe next year” is not timing. The 0–30, 31–90 and 90+ day ranges clearly separate contacts who should be called immediately from those who should enter a nurture process – eliminating the “I didn’t call because they weren’t going to buy now anyway” argument.

Decision-Making Authority

Where relevant: who signs the proposal? A form completed by an intern or assistant becomes much more valuable if we also know the name and contact information of the decision-maker – and less valuable if we do not.

+1: Exclusion Criteria

Half of a good definition is often the “who is NOT a lead” list: competitors, job seekers, free-consultation hunters, B2C inquiries in a B2B campaign, spam and bot traffic. We document these in writing because this is where most report comparisons break down.

This Is What a Working One-Page Lead Definition Looks Like

It does not need to be a complicated document. One page, six fields, approval from the leaders of both teams – by signature or explicit email approval – and a date until which the definition remains valid. Example for a Hungarian service company:

Need: active project or specific budget objective Budget: minimum HUF 500,000 / project Location: Hungary, consultation available in Hungarian Timing: project begins within 90 days Decision-maker: owner / managing director / marketing manager Excluded: competitor, student, job seeker, B2C

Important: the definition must be established before the campaign launches, not afterwards. Criteria invented afterwards are usually about blaming the other side – criteria agreed beforehand create shared responsibility.

Diagnosis

Seven Real Reasons Why Sales Does Not Call the Lead

Before changing anything, we need to understand where the disconnect comes from. In the overwhelming majority of cases, we find one – or a combination – of the following seven causes. It is worth reviewing them in order because each requires a different remedy.

There Is No Shared Definition

Marketing counts a “completed form” as a lead, while sales expects “purchase intent.” The same data means two different things. This is the default situation at most companies – and it is also the cheapest problem to fix.

Different Incentives (KPIs)

The agency is measured on lead volume and CPA, while sales is measured on closed deals and revenue. When incentives pull in different directions, behavior follows. This is not a human failure; it is a system failure.

Attribution and Timing Gap

SEO and content-marketing leads often close months later. If sales thinks in a 30-day window, even a good lead appears “weak” – when in reality it simply matures differently.

Data-Quality Problems

Incorrect phone number, private email instead of business email, “asdf” in the name field, duplicate records or missing company size. The form may have been too short – or too long, causing people to submit it half completed. Both lead to the same problem.

No Feedback Loop

The agency never finds out why a lead was rejected. Without this information, it repeats the same mistake month after month, while sales understandably feels that “nobody listens to us.”

Capacity Shortage and No SLA

If sales has no explicit commitment regarding how quickly a lead must be contacted, leads get lost in the queue. Research and practical experience point in the same direction: the first 5–30 minutes can have a major impact on the success of making contact.

Deteriorating Targeting and Channel Drift

A campaign that performed exceptionally well for three months eventually becomes fatigued: the same audience, banner blindness, cheaper and weaker placements, expanding lookalike audiences. Volume remains, but quality slowly leaks away – and only comparative measurement reveals it.

Diagnostic trick: request 30 randomly selected rejected leads and review them one by one together with the salesperson. You are not looking for an opinion; you are looking at actual records. In the overwhelming majority of cases, by the 10th–15th lead the main reason becomes crystal clear – and it is often not what either side expected.

Measurement

Measuring the Same Outcome: The Logic of Channel Comparison

The second step – and in my view the most valuable part of the entire system – is to compare channel reports with acceptance and close rates. Lead volume on its own is a meaningless number. It becomes useful for decision-making only when we place beside it the two ratios that show what happened to the lead beyond the marketing boundary.

The Funnel Both Teams Need to Understand

Lead Volume: how many records arrived from the given channel.
Acceptance Rate / Sales Accepted Lead: how many were accepted by sales according to the shared definition. This is the most important metric at the bridge between the two teams.
Contact Rate: how many accepted leads were actually reached within the agreed time.
Opportunity Rate / MQL→SQL: how many conversations became genuine pipeline opportunities.
Close Rate: how many opportunities became customers.
Revenue and ROI: how much revenue the channel generated and how much it cost. This closes the loop – and this is what management decisions should ultimately be based on.

Metric	What Does It Show?	Who Owns It?	Healthy Direction
Lead Volume	The channel’s “volume”	Marketing / agency	Growing, but not as an end in itself
Acceptance Rate (SAL)	Fit with the definition	Shared	Stable or increasing
Contact Time	Speed and discipline	Sales	Decreasing (within SLA)
MQL → SQL Rate	Depth of genuine interest	Shared	Increasing
Close Rate	Offer and market fit	Sales	Stable
Revenue per Lead	Business value	Shared	Increasing
Distribution of Rejection Reasons	Diagnosis, not blame	Shared	Fewer and fewer “no reason” records

Why Is the Acceptance Rate the Key Metric?

Because it is the only number to which both sides must contribute. Marketing cannot say, “we handed it over; the rest is not our problem,” because acceptance evaluates the quality of the leads we delivered. Sales cannot say, “they are all bad,” because acceptance decisions must be made according to their own written rules.

In practice, this is how we build the report: for every channel – organic search, PPC, LinkedIn, newsletter, content download and referral – we show lead volume, acceptance rate, contact rate, close rate and revenue generated by the channel in separate rows. Once these five numbers sit next to one another, it becomes immediately clear which channel is cheap and weak, which is expensive and excellent, and which one simply needs to be stopped.

Real impact: after a change, lead volume may be cut in half while the acceptance rate doubles and revenue increases. In that case, marketing performs “worse” according to the old report and better according to the new one. This is exactly why the reporting format itself must also be approved jointly; otherwise the transition becomes the next subject of conflict.

Organic channels – namely search engine optimization and content marketing – typically deliver more slowly but more sustainably and with a higher acceptance rate. Paid channels generate volume faster, but they are more sensitive to deterioration in targeting. If this difference is not communicated to sales in advance, tension in the second month is almost guaranteed. We summarize our detailed methodology in the on-page and off-page SEO guide.

System

Rejection Taxonomy: Not “Bad Lead,” but a Reason

The fastest improvement does not come from a new campaign, but from a dropdown field in the CRM. If the salesperson rejects a lead, they must select a reason from a predefined list. A free-text comment is not enough – you cannot build a reliable report from it, and you cannot see trends.

Unreachable

Incorrect or non-working phone number, bouncing email, or no response after 3 attempts.

No Budget

The customer does not have sufficient funds or is well below the minimum threshold.

Outside Service Area

Does not meet the geographic or language criteria.

Wrong Timing

Genuine interest, but on a 6–12 month horizon. Goes into nurture, not into the trash.

Competitor / Researcher

Market research, agency comparison or student work.

Not a Decision-Maker

Has no authority and did not provide access to an identifiable decision-maker.

Duplicate / Old

Already exists in the system or is a previously lost customer.

Spam / Bot

Automated submission, test data or meaningless field content.

Does Not Fit the Portfolio

Looking for a service we do not provide.

Once this list has been used for three months, you have one of the most valuable datasets a marketing organization can own: the distribution of rejection reasons by channel. If “no budget” dominates PPC, targeting and messaging need to be narrowed. If “unreachable” dominates a specific form, the form needs to be rebuilt. If “spam” is high, technical protection is needed. If “wrong timing” is the largest category, however, there is no lead-quality problem – there is simply no nurture system, and solving that is marketing’s responsibility rather than sales’.

This shift in perspective eliminates much of the conflict by moving the discussion away from people and toward processes. The question is no longer “who is right?” but “which rejection reason is increasing, and which setting do we need to change?”

Agreement

SLA and Feedback Loop: The Two-Way Commitment

A Service Level Agreement in this context is not a legal document, but a simple two-way commitment. Marketing promises something about data handoff, while sales promises something about processing. If only one side commits, the system becomes unbalanced.

Marketing’s Commitments

Every lead arrives with the minimum fields required by the shared definition.
Real-time, automatic handoff into the CRM – not a weekly Excel file.
Channel, campaign and source labels on every record.
Bot and spam filtering before handoff.
Monthly reporting that includes acceptance and close rates.

Sales’ Commitments

First contact within the agreed timeframe (typically within 1 business day, ideally within 1 hour).
Record the status of every lead: accepted or rejected.
If rejected, select a mandatory reason from the taxonomy.
Attend a weekly 30-minute joint review with marketing.
Feed close and loss reasons back into the system.

The Weekly 30 Minutes That Changes Everything

We introduce a short meeting with a strict agenda: every week, the agency and the sales manager review the previous week’s leads. It is not a presentation and not a status report – it is a record-level review. There are only three questions:

Which lead was accepted, and why? (This teaches us what to strengthen.)
Which lead was rejected, and why? (This teaches us what to narrow.)
What will we change next week? (One, maximum two concrete adjustments.)

This meeting works because it is small, concrete and consequential. Every session produces a decision, and the following week its impact can be seen in the numbers. Within three months, the same two people typically have completely different conversations – speaking the language of joint optimization instead of defensiveness.

Technical side: the feedback loop should not operate through email but through automation. CRM status changes should flow back into the marketing automation system so nurture sequences and reports update immediately. We provide this setup as part of our marketing automation service.

Implementation

30-Day Implementation Plan

The system should not be introduced all at once in one major rollout – resistance from the teams would be almost guaranteed. We use a four-stage, thirty-day schedule in which every step produces a visible result.

Week 1 – Definition and Baseline

Joint workshop with sales: define the five criteria using concrete thresholds.
Document the exclusion criteria.
Finalize the rejection taxonomy (maximum 10 reasons).
Measure the baseline: retag the previous 3 months of leads so there is something to compare against.
Have the one-page definition document approved by both managers.

Week 2 – Technical Integration

Create CRM fields: source, channel, acceptance status, rejection reason and first-contact time.
Review forms: request the fields required by the definition and remove unnecessary ones.
Enable spam and bot filtering and duplicate handling.
Automatic real-time handoff into the CRM with notification to the relevant salesperson.
Build the reporting template using the six funnel metrics.

Week 3 – Run the System and Create the First Feedback Loop

Launch the weekly 30-minute review on a fixed day at a fixed time.
Introduce and measure the SLA: how quickly does the first call happen?
Review the first 20–30 rejected leads at record level.
Implement one targeting or messaging adjustment based on what you find.
Launch the nurture branch for leads classified as “wrong timing.”

Week 4 – Evaluation and Fine-Tuning

Prepare the first complete monthly report: acceptance and close rates by channel.
Review the definition: which criterion was too strict, and which was too loose?
Reallocate budget toward channels with a demonstrably better acceptance rate.
Retarget paid campaigns – see our PPC campaign management methodology.
Integrate the process into the monthly client report so the client sees the same picture.

Reporting

How Should You Communicate the Results to Management?

Management is not primarily interested in lead volume; it wants to know whether marketing spend generates business results. That is why we always build the report in reverse order: revenue first, pipeline second, and lead volume only third.

Page 1 – Business Results: revenue by channel, ROI, average customer size and backward-looking close rate.
Page 2 – Pipeline Health: number of accepted leads, MQL→SQL rate, average cycle time and pipeline coverage.
Page 3 – Activity: lead volume, CPA, conversion rate and traffic sources – for context, not as primary KPIs.
Page 4 – Lessons and Next Steps: what we changed, what effect it had and what we plan next. This is the section that separates the report from generic monthly emails.

When an agency reports this way, the “lots of leads, poor quality” argument disappears because the conversation already takes place in a shared language – the language of revenue. This is the point where the agency moves from supplier to growth partner, and where sales also begins to treat marketing results as its own.

Fewer, but Better

The objective is not the maximum number of leads, but the maximum number of accepted and closed leads from the same budget.

Shared Metric

When both teams are tied to the same ratio, finger-pointing disappears.

Revenue Center

Marketing success is measured not by clicks but by closed contracts. Everything else is an intermediate signal.

Summary

The Essential Points in Five Steps

The lead definition must be created jointly – need, budget, location, timing and decision-making authority, supplemented by an explicit exclusion list.
Channel reports must be compared with acceptance and close rates – otherwise marketing and sales measure two different realities using the same word.
A rejection should have a reason, not an opinion – taxonomy is the fastest route to genuine diagnosis.
The SLA is two-way – marketing commits to accurate data and real-time handoff, while sales commits to fast contact and recorded status.
A weekly 30-minute record-level review is worth more than any quarterly strategy workshop.

If these five points are working, the question “why don’t you call our leads?” simply disappears – because there are no longer two separate lists. There is one list, with one definition, one owner and one metric. This is exactly how marketing and sales become a single growth team.

Frequently Asked Questions

Questions and Answers

What Is the Difference Between an MQL and an SQL?

Miért jelent rengeteg leadet az ügynökség, amit az értékesítés nem hív fel?

onlinemarketing101 — Tue, 27 Oct 2026 21:04:00 +0000

blokkot (pl. bizonyos biztonsági pluginok), másold a részt át ide: Megjelenés » Testreszabás » Egyedi CSS (Additional CSS). 3) A Google Fonts sor opcionális: ha az oldal már betölti a Teko/Rubik betűtípust, törölheted (az oldal betűkészleteit használja). 4) Minden osztálynév az .om101- cikk előtag alatt van namespac-elve, így nem ütközik a téma vagy az Elementor stílusaival. --------------------------------------------------------------------- JAVASOLT SEO META: Title: Miért nem hívja fel az értékesítés a marketing leadjeit? | OnlineMarketing101 Description: A minősített lead 5 kritériuma, az elfogadási és zárási ráta mérése, SLA és visszajelzési hurok – gyakorlati útmutató Róth Miklóstól a marketing és sales összehangolására. Slug: miert-nem-hivja-fel-az-ertekesites-a-marketing-leadjeit ===================================================================== -->

Marketing & Sales összehangolás

Miért jelent rengeteg leadet az ügynökség, amit az értékesítés nem hív fel?

A legtöbb „rossz lead” nem rossz lead – hanem két csapat, amelyik ugyanazt a szót teljesen mást jelentő dologra használja. Ebben az útmutatóban megmutatom, hogyan definiáljuk közösen a minősített leadet, hogyan mérjük ugyanazt az eredményt, és hogyan szüntessük meg végleg a marketing és az értékesítés közötti hidegháborút.

RM Róth Miklós
AI-vezérelt marketing & SEO szakértő

Olvasási idő: kb. 14 perc Kategória: Lead generálás, B2B növekedés Frissítve: 2026

A probléma

A mondat, amit minden ügynökség ismer

„Megint hoztatok húsz leadet, és egyiket sem tudtam felhívni.”

Ha ügynökséget vezetsz, ezt a mondatot hallottad már. Ha értékesítési vezető vagy, te magad mondtad ki. És mindkét félnek igaza van – a saját mérőszámai szerint. A marketing riportja zöld: nő a leadmennyiség, csökken a leadenkénti költség, a kampányok teljesítik a kitűzött célt. Az értékesítés riportja viszont piros: az elfogadási arány zuhan, a kapcsolatfelvételi idő nő, a pipeline üres, a zárások száma nem mozdul.

A konfliktus szinte sosem a hirdetésminőséggel kezdődik. A konfliktus a definícióval kezdődik. Amíg a marketing azt számolja, amit az űrlap kitölt, és az értékesítés azt várja, amitől azonnal ajánlatkérés lesz, addig a két riport nem ugyanazt a valóságot írja le – csak ugyanazokat a sorokat nézi két különböző szemüvegen keresztül.

Ez a cikk nem arról szól, hogyan hozz több leadet. Arról szól, hogyan hozd meg azt a megállapodást, ami után a lead számít. Mert a mennyiség önmagában sosem volt üzleti eredmény – és a vezetői döntések sem a leadmennyiségre épülnek, hanem arra, hogy abból mennyi bevétel lett.

Először közösen definiálom az értékesítéssel a minősített leadet: szükség, költségvetés, helyszín, időzítés és – ahol releváns – döntési jogosultság. Ezután összevetem a csatornariportokat az elfogadási és a zárási rátákkal, hogy a két csapat ugyanazt az eredményt mérje.

Első lépés

Mi az a minősített lead? Az öt kritérium

A minősített lead (Marketing Qualified Lead, röviden MQL) nem egy státusz a CRM-ben, hanem egy közösen aláírt megállapodás. Ha a marketing egyedül találja ki, az értékesítés nem fogja elfogadni. Ha az értékesítés egyedül találja ki, a marketing nem fogja tudni teljesíteni. A megoldás: egy olyan definíció, amelyet mindkét fél lát, ért és el is fogad – mielőtt bármilyen kampány elindulna.

Az alábbi öt kritérium az a váz, amelyet gyakorlatilag minden B2B és szolgáltatás-alapú projektben alkalmazunk. A sorrend nem véletlen: ez a szűrési logika, ahogy a nyers érdeklődésből üzleti lehetőség lesz.

Szükség (Need)

Valós, megfogalmazott probléma vagy cél, amelyet a mi szolgáltatásunk old meg. Nem „kíváncsiság”, nem „összehasonlító kutatás”, nem diákprojekt. Kérdés a szűréshez: mi a konkrét üzleti fájdalom, és mi történik, ha nem oldják meg?

Költségvetés (Budget)

Nem feltétlenül pontos összeg – de legyen elfogadott nagyságrend. Egy „5 000 euró feletti” szűrő drasztikusan csökkenti a nem hívható leadek arányát, miközben alig érinti a valódi ügyfélkört. A büdzsé hiánya a leggyakoribb csendes gyilkos.

Helyszín (Location)

Földrajzi vagy nyelvi szolgáltatási terület. Ha a cég csak Budapesten és Pest vármegyében dolgozik, egy szegedi vagy kolozsvári érdeklődő nem lead – hanem költséges zaj, amely elviszi az értékesítő idejét.

Időzítés (Timing)

Mikor indul a projekt? A „majd jövőre” nem időzítés. A 0–30, 31–90 és 90+ napos sávok tisztán szétválasztják az azonnal hívandó és a nurture-be sorolt kontaktokat – és ezzel megszűnik a „nem hívtam fel, mert úgysem most vásárol” típusú vita.

Döntési jogosultság (Authority)

Ahol releváns: ki írja alá az ajánlatot? Egy gyakornok vagy egy asszisztens által kitöltött űrlap értékesebb, ha tudjuk, hogy a döntéshozó nevét és elérhetőségét is tartalmazza – és értéktelenebb, ha nem.

+1: Kizáró kritériumok

A definíció fele gyakran a „ki NEM lead” lista: versenytársak, álláskeresők, ingyenes konzultáció-vadászok, B2C érdeklődők B2B kampányban, spam és bot forgalom. Ezeket írásban rögzítjük, mert itt bukik el a legtöbb riport-összehasonlítás.

Így néz ki egy működő, egyoldalas lead-definíció

Nem kell bonyolult dokumentum. Egy oldal, hat mező, mindkét csapat vezetőjének aláírása (vagy e-mailben adott explicit jóváhagyása) – és egy dátum, ameddig érvényes. Példa egy hazai szolgáltatócégre:

Szükség: aktív projekt vagy konkrét budget-cél Budget: min. 500 000 Ft / projekt Hely: Magyarország, magyar nyelvű egyeztetés Idő: indulás 90 napon belül Döntéshozó: tulajdonos / ügyvezető / marketing vezető Kizárva: versenytárs, diák, álláskereső, B2C

Fontos: a definíciót a kampányindítás előtt kell rögzíteni, nem utólag. Utólag megfogalmazott kritériumok mindig a másik fél hibáztatásáról szólnak – előzetes kritériumok viszont közös felelősséget jelentenek.

Diagnózis

Hét valódi ok, amiért az értékesítés nem hívja fel a leadet

Mielőtt bármit átállítanánk, meg kell értenünk, honnan jön a szakadás. Az esetek túlnyomó többségében az alábbi hét ok valamelyikét – vagy kombinációját – találjuk. Érdemes sorban végigmenni rajtuk, mert mindegyikhez más gyógymód tartozik.

Nincs közös definíció

A marketing a „kitöltött űrlapot” számolja leadnek, az értékesítés a „vásárlási szándékot” várja. Ugyanaz az adat két különböző dolgot jelent. Ez az alapértelmezett állapot a legtöbb cégnél – és ez a legolcsóbban javítható.

Eltérő ösztönzés (KPI-k)

A ügynökséget a leadmennyiség és a CPA alapján mérik, az értékesítőt a zárt üzletek és az árbevétel alapján. Ahol a jutalom más irányba húz, ott a viselkedés is más irányba megy. Ez nem emberi hiba, hanem rendszerhiba.

Attribúciós és időzítési szakadék

A SEO és a tartalommarketing leadjei gyakran hónapok múlva záródnak. Ha az értékesítés 30 napos ablakban gondolkodik, a jó lead is „gyengének” tűnik – holott csak máshogy érlelődik.

Adatminőségi problémák

Hibás telefonszám, céges helyett privát e-mail, „asdf” névmező, duplikált rekordok, hiányzó cégméret. Az űrlap túl rövid volt – vagy túl hosszú, és emiatt félig kitöltve érkezett. Mindkettő ugyanoda vezet.

Nincs visszacsatolási hurok

Az ügynökség sosem tudja meg, miért utasították el a leadet. Enélkül ugyanazt a hibát ismétli hónapról hónapra, az értékesítés pedig jogosan érzi úgy, hogy „senki nem figyel rám”.

Kapacitáshiány és SLA nélküliség

Ha az értékesítésnek nincs kimondott vállalása arra, hogy mennyi időn belül hívja fel a leadet, a leadek elvesznek a sorban. A kutatások és a gyakorlat is egy irányba mutat: az első 5–30 perc dönt a kapcsolatfelvétel sikerességéről.

Romló célzás és csatorna-drift

Egy kampány, amely három hónapig kiválóan teljesített, előbb-utóbb kifárad: azonos közönség, banner-vakság, olcsóbb és gyengébb placements, bővülő lookalike. A mennyiség marad, a minőség lassan elszivárog – és ezt csak összehasonlító mérés veszi észre.

Diagnosztikai trükk: kérj el 30 véletlenszerűen kiválasztott, visszautasított leadet, és nézd meg őket egyesével az értékesítővel együtt. Nem a véleményére vagy kíváncsi, hanem a konkrét rekordokra. Az esetek döntő többségében már a 10–15. leaddél kristálytisztán látszik a fő ok – és gyakran nem az, amit mindkét fél gondolt.

Mérés

Ugyanazt az eredményt mérni: a csatorna-összehasonlítás logikája

A második lépés – és szerintem az egész rendszer legértékesebb része – az, hogy a csatornariportokat összevetjük az elfogadási és a zárási rátákkal. A leadmennyiség önmagában értelmezhetetlen szám. Csak akkor válik döntési alapanyaggá, ha mellé tesszük azt a két arányszámot, amely megmutatja, mi történt a leaddel a marketing határán túl.

A funnel, amelyet mindkét csapatnak ismernie kell

Leadmennyiség (Leads): hány rekord érkezett az adott csatornából.
Elfogadási arány (Acceptance / Sales Accepted Lead): hányat fogadott el az értékesítés a közös definíció alapján. Ez a legfontosabb mutató a két csapat közötti hidat képező ponton.
Kapcsolatfelvételi arány (Contact Rate): hány elfogadott leaddel sikerült ténylegesen beszélni a vállalt időn belül.
Lehetőség-arány (Opportunity Rate / MQL→SQL): hány beszélgetésből lett valós pipeline-elem.
Zárási arány (Close Rate): hány lehetőség lett ügyfél.
Bevétel és ROI: mennyi árbevétel jött a csatornából, és mennyibe került. Ez a szám zárja a kört – és ez az, amelyikre a vezetői döntés épül.

Mérőszám	Mit mutat?	Ki felel érte?	Egészséges irány
Leadmennyiség	A csatorna „hangereje”	Marketing / ügynökség	Növekvő, de nem öncélú
Elfogadási arány (SAL)	Definíció-illeszkedés	Közös	Stabil vagy növekvő
Kapcsolatfelvételi idő	Sebesség és fegyelem	Értékesítés	Csökkenő (SLA-n belül)
MQL → SQL arány	Valós érdeklődés mélysége	Közös	Növekvő
Zárási arány	Ajánlat és piac illeszkedése	Értékesítés	Stabil
Leadenkénti bevétel	Üzleti érték	Közös	Növekvő
Visszautasítási okok megoszlása	Diagnózis, nem vádaskodás	Közös	Egyre kevesebb „nincs ok”

Miért éppen az elfogadási arány a kulcs?

Mert ez az egyetlen szám, amelyhez mindkét félnek hozzá kell járulnia. A marketing nem mondhatja, hogy „átadtuk, a többi nem a mi dolgunk”, hiszen az elfogadás a mi lead-minőségünket minősíti. Az értékesítés nem mondhatja, hogy „ezek mind rosszak”, hiszen az elfogadási döntést az ő szabályai alapján kell meghoznia, írásban rögzítve.

Gyakorlatban így építjük fel a riportot: minden csatornára (organikus keresés, PPC, LinkedIn, hírlevél, tartalom-letöltés, ajánlás) külön sorban szerepel a leadmennyiség, az elfogadási arány, a kapcsolatfelvételi arány, a zárási arány és a csatornára eső bevétel. Amikor ez az öt szám egymás mellett áll, azonnal kiderül, hogy melyik csatorna olcsó és gyenge, melyik drága és kiváló, és melyik az, amelyet egyszerűen le kell állítani.

Valós hatás: előfordul, hogy a leadmennyiség feleződik egy átállítás után – miközben az elfogadási arány megduplázódik és a bevétel nő. Ilyenkor a marketing „rosszabbul” teljesít a régi riport szerint, és jobban az új szerint. Éppen ezért kell a riport-formátumot is közösen jóváhagyni, különben a váltás maga lesz a vita tárgya.

Az organikus csatornák – vagyis a keresőoptimalizálás és a tartalommarketing – jellemzően lassabban, de tartósabban és jobb elfogadási aránnyal szállítanak. A fizetett csatornák gyorsabban hoznak mennyiséget, de érzékenyebbek a célzás romlására. Ha ezt a különbséget nem kommunikáljuk előre az értékesítés felé, a második hónapban garantált a feszültség. Részletes módszertanunkat az on-page és off-page SEO útmutatóban foglaltuk össze.

Rendszer

A visszautasítás taxonómiája: ne „rossz lead”, hanem ok

A leggyorsabb javulást nem egy új kampány hozza, hanem egy legördülő mező a CRM-ben. Ha az értékesítő visszautasít egy leadet, kötelezően választania kell egy indokot egy előre rögzített listából. A szabad szöveges megjegyzés nem elég – abból nem lehet riportot építeni, és nem lehet trendet látni.

Nem elérhető

Hibás vagy nem működő telefonszám, visszapattanó e-mail, nincs válasz 3 kísérlet után.

Nincs budget

Az ügyfélnek nincs forrása, vagy jóval a minimum küszöb alatt marad.

Kieső terület

A földrajzi vagy nyelvi kritériumnak nem felel meg.

Rossz időzítés

Valós érdeklődés, de 6–12 hónapos horizonton. Nurture-be kerül, nem kukába.

Versenytárs / kutató

Piackutatás, ügynökségi összehasonlítás, diákmunka.

Nem döntéshozó

Nincs jogosultsága, és nem adott meg elérhető döntéshozót.

Duplikált / régi

Már szerepel a rendszerben, vagy korábban elvesztett ügyfél.

Spam / bot

Gépi kitöltés, teszt-adat, értelmetlen mezőtartalom.

Nem illik a portfólióba

Olyan szolgáltatást keres, amelyet nem nyújtunk.

Amikor ez a lista három hónapig fut, megvan a legértékesebb adathalmaz, amit egy marketing-szervezet birtokolhat: a visszautasítások okeloszlása csatornánként. Ha a „nincs budget” dominál a PPC-ben, a célzást és az üzenetet kell szűkíteni. Ha a „nem elérhető” dominál egy űrlapnál, az űrlapot kell átépíteni. Ha a „spam” magas, technikai védekezés kell. Ha viszont a „rossz időzítés” a legnagyobb kategória, akkor nincs probléma – csak nurture-rendszer hiányzik, és az a marketing feladata, nem az értékesítésé.

Ez a szemléletváltás önmagában megszünteti a konfliktus nagy részét, mert a vita tárgya átkerül a személyekről a folyamatokra. Nem az a kérdés többé, hogy „kinek van igaza”, hanem hogy „melyik ok aránya nőtt, és melyik beállítást kell módosítanunk”.

Megállapodás

SLA és visszajelzési hurok: a kétirányú kötelezettség

A Service Level Agreement ebben a kontextusban nem jogi dokumentum, hanem egy egyszerű, kétirányú vállalás. A marketing megígér valamit az adatátadásról, az értékesítés megígér valamit a feldolgozásról. Ha csak az egyik fél vállal, a rendszer elbillen.

A marketing vállalásai

Minden lead a közös definíció szerinti minimális mezőkkel érkezik.
Átadás valós időben, automatikusan a CRM-be – nem heti Excelben.
Csatorna, kampány és forrás címkézés minden rekordon.
Bot- és spam-szűrés az átadás előtt.
Havi riport az elfogadási és zárási ráták tükrében.

Az értékesítés vállalásai

Első kapcsolatfelvétel a vállalt időn belül (tipikusan 1 munkanap, ideális esetben 1 óra).
Minden lead státuszának rögzítése: elfogadott vagy visszautasított.
Visszautasítás esetén kötelező ok megjelölése a taxonómiából.
Heti 30 perces közös egyeztetés a marketinggel.
Zárási és veszteségi okok visszatáplálása a rendszerbe.

A heti 30 perc, ami megváltoztat mindent

Bevezetünk egy rövid, szigorúan napirend szerinti egyeztetést: az ügynökség és az értékesítés vezetője hetente átnézi az előző hét leadjeit. Nem prezentáció, nem státuszjelentés – hanem rekordszintű átbeszélés. Három kérdés van csak:

Melyik lead lett elfogadva, és miért? (Ebből tanuljuk, mit erősítsünk.)
Melyik lett visszautasítva, és miért? (Ebből tanuljuk, mit szűkítsünk.)
Mit változtatunk a következő héten? (Egy, maximum két konkrét módosítás.)

Ez a találkozó azért működik, mert kicsi, konkrét és következményes. Minden alkalommal születik egy döntés, és a következő héten látszik a hatása a számokban. Három hónap alatt tipikusan teljesen más beszélgetéseket folytat ugyanaz a két ember – a védekezés helyett a közös optimalizálás nyelvén.

Technikai oldal: a visszajelzési hurkot nem e-mailben érdemes működtetni, hanem automatizálva. A CRM státuszváltozása induljon vissza a marketing-automatizációs rendszerbe, hogy a nurture-szekvenciák és a riportok azonnal frissüljenek. Ennek beállítását a marketing automatizáció szolgáltatásunk keretében vállaljuk.

Bevezetés

30 napos bevezetési terv

A rendszert nem szabad egyszerre, nagy robbanással bevezetni – a csapatok ellenállása garantált lenne. Négylépcsős, harmincnapos ütemezésben dolgozunk, ahol minden lépésnek van látható eredménye.

1. hét – Definíció és alapvonal

Közös workshop az értékesítéssel: az öt kritérium kitöltése konkrét küszöbértékekkel.
A kizáró kritériumok írásba foglalása.
A visszautasítási taxonómia véglegesítése (maximum 10 ok).
Alapvonal mérése: az elmúlt 3 hónap leadjeinek visszacímkézése, hogy legyen mihez hasonlítani.
Egyoldalas definíciós dokumentum jóváhagyása mindkét vezető által.

2. hét – Technikai összekötés

CRM-mezők létrehozása: forrás, csatorna, elfogadási státusz, visszautasítás oka, első kapcsolatfelvétel időpontja.
Űrlapok felülvizsgálata: a definícióhoz szükséges mezők bekérése, a feleslegesek törlése.
Spam- és botszűrés, duplikáció-kezelés bekapcsolása.
Automatikus átadás a CRM-be valós időben, értesítéssel az érintett értékesítőnek.
Riport-template összeállítása a hat funnel-mutatóval.

3. hét – Futtatás és első visszacsatolás

A heti 30 perces egyeztetés elindítása fix napon, fix időpontban.
SLA bevezetése és mérése: meddig ér oda az első hívás.
Az első 20–30 visszautasított lead rekord szintű átnézése.
Egy célzási vagy üzenet-módosítás végrehajtása a látottak alapján.
A nurture-ág beindítása a „rossz időzítés” kategóriába eső leadeknek.

4. hét – Kiértékelés és finomhangolás

Az első teljes havi riport: csatornánkénti elfogadási és zárási arány.
A definíció felülvizsgálata: melyik kritérium volt túl szigorú, melyik túl laza?
Költségkeret-átcsoportosítás a bizonyítottan jobb elfogadási arányú csatornák felé.
A fizetett kampányok újracélozása – lásd a PPC kampánymenedzsment módszertanát.
A folyamat beépítése a havi ügyfél-riportba, hogy a megbízó is ugyanazt lássa.

Riportolás

Hogyan kommunikáld az eredményt a vezetőségnek?

A vezetőség nem a leadmennyiségre kíváncsi, hanem arra, hogy a marketingköltés üzleti eredményt termel-e. Éppen ezért a riportot mindig fordított sorrendben építjük fel: először a bevétel, aztán a pipeline, és csak harmadikként a leadmennyiség.

1. oldal – Üzleti eredmény: csatornánkénti bevétel, ROI, átlagos ügyfélméret, visszamutató zárási arány.
2. oldal – Pipeline egészsége: elfogadott leadek száma, MQL→SQL arány, átlagos ciklusidő, pipeline-fedezet.
3. oldal – Tevékenység: leadmennyiség, CPA, konverziós arány, forgalmi források – a kontextushoz, nem főmutatóként.
4. oldal – Tanulságok és következő lépések: mit változtattunk, mi lett a hatása, mit tervezünk. Ez a rész emeli ki a riportot a sablonos havi levelek közül.

Amikor egy ügynökség így riportol, megszűnik a „sok lead, gyenge minőség” vita, mert a beszélgetés eleve a közös nyelven, a bevétel nyelvén zajlik. Ez az a pont, ahol az ügynökség beszállítóból növekedési partnerré válik – és ahol az értékesítés is elkezdi sajátjaként kezelni a marketing eredményeit.

Kevesebb, de jobb

A cél nem a maximum lead, hanem a maximum elfogadott és zárt lead ugyanabból a költségvetésből.

Közös mérőszám

Ahol mindkét csapatot ugyanarra az arányszámra kötik, ott megszűnik az egymásra mutogatás.

Bevétel-központ

A marketing sikere nem a kattintásban, hanem a lezárt szerződésben mérhető. Minden más közbülső jel.

Összefoglalás

A lényeg öt pontban

A lead-definíciót közösen kell megalkotni – szükség, költségvetés, helyszín, időzítés és döntési jogosultság, kiegészítve egy explicit kizáró listával.
A csatornariportokat össze kell vetni az elfogadási és zárási rátákkal – különben a marketing és az értékesítés két különböző valóságot mér ugyanazzal a szóval.
A visszautasításnak oka legyen, ne véleménye – a taxonómia a leggyorsabb út a valódi hibakereséshez.
Az SLA kétirányú – a marketing pontos adatot és valós idejű átadást vállal, az értékesítés gyors kapcsolatfelvételt és rögzített státuszt.
A heti 30 perc rekord szintű egyeztetés többet ér, mint bármilyen negyedéves stratégiai műhely.

Ha ez az öt pont működik, a „miért nem hívjátok fel a leadjeinket” kérdés egyszerűen elvész – mert már nincs két külön lista. Egy lista van, egy definícióval, egy felelőssel és egy mérőszámmal. Pontosan így lesz a marketingből és az értékesítésből egyetlen növekedési csapat.

Gyakran ismételt kérdések

Kérdések és válaszok

Mi a különbség az MQL és az SQL között?

Belső linkelés az AI-kereséshez: Hogyan építs szemantikai navigációs gráfot?

onlinemarketing101 — Sun, 27 Sep 2026 21:28:18 +0000

Szemantikus architektúra-tervezés 2026

Belső linkelés az AI-kereséshez:
Hogyan építs szemantikai navigációs gráfot?

Frissítve: 2026 13 perc olvasási idő Kód- és struktúraközpontú útmutató

Vezetői összefoglaló

A hagyományos linkkvóták és a véletlenszerű kulcsszavas hivatkozások ideje lejárt: az AI-válaszmotorok és a Google modern szemantikus keresőrendszerei az összefüggéseket és a tudásszerkezetet vizsgálják. A belső linkelés 2026-ban már nem csupán technikai SEO-feladat, hanem a weboldaladat gépileg is olvasható szemantikai navigációs gráffá alakító strukturális folyamat, amely segíti a tartalom feltérképezhetőségét, a visszakereshetőséget és a konverziós útvonalak kialakítását.

A belső linkek mint jelentésjelek: szemantikai kapcsolatok a puszta linkkvóták helyett

Sok weboldal-tulajdonos még ma is egyszerű, darabszám-alapú SEO-feladatként kezeli a belső linkelést: beállítanak egy automatikus bővítményt, amely minden alkalommal, amikor egy adott szó megjelenik, elhelyez egy linket valamelyik szolgáltatásoldalra.

Ez a fajta kontextus és jelentés nélküli linkelés azonban nem épít valódi szemantikai kapcsolatot. A modern keresőrendszerek és nagy nyelvi modellek egyre inkább a fogalmak közötti jelentéskapcsolatokat értelmezik. Egy belső link a webhely tudásgráfjában egy élként értelmezhető, amely összeköti az egyik koncepciót a másikkal, és segít megmutatni, hogyan egészítik ki egymást szakmailag.

A szemantikus belső linkelés nem pusztán a PageRank továbbadásáról szól. Olyan gépileg is értelmezhető tudástérképet épít, amely megmutatja a vállalkozás szakértelmének logikai hálózatát.

Dolgozz specialistákkal: AI-láthatósági ügynökség Budapesten – technikai SEO, GEO és AEO

→

Pillér- és klasztermodell: szemantikai tartalomarchitektúra és a linkkapcsolatok tudatos kialakítása

A modern tartalommarketing és GEO-optimalizálás egyik fontos módszere a pillér-klaszter architektúra kialakítása. Ahelyett, hogy elszigetelt blogcikkeket készítenél, logikailag összekapcsolt témaklasztereket érdemes létrehozni.

Pilléroldal

Átfogó, mély szakmai útmutató, amely egy teljes témakört lefed, például az „AI SEO stratégia” témáját.

Klaszteroldalak

Specifikus kérdésekre válaszoló aloldalak, amelyek szorosan kapcsolódnak a központi témához és releváns módon visszahivatkoznak a pilléroldalra.

A tervezés során fontos elkerülni a szemantikailag indokolatlan keresztlinkelést. Ha az egyik témaklaszter aloldaláról logikai kapcsolat nélkül hivatkozol egy teljesen eltérő témájú oldalra, az gyengítheti a webhely információs architektúrájának egyértelműségét.

Horgonyszöveg-stratégia: természetes szemantika és egyértelmű kontextus

A horgonyszöveg az a kattintható szövegrész, amelyre a linket elhelyezed. A modern természetesnyelv-feldolgozó rendszerek nemcsak magát a horgonyszöveget, hanem annak környező szövegkörnyezetét is figyelembe vehetik.

Különösen érdemes kerülni két gyakori hibát:

Semmitmondó horgonyszövegek: az olyan kifejezések, mint „kattints ide”, „bővebben” vagy „ezen az oldalon” kevés szemantikai információt adnak a céloldal tartalmáról.
Túlzottan optimalizált horgonyszövegek: ha minden belső link pontosan ugyanazt a tranzakciós kulcsszót használja, az természetellenes és manipulatív mintázatot hozhat létre.

A jobb megoldás a leíró, természetes és kontextushoz illeszkedő horgonyszöveg. A link szövegének világosan jeleznie kell, milyen szakmai választ vagy további információt talál az olvasó a céloldalon.

Kereskedelmi útvonalak: az információs tekintély átvezetése a tranzakciós oldalakra

A B2B weboldalakon az információs tartalmak – blogok, útmutatók és szakmai cikkek – gyakran jelentős organikus forgalmat és AI-hivatkozásokat szereznek. Ezeknek az oldalaknak azonban önmagukban sokszor alacsonyabb a közvetlen konverziós arányuk.

A cél ezért az, hogy a megszerzett információs tekintélyt tudatos kereskedelmi útvonalakon keresztül vezessük tovább a megfelelő esettanulmányokra, termékoldalakra és szolgáltatásoldalakra. Így a belső linkstruktúra nemcsak SEO-, hanem üzleti navigációs rendszerként is működik.

Térképezd fel a hiányosságokat: AI-láthatósági audit sablon és mérési rendszer

→

Árva oldalak azonosítása: feltérképezhetőség és RAG-készültség

Az árva oldalak olyan aloldalak, amelyekre a webhely más oldalairól nem mutat megfelelő belső link. Az ilyen oldalak nehezebben fedezhetők fel mind a keresőmotorok, mind más automatizált tartalomfeldolgozó rendszerek számára.

Ha egy értékes esettanulmány, kutatási adat vagy szakmai útmutató elszigetelten található, akkor kisebb eséllyel válik a webhely logikailag jól kapcsolt tudásrendszerének részévé. Ezért a belső linkaudit egyik alapfeladata az árva oldalak feltárása és megfelelő témaklaszterbe kapcsolása.

Tervezz nemzetközileg: többnyelvű AI-láthatóság, hreflang, lokalizáció és entitáskonzisztencia

→

Szemantikai struktúra kalkulátor: a belső linkgráf gyors auditálása

Jelöld be azokat az állításokat, amelyek igazak a jelenlegi weboldalad belső linkelési struktúrájára. A kalkulátor ezek alapján gyors strukturális állapotjelzést ad.

Szemantikai sziló- és belsőlink-audit

1. A robots.txt megfelelően konfigurált, és a számunkra fontos keresőrobotokat nem tiltjuk véletlenül. 2. Minden fontos aloldal legalább 3–4 releváns, kontextusba illő belső linket kap. 3. Logikusan felépített témaklasztereket használunk, és kerüljük az indokolatlan keresztlinkelést. 4. Nem használunk semmitmondó horgonyszövegeket, például „kattints ide” vagy „bővebben”. 5. Figyelünk a kulcsszó- és keresési szándék szerinti kannibalizáció elkerülésére. 6. A releváns információs klaszteroldalakról világos konverziós út vezet a kapcsolódó szolgáltatásoldalakra. 7. Rendszeresen futtatunk technikai belsőlink-auditot az árva és hibásan kapcsolt oldalak kiszűrésére. 8. Ahol indokolt, strukturált adatokkal is egyértelműsítjük a tartalom és az entitások kapcsolatait.

0 / 8

Jelöld be a meglévő strukturális elemeket az értékeléshez!

Auditáld a szemantikai belső linkgráfodat, mielőtt újabb tartalomklasztert publikálsz!

Még a kiváló szakmai tartalom is kevesebbet ér, ha a belső linkstruktúra nem mutatja meg egyértelműen a témák, szolgáltatások és entitások közötti kapcsolatokat. Tedd a webhelyedet logikusabbá a felhasználók, a keresők és az AI-rendszerek számára egyaránt.

OnlineMarketing101 – AI SEO és szemantikai linkaudit indítása →

AI-citációs kockázatkezelés: miért nem garantálható a láthatóság, de miért javítható jelentősen?

onlinemarketing101 — Sun, 23 Aug 2026 20:54:33 +0000

AI-citációs kockázatkezelés: miért nem garantálható az AI-láthatóság?

Stratégiai keretrendszer · 2026

AI-citációs kockázatkezelés: miért nem garantálható a láthatóság, de miért javítható jelentősen?

Meg lehet garantálni, hogy a ChatGPT, a Google AI vagy a Perplexity idézzen egy céget? Nem – de az AI-láthatóság mérhető és tudatosan javítható. Ebben az útmutatóban egy teljes kockázatkezelési keretrendszert mutatunk be, mérőszámokkal és prioritási modellel.

★ 2026. január Olvasási idő: kb. 11 perc AI-citációs kockázatkezelés

◆ A cikk fő állítása

Egyetlen hiteles AI SEO vagy GEO szolgáltató sem garantálhat konkrét ChatGPT-, Gemini-, Perplexity- vagy Google AI-citációt. A megjelenés valószínűsége azonban megfelelő technikai, tartalmi, entitás- és reputációs munkával jelentősen javítható.

Egyre több vállalat találkozik ugyanazzal az ellentmondással. Szeretnének megjelenni a ChatGPT, a Google AI Overviews, a Gemini és a Perplexity válaszaiban – miközben ezekben a rendszerekben nincs olyan stabil „első hely”, amelyet egy ügynökség megvásárolhatna vagy garantálhatna.

Ez a helyzet első ránézésre frusztráló. Valójában azonban csak azt jelenti, hogy rossz mentális modellel közelítünk a problémához. Az AI-láthatóságot nem „garanciális SEO-termékként”, hanem kockázatkezelési és valószínűségoptimalizálási feladatként érdemes kezelni – nagyjából úgy, ahogy egy pénzügyi vezető kezeli a piaci kockázatokat: nem kiiktatja, hanem méri, priorizálja és csökkenti őket.

Ehhez azonban a keresési munkát egységes rendszerként kell felfogni. Az AI SEO és modern keresőoptimalizálás ma már a klasszikus SEO, az AEO, a GEO és az LLM-láthatóság együttes kezelését jelenti.

Tartalomjegyzék

Mit jelent valójában az AI-citáció?
Miért nem garantálható egy AI-citáció?
Mi az AI Citation Risk Management?
Az első lépés: AI-láthatósági audit
Mit lehet ténylegesen optimalizálni?
Garantált eredmény helyett garantálható folyamat
Hogyan mérjük a javulást?
Prioritási modell: érték × kockázat
Nyelvenként változó citációs kockázat
Figyelmeztető jelek az ügynökségeknél

Mit jelent valójában az AI-citáció?

Mielőtt kockázatot kezelnénk, tisztázni kell, mit is akarunk pontosan elérni. Az „AI-megjelenés” ugyanis legalább négy, egymástól élesen elkülönülő dolgot takar – és ezeket a mérésnél is külön kell követni.

Márkaemlítés

Az AI megnevezi a céget a válaszában, de nem feltétlenül helyez el kattintható hivatkozást. Üzletileg ez is értékes – márkaismertséget és bizalmat épít.

Forráshivatkozás

Az adott weboldal vagy cikk konkrét, megjelölt forrásként szerepel. Ez a legkézzelfoghatóbb forma, mert mérhető átkattintást is generálhat.

Ajánlás

Az AI aktívan érvel egy termék, szolgáltató vagy szakértő mellett. Ez a legnagyobb üzleti értékű megjelenési forma, mert közvetlenül döntést befolyásol.

Információs felhasználás

Az AI felhasznál egy weboldalon található információt anélkül, hogy a forrást láthatóan megjelenítené. Nehezen mérhető, de formálja a márkáról alkotott képet.

Fontos alaptétel: AI-láthatóság ≠ AI-citáció ≠ AI-ajánlás. Ha ezeket összemossuk, sem célt kitűzni, sem eredményt mérni nem tudunk értelmesen. Ezért a mérésnél külön kell követni a márkaemlítéseket, a hivatkozásokat, az ajánlási pozíciókat, a forrásoldalakat és az AI-ból érkező forgalmat.

Miért nem garantálható egy ChatGPT- vagy Google AI-citáció?

Öt strukturális ok van rá – és ezek egyike sem múlik az ügynökség szakértelmén.

1. Az AI-válaszok dinamikusak

Ugyanarra a kérdésre eltérő időpontban, eltérő felhasználónak vagy kissé módosított prompt esetén más válasz születhet. Nincs egyetlen, rögzített „találati lista”, amelyet meg lehetne szerezni és meg lehetne tartani.

2. Az ügynökség nem irányítja az AI-modellt

A weboldalt, a tartalmat és a márka külső információs környezetét optimalizálhatjuk. A ChatGPT, a Google, a Gemini vagy a Perplexity belső kiválasztási logikája felett azonban nincs kontrollunk – ahogy a modellfrissítések ütemezése felett sem.

3. A forráskészlet folyamatosan változik

Nap mint nap új versenytársak, cikkek, hírek, értékelések, kutatások és weboldalak jelennek meg. Egy ma domináns forrás holnap háttérbe szorulhat egyszerűen azért, mert valaki frissebb vagy relevánsabb anyagot publikált.

4. A kérdés megfogalmazása módosítja a választ

Ez az egyik legalábbecsültebb tényező. Nézzük meg, mennyire eltérő információs feladat a következő három kérdés:

?„Melyik a legjobb SEO ügynökség?”

?„Melyik budapesti SEO ügynökség ért az AI-láthatósághoz?”

?„Melyik magyar ügynökség jó B2B GEO-ra?”

Ugyanaz a cég az egyik kérdésnél az első ajánlott szolgáltató lehet, a másiknál pedig egyáltalán nem jelenik meg. Ezért ad hamis biztonságérzetet egyetlen sikeres képernyőkép.

5. A platformok algoritmusai változnak

A ma idézett forrás holnap kieshet – anélkül, hogy a weboldalon bármi változott volna. Ez nem hiba a rendszerben; ez maga a rendszer működése.

◆ Kulcsmondat

A szolgáltató nem a citációt tudja garantálni, hanem azokat a feltételeket tudja javítani, amelyek növelik annak esélyét.

Mi az AI Citation Risk Management?

◆ Definíció

Az AI-citációs kockázatkezelés olyan mérési és optimalizálási folyamat, amely nem egy konkrét AI-hivatkozás garantálására törekszik, hanem annak valószínűségét növeli, hogy egy márka releváns, hiteles és idézhető forrásként jelenjen meg a generatív keresőrendszerek válaszaiban.

Ez a szemlélet azért hasznos, mert kezelhető részekre bontja a problémát. Négy alapvető kockázattípust érdemes megkülönböztetni – kattints rájuk a részletekért:

Láthatatlansági
kockázat

Citációs
kockázat

Reprezentációs
kockázat

Verseny-
kockázat

Kockázat 01

Láthatatlansági kockázat

A probléma: a márka egyáltalán nem jelenik meg a releváns AI-válaszokban. Sem említésként, sem forrásként, sem ajánlásként.

Tipikus ok: technikai hozzáférhetőségi hiba, entitás-egyértelműség hiánya, vagy egyszerűen az, hogy nincs olyan tartalom, amely az adott kérdésre válaszolna.

Kezelés: baseline audit, crawlolhatóság javítása, entitásjelek tisztázása, tartalmi hiányok pótlása.

Kockázat 02

Citációs kockázat

A probléma: a téma megjelenik, a márkát esetleg említik is – de a rendszer következetesen más forrásokat idéz. A látogatás és a hitelesség máshoz kerül.

Tipikus ok: a tartalom nem elég idézhető: hiányoznak a világos definíciók, adatok, táblázatok és önállóan is értelmes válaszblokkok.

Kezelés: idézhető tartalmi egységek kialakítása, saját adatok és kutatások publikálása, strukturált adatok.

Kockázat 03

Reprezentációs kockázat

A probléma: a márka megjelenik, de pontatlan információval. Rossz szolgáltatási kör, elavult árazás, téves lokáció vagy összekeverés egy hasonló nevű céggel.

Tipikus ok: ellentmondásos vagy elavult információk a weben, következetlen cégadatok, hiányzó hivatalos forrásoldalak.

Kezelés: egységes vállalati entitásadatok, naprakész „rólunk” és szolgáltatási oldalak, külső adatbázisok javítása.

Kockázat 04

Versenykockázat

A probléma: a rendszer rendszeresen konkurenseket ajánl ugyanazokra a vásárlási szándékú kérdésekre, amelyeknél a márkának is jelen kellene lennie.

Tipikus ok: a versenytársak erősebb külső bizonyítékkészlettel, több független említéssel vagy jobb tematikus lefedettséggel rendelkeznek.

Kezelés: digitális PR, összehasonlító tartalmak, tematikus autoritás építése, forrásautoritás növelése.

Az első lépés nem az optimalizálás, hanem az AI-láthatósági audit

A cégek leggyakoribb hibája, hogy azonnal tartalmat kezdenek gyártani. Ez érthető reakció – de kockázatkezelési szempontból értelmezhetetlen. Nem lehet kockázatot csökkenteni anélkül, hogy megmérnénk a kiinduló szintjét.

Egy baseline audit során a következőket kell feltárni:

Milyen kérdéseknél jelenik meg a márka

Mely platformokon jelenik meg

Milyen forrásokból dolgozik az AI

Milyen versenytársakkal együtt szerepel

Mely szolgáltatásokkal kapcsolják össze

Találunk-e téves állításokat

Mely saját oldalak kapnak citációkat

Hol vannak teljes lefedettségi rések

Enélkül minden későbbi „javulás” csak anekdota marad. Részletes módszertani kiindulópontként használható az AI-láthatósági audit technikai SEO-val, entitásvizsgálattal és AI-hivatkozásokkal, amely négy diagnosztikai rétegre bontja a vizsgálatot.

Módszertani sablon

AI-láthatósági audit: technikai hozzáférhetőség, entitások, tesztkérdések, citációk

→

Mit lehet ténylegesen optimalizálni?

Most fordítsuk pozitív irányba a képet. Attól, hogy a citáció nem garantálható, még rengeteg tényező teljes mértékben kontrollálható. Öt területen érdemes dolgozni.

1. Technikai hozzáférhetőség

Ez a belépő. Ha az AI-rendszerek nem férnek hozzá a tartalomhoz, a többi pillér nem számít.

Indexelhetőség

Crawlolhatóság (robots, OAI-SearchBot)

Belső linkstruktúra

Canonical kezelés

XML-webhelytérkép

Gyors betöltés, logikus URL-ek

2. Entitásegyértelműség

Az AI-nak minden kétséget kizáróan értenie kell öt dolgot: Ki vagy? Mit csinálsz? Hol működsz? Miben vagy szakértő? Mi bizonyítja ezt? Ha ezek bármelyike homályos, a rendszer inkább egy egyértelműbb versenytársat választ.

3. Idézhető tartalom

Az LLM-ek olyan tartalmi egységeket keresnek, amelyeket kontextusvesztés nélkül ki lehet emelni. Különösen jól működnek:

Világos, tömör definíciók

Táblázatok és statisztikák

Összehasonlítások

Nevesített módszertanok

Saját kutatási eredmények

Szakértői állítások

Gyakori kérdések

Lépésről lépésre útmutatók

4. Tematikus autoritás

Egyetlen „AI SEO” című cikk helyett komplett tudásklaszter építése szükséges. A generatív rendszerek nem egy oldalt, hanem egy témában való következetes jelenlétet jutalmaznak.

5. Külső bizonyítékok

PR-megjelenések, szakmai említések, hivatkozások, értékelések és független források erősítik a márka értelmezhetőségét. A saját állítás önmagában kevés bizonyíték.

Ezek a rétegek nem külön projektek. A technikai SEO, GEO és AEO gyakorlati rendszere éppen azt mutatja meg, hogyan épülnek egymásra.

Egymásra épülő rétegek

Technikai SEO, GEO és AEO gyakorlati rendszere

→

Garantált eredmény helyett garantálható folyamatot kell kérni

Ez a szemléletváltás alakítja át az egész beszerzési logikát. Egy professzionális ügynökség ne ezt ígérje:

„Garantáljuk, hogy bekerül a ChatGPT-be.”

Hanem konkrétan ezeket vállalja:

✓Meghatározott promptkészlet rendszeres tesztelése

✓Technikai hibák feltárása és javítása

✓Entitásjelek tisztázása és megerősítése

✓Tartalomhiányok feltérképezése

✓Citációs források elemzése

✓Versenytárselemzés promptonként

✓Havi vagy negyedéves újramérés

✓Változások dokumentálása és értelmezése

◆ Erős gondolat

A korrekt szolgáltatási garancia a végkimenetel helyett a módszertanra, a végrehajtásra és a mérésre vonatkozik.

Terület	Garancia-nyelv (kerülendő)	Folyamat-nyelv (helyes)
Megjelenés	„Bekerülsz a ChatGPT-be.”	100 prompt havi tesztelése, lefedettség növelése.
Idézettség	„Garantált citáció.”	Idézhető tartalmi egységek számának növelése.
Pontosság	„Az AI jól fog írni rólad.”	Reprezentációs hibák azonosítása és javítása.
Verseny	„Megelőzzük a konkurenciát.”	Ajánlási részesedés mérése 5 versenytárssal szemben.

Hogyan mérjük, hogy valóban javult-e az AI-láthatóság?

Ne egyetlen összevont „AI Visibility Score”-ra építsük a rendszert. Egy ilyen szám csak akkor értelmezhető, ha ismerjük a mögötte lévő módszertant – és akkor viszont már a részmutatók is elérhetők. Hat KPI-t érdemes külön követni:

KPI 01

Prompt-lefedettség

A vizsgált üzleti kérdések hány százalékában jelenik meg egyáltalán a márka? Ez az alapmutató, amelyhez minden más viszonyítható.

KPI 02

Márkaemlítési arány

A márkát tartalmazó válaszok aránya az összes tesztelt válaszhoz képest. Link nélküli említést is számol.

KPI 03

Citációs arány

Milyen gyakran jelenik meg a saját domain konkrét forrásként? Ez a legszorosabban kapcsolódik az átkattintásokhoz.

KPI 04

Versenytársi részesedés

Milyen arányban jelennek meg a fő konkurensek ugyanazokra a kérdésekre? Relatív pozíciót mutat, nem abszolút számot.

KPI 05

Reprezentációs pontosság

Az AI helyesen írja-e le a szolgáltatásokat, a piacot, a lokációt és a szakértelmet? A hibás megjelenés rosszabb lehet, mint a hiány.

KPI 06

AI referral forgalom

Mekkora tényleges látogatás érkezik AI-rendszerekből? Ez köti össze a láthatóságot a mérhető üzleti hatással.

A lényeg ne az legyen, hogy „megjelentünk-e egyszer a ChatGPT-ben?” Hanem: „növekszik-e tartósan az AI-rendszereken belüli részesedésünk a számunkra üzletileg fontos kérdésekben?”

A kockázatkezelési modell: valószínűség × üzleti jelentőség

Nem minden prompt egyformán fontos. Egy egyszerű keretrendszer segít eldönteni, hol kezdjük a munkát:

◆ Prioritási képlet

AI-citációs prioritás = üzleti érték × kimaradási kockázat

Nézzük a különbséget a gyakorlatban:

?„Mit jelent a SEO?”Alacsony

?„Hogyan működik a keresőoptimalizálás?”Alacsony

?„Melyik AI SEO ügynökséget válasszam Budapesten?”Magas

?„Kitől rendeljek AI-láthatósági auditot?”Magas

A magas vásárlási szándékú kérdéseknél sokkal nagyobb üzleti probléma, ha a konkurens jelenik meg helyettünk. Ezért a promptlistát hat kategóriába érdemes rendezni:

1. Információs kérdések – „Mit jelent…?” típusú definíciós keresés
2. Problématudatos kérdések – „Miért nem működik nálam…?”
3. Összehasonlító kérdések – „Melyik jobb: A vagy B?”
4. Szolgáltatókeresések – „Milyen cégek foglalkoznak ezzel?”
5. Ajánláskérések – „Kit ajánlanál erre?”
6. Vásárlás előtti kérdések – „Megéri megrendelni tőlük?”

Elsőként a 4–6. kategória láthatósági problémáit érdemes kezelni. Próbáld ki a kalkulátorral, hogyan alakul egy prompt prioritása:

Prompt-prioritás kalkulátor

Állítsd be egy konkrét kérdés két paraméterét, és nézd meg, mennyire sürgős vele foglalkozni.

Üzleti érték (mennyire közel van a vásárláshoz?) 5

Kimaradási kockázat (mennyire nem jelensz meg most?) 5

Közepes prioritás Érdemes betervezni, de nem ez az első lépés. Előbb a magasabb pontszámú, vásárlási szándékú kérdéseket kezeld.

Nemzetközi cégeknél a citációs kockázat nyelvenként változik

Egy vállalat angol nyelven lehet erős, jól felismert AI-entitás, miközben magyar kereséseknél gyakorlatilag láthatatlan. Ez nem elméleti probléma: a magyar nyelvű forráskészlet lényegesen kisebb, így kevesebb megerősítő jel áll a modellek rendelkezésére.

A lokalizáció ezért nem puszta fordítás. Külön kell vizsgálni:

Magyar nyelvű promptokat

Angol nyelvű promptokat

Helyi versenytársakat

Ország- és városszintű entitásjeleket

Nyelvenkénti forrásautoritást

Piaconként eltérő keresési szándékot

Ez egyszerre nehézség és lehetőség: a kisebb magyar forráskészlet miatt lényegesen kevesebb erőfeszítéssel lehet dominánssá válni egy-egy témakörben. A gyakorlati felépítéshez jó kiindulópont a magyar és angol AI-láthatósági tartalomarchitektúra, amely külön keresési ökoszisztémaként kezeli a nyelvi piacokat.

Többnyelvű működés

Magyar és angol AI-láthatósági tartalomarchitektúra

→

Milyen állítás legyen figyelmeztető jel egy ügynökségnél?

Ha az alábbi mondatok bármelyike elhangzik, érdemes bizonyítékot kérni – vagy továbblépni.

„Garantáljuk az első helyet a ChatGPT-ben.”

Nincs stabil „első hely”, amit meg lehetne szerezni és megtartani.

„Biztosan bekerülsz a Google AI Overview-ba.”

A Google saját dokumentációja szerint sem garantálható a megjelenés.

„30 napon belül minden AI ajánlani fog.”

Az entitás- és tekintélyépítés hónapokban mérhető folyamat.

„Van módszerünk az LLM-ek manipulálására.”

Ha létezne, nem hirdetnék – és nem működne sokáig.

„Minden cikkünk bekerül az AI-válaszokba.”

A publikálás és az idézettség között nincs automatikus összefüggés.

„Nincs szükség technikai SEO-ra.”

A hozzáférhetőség nélkül a legjobb tartalom is láthatatlan marad.

Ehelyett olyan szolgáltatót keress, aki nyíltan beszél bizonytalanságról, mérésről, baseline-ról, promptmintáról, versenytársakról, technikai SEO-ról, entitásokról, forrásautoritásról és rendszeres újramérésről. Ez a nyelvezet nem bizonytalanságot jelez – hanem szakmai érettséget.

Összegzés – Az AI-láthatóság nem garantálható, de menedzselhető

Az AI-citáció nem olyan digitális eszköz, amelyet egy vállalkozás közvetlenül birtokolhat vagy megvásárolhat. Nem domainnév, nem hirdetési pozíció, nem szerződéssel biztosítható hely.

Viszont tudatosan, mérhetően és következetesen növelhető annak valószínűsége, hogy a vállalat megjelenjen, megfelelő kontextusban jelenjen meg, hiteles forrásként jelenjen meg, citációt kapjon – és végül ajánlható entitássá váljon.

Ez az AI Citation Risk Management lényege. A cél tehát ne egy egyszeri ChatGPT-képernyőkép legyen, hanem tartósan növekvő jelenlét az üzletileg fontos AI-válaszokban – ehhez pedig egységes AI-láthatóság és keresőoptimalizálás szemlélet szükséges.

Ne azt kérdezd, hogy garantálható-e. Azt kérdezd, hol maradsz ki.

Nem azt érdemes megkérdezni, hogy „garantálható-e egy ChatGPT-citáció?”, hanem azt, hogy jelenleg milyen kérdésekből marad ki a márkád, miért marad ki, és mely tényezők javításával növelhető a megjelenés valószínűsége.

AI SEO és AI-láthatósági stratégia →

Gyakori kérdések

Mi az AI-citációs kockázatkezelés?

Olyan mérési és optimalizálási folyamat, amely nem egy konkrét AI-hivatkozás garantálására törekszik, hanem annak valószínűségét növeli, hogy egy márka releváns, hiteles és idézhető forrásként jelenjen meg a generatív keresőrendszerek válaszaiban. Négy kockázattípust kezel: láthatatlansági, citációs, reprezentációs és versenykockázatot.

Garantálható egy ChatGPT- vagy Google AI-citáció?

Nem. Az AI-válaszok dinamikusak, a forráskészlet folyamatosan változik, a promptok megfogalmazása módosítja a kimenetet, és a platformok algoritmusai is változnak. Egy szolgáltató a feltételeket tudja javítani – a kiválasztást nem tudja garantálni.

Mi a különbség az AI-láthatóság, az AI-citáció és az AI-ajánlás között?

Az AI-láthatóság a legtágabb fogalom: bármilyen megjelenés a generatív válaszokban. Az AI-citáció konkrét forráshivatkozást jelent egy megjelölt URL-lel. Az AI-ajánlás pedig azt, hogy a rendszer aktívan érvel a márka mellett. A három üzleti értéke eltérő, ezért külön kell mérni őket.

Mely KPI-okkal mérhető az AI-láthatóság javulása?

Hat mutatóval: prompt-lefedettség, márkaemlítési arány, citációs arány, versenytársi részesedés, reprezentációs pontosság és AI referral forgalom. Ezek együtt adnak értelmezhető képet – egyetlen összevont pontszám önmagában félrevezető lehet.

Melyik promptokkal érdemes kezdeni az optimalizálást?

A vásárlási szándékhoz legközelebb álló kategóriákkal: szolgáltatókeresésekkel, ajánláskérésekkel és vásárlás előtti kérdésekkel. Itt a legnagyobb az üzleti veszteség, ha a konkurens jelenik meg helyettünk. Az általános információs kérdések ráérnek később.

Elég egyszer elvégezni az AI-láthatósági mérést?

Nem. Mivel a modellek, a versenytársak és a webes forráskészlet is folyamatosan változik, a mérést azonos módszertannal, rendszeresen (havonta vagy negyedévente) meg kell ismételni. Enélkül nem trendet, csak pillanatképet látunk.

``` **Amit ez a verzió tartalmaz:** | Elem | Részlet | |---|---| | **Színvilág** | Prémium fekete–arany (OnlineMarketing101 séma), animált gradiens H1, arany glow, üvegkártyák | | **Fő interaktív elem #1** | **Kockázati mátrix füles nézettel** – 4 kockázattípus (láthatatlansági, citációs, reprezentációs, verseny), mindegyikhez probléma / ok / kezelés bontás | | **Fő interaktív elem #2** | **Prompt-prioritás kalkulátor** – két csúszkával (üzleti érték × kimaradási kockázat), élő pontszámmal és 4 szintű szöveges kiértékeléssel | | **További interakciók** | FAQ-harmonika (6 kérdés), scroll-reveal, hover-effektes KPI- és citációtípus-kártyák, animált háttér-orbok | | **Kiemelt AI-idézhető definíció** | Külön designolt `def-box` a megadott 40–60 szavas definícióval + `DefinedTerm` schema | | **Belső linkek (5 db, eltérő anchorral)** | AI SEO és modern keresőoptimalizálás · AI-láthatósági audit sablon · technikai SEO/GEO/AEO rendszer · többnyelvű tartalomarchitektúra · AI-láthatóság és keresőoptimalizálás (záró) | | **SEO/AEO** | Article + DefinedTerm + FAQPage JSON-LD, prioritási képlet kiemelt blokkban, összehasonlító táblázat | | **Terjedelem** | ~2100 szó magyar törzsszöveg + GYIK |

AI Citation Risk Management: Why Visibility Cannot Be Guaranteed, but Can Be Significantly Improved

onlinemarketing101 — Sun, 23 Aug 2026 20:54:32 +0000

AI Citation Risk Management: Why Visibility Cannot Be Guaranteed but Can Be Improved

Strategic Framework · 2026

AI Citation Risk Management: Why Visibility Cannot Be Guaranteed, but Can Be Significantly Improved

Can anyone guarantee that ChatGPT, Google AI or Perplexity will cite a company? No — but AI visibility can be measured and consciously improved. In this guide, we introduce a complete risk-management framework with metrics and a prioritization model.

★ January 2026 Reading time: approx. 11 minutes AI citation risk management

◆ Main Claim of the Article

No credible AI SEO or GEO provider can guarantee a specific ChatGPT, Gemini, Perplexity or Google AI citation. However, the probability of visibility can be significantly improved through the right technical, content, entity and reputation-building work.

More and more companies are facing the same contradiction. They want to appear in ChatGPT, Google AI Overviews, Gemini and Perplexity answers — while there is no stable “first place” in these systems that an agency can buy or guarantee.

At first glance, this situation feels frustrating. In reality, it simply means that we are approaching the problem with the wrong mental model. AI visibility should not be treated as a “guaranteed SEO product,” but as a risk-management and probability-optimization task — roughly the way a CFO manages market risk: not by eliminating it, but by measuring, prioritizing and reducing it.

To do this, search work must be understood as one integrated system. AI SEO and modern search engine optimization now means managing classic SEO, AEO, GEO and LLM visibility together.

What does AI citation really mean?
Why can an AI citation not be guaranteed?
What is AI Citation Risk Management?
The first step: AI visibility audit
What can actually be optimized?
Instead of a guaranteed outcome, ask for a guaranteed process
How do we measure improvement?
Prioritization model: value × risk
Citation risk changes by language
Warning signs in agency proposals

What does AI citation really mean?

Before managing risk, we need to clarify exactly what we want to achieve. “AI appearance” covers at least four sharply different things — and these also need to be measured separately.

Brand mention

AI names the company in its answer, but does not necessarily include a clickable link. This is still valuable commercially because it builds brand awareness and trust.

Source citation

A specific page or article is shown as a named source. This is the most tangible form because it can also generate measurable click-through traffic.

Recommendation

AI actively argues in favor of a product, provider or expert. This is the highest-value form of visibility because it directly influences decisions.

Informational use

AI uses information found on a website without visibly displaying the source. It is difficult to measure, but it still shapes the perception of the brand.

Important principle: AI visibility ≠ AI citation ≠ AI recommendation. If we blur these concepts together, we cannot set meaningful goals or measure results properly. Measurement must therefore separately track brand mentions, links, recommendation positions, source pages and traffic from AI systems.

Why can a ChatGPT or Google AI citation not be guaranteed?

There are five structural reasons — and none of them depends on the agency’s expertise.

1. AI answers are dynamic

The same question may produce a different answer at a different time, for a different user, or after a slightly modified prompt. There is no single fixed “results list” that can be captured and held.

2. The agency does not control the AI model

We can optimize the website, the content and the brand’s external information environment. But we have no control over the internal selection logic of ChatGPT, Google, Gemini or Perplexity — nor over model-update cycles.

3. The source set changes continuously

Every day, new competitors, articles, news items, reviews, research materials and websites appear. A dominant source today may be pushed into the background tomorrow simply because someone published something fresher or more relevant.

4. The wording of the question changes the answer

This is one of the most underestimated factors. Look at how different the information task becomes across these three questions:

?“Which is the best SEO agency?”

?“Which Budapest SEO agency understands AI visibility?”

?“Which Hungarian agency is good at B2B GEO?”

The same company may be the first recommended provider for one question and may not appear at all for another. This is why a single successful screenshot creates a false sense of security.

5. Platform algorithms change

A source cited today may disappear tomorrow — even if nothing changed on the website. This is not a flaw in the system; this is how the system works.

◆ Key Sentence

The provider cannot guarantee the citation itself; it can improve the conditions that increase its likelihood.

What is AI Citation Risk Management?

◆ Definition

AI citation risk management is a measurement and optimization process that does not aim to guarantee a specific AI reference, but instead increases the probability that a brand appears as a relevant, credible and citable source in generative search-system answers.

This perspective is useful because it breaks the problem into manageable parts. Four basic risk types should be distinguished — click through them for details:

Invisibility
Risk

Citation
Risk

Representation
Risk

Competitive
Risk

Risk 01

Invisibility risk

The problem: the brand does not appear in relevant AI answers at all. Not as a mention, not as a source, and not as a recommendation.

Typical cause: a technical accessibility issue, lack of entity clarity, or simply the absence of content that answers the given question.

Treatment: baseline audit, improving crawlability, clarifying entity signals and filling content gaps.

Risk 02

Citation risk

The problem: the topic appears, and the brand may even be mentioned — but the system consistently cites other sources. The traffic and credibility go elsewhere.

Typical cause: the content is not citable enough: it lacks clear definitions, data, tables and self-contained answer blocks.

Treatment: creating citable content units, publishing proprietary data and research, and implementing structured data.

Risk 03

Representation risk

The problem: the brand appears, but with inaccurate information. Wrong service scope, outdated pricing, incorrect location or confusion with a similarly named company.

Typical cause: contradictory or outdated information on the web, inconsistent company data, missing official source pages.

Treatment: unified company entity data, up-to-date “about” and service pages, and correction of external databases.

Risk 04

Competitive risk

The problem: the system regularly recommends competitors for the same buyer-intent questions where the brand should also be present.

Typical cause: competitors have stronger external proof, more independent mentions or better topical coverage.

Treatment: digital PR, comparison content, building topical authority and increasing source authority.

The first step is not optimization, but an AI visibility audit

The most common mistake companies make is immediately starting to produce content. This is an understandable reaction — but from a risk-management perspective, it makes no sense. You cannot reduce risk without measuring the baseline first.

A baseline audit should uncover the following:

Which questions the brand appears for

Which platforms it appears on

Which sources AI systems use

Which competitors appear alongside it

Which services it is associated with

Whether inaccurate claims appear

Which owned pages receive citations

Where full coverage gaps exist

Without this, every later “improvement” remains anecdotal. A useful methodological starting point is the AI visibility audit with technical SEO, entity analysis and AI references, which breaks the assessment into four diagnostic layers.

Methodology Template

AI visibility audit: technical accessibility, entities, test questions and citations

→

What can actually be optimized?

Now let’s turn the picture in a positive direction. Just because a citation cannot be guaranteed does not mean that many factors are not fully controllable. There are five areas worth working on.

1. Technical accessibility

This is the entry requirement. If AI systems cannot access the content, the other pillars do not matter.

Indexability

Crawlability — robots, OAI-SearchBot

Internal link structure

Canonical handling

XML sitemap

Fast loading and logical URLs

2. Entity clarity

AI must understand five things without ambiguity: Who are you? What do you do? Where do you operate? What are you an expert in? What proves this? If any of these is unclear, the system is more likely to choose a clearer competitor.

3. Citable content

LLMs look for content units that can be extracted without losing context. The following work especially well:

Clear, concise definitions

Tables and statistics

Comparisons

Named methodologies

Proprietary research results

Expert claims

Frequently asked questions

Step-by-step guides

4. Topical authority

Instead of a single article titled “AI SEO,” a complete knowledge cluster is needed. Generative systems reward not one page, but a consistent presence within a topic.

5. External proof

PR appearances, professional mentions, references, reviews and independent sources strengthen brand interpretability. Your own claims are not enough evidence by themselves.

These layers are not separate projects. The practical system of technical SEO, GEO and AEO shows precisely how they build on one another.

Layered System

The practical system of technical SEO, GEO and AEO

→

Instead of a guaranteed outcome, ask for a guaranteed process

This shift in perspective changes the entire procurement logic. A professional agency should not promise this:

“We guarantee you will appear in ChatGPT.”

Instead, it should commit specifically to these:

✓Regular testing of a defined prompt set

✓Identifying and fixing technical errors

✓Clarifying and strengthening entity signals

✓Mapping content gaps

✓Analyzing citation sources

✓Competitor analysis by prompt

✓Monthly or quarterly remeasurement

✓Documenting and interpreting changes

◆ Strong Idea

A correct service guarantee applies to methodology, execution and measurement instead of the final outcome.

Area	Guarantee Language — Avoid	Process Language — Correct
Appearance	“You will appear in ChatGPT.”	Monthly testing of 100 prompts and increasing coverage.
Citation	“Guaranteed citation.”	Increasing the number of citable content units.
Accuracy	“AI will describe you correctly.”	Identifying and fixing representation errors.
Competition	“We will outrank the competition.”	Measuring recommendation share against 5 competitors.

How do we measure whether AI visibility has actually improved?

Do not build the system on one combined “AI Visibility Score.” Such a number is only meaningful if we know the methodology behind it — and at that point, the component metrics are available anyway. Six KPIs should be tracked separately:

KPI 01

Prompt coverage

In what percentage of the examined business questions does the brand appear at all? This is the baseline metric to which all others can be compared.

KPI 02

Brand mention rate

The share of answers that contain the brand compared with all tested answers. Linkless mentions should also be counted.

KPI 03

Citation rate

How often does the owned domain appear as a specific source? This is the metric most directly connected to click-throughs.

KPI 04

Competitor share

How often do main competitors appear for the same questions? This shows relative position, not just an absolute number.

KPI 05

Representation accuracy

Does AI correctly describe the services, market, location and expertise? An incorrect appearance can be worse than no appearance.

KPI 06

AI referral traffic

How much actual traffic comes from AI systems? This connects visibility to measurable business impact.

The key question should not be: “Did we appear once in ChatGPT?” It should be: “Is our share inside AI systems steadily growing for the questions that matter commercially?”

The risk-management model: probability × business importance

Not every prompt is equally important. A simple framework helps decide where to start:

◆ Priority Formula

AI citation priority = business value × omission risk

Here is how the difference looks in practice:

?“What does SEO mean?”Low

?“How does search engine optimization work?”Low

?“Which AI SEO agency should I choose in Budapest?”High

?“Who should I order an AI visibility audit from?”High

For high buyer-intent questions, it is a much larger business problem if a competitor appears instead of us. That is why the prompt list should be organized into six categories:

1. Informational questions — “What does… mean?” type definition searches
2. Problem-aware questions — “Why does this not work for me…?”
3. Comparative questions — “Which is better: A or B?”
4. Provider searches — “Which companies do this?”
5. Recommendation requests — “Who would you recommend for this?”
6. Pre-purchase questions — “Is it worth ordering from them?”

The visibility problems in categories 4–6 should be handled first. Try the calculator to see how the priority of a prompt changes:

Prompt Priority Calculator

Adjust two parameters for a specific question and see how urgent it is to address it.

Business value — how close is it to purchase? 5

Omission risk — how much are you missing now? 5

Medium priority Worth scheduling, but not the first step. Handle higher-scoring, buyer-intent questions first.

For international companies, citation risk changes by language

A company can be a strong, well-recognized AI entity in English while remaining practically invisible in Hungarian searches. This is not a theoretical problem: the Hungarian-language source set is significantly smaller, so models have fewer reinforcing signals available.

Localization is therefore not mere translation. You need to examine separately:

Hungarian-language prompts

English-language prompts

Local competitors

Country- and city-level entity signals

Source authority by language

Market-specific search intent

This is both a difficulty and an opportunity: because the Hungarian source set is smaller, it can require significantly less effort to become dominant in a specific topic area. A useful practical starting point is the Hungarian and English AI visibility content architecture, which treats language markets as separate search ecosystems.

Multilingual Operation

Hungarian and English AI visibility content architecture

→

Which claims should be warning signs in an agency proposal?

If any of the following sentences appear, ask for evidence — or move on.

“We guarantee first place in ChatGPT.”

There is no stable “first place” that can be captured and kept.

“You will definitely be included in Google AI Overview.”

Even Google’s own documentation does not guarantee appearance.

“Within 30 days, every AI will recommend you.”

Entity and authority building is a process measured in months.

“We have a method to manipulate LLMs.”

If it existed, they would not advertise it — and it would not work for long.

“Every article we publish will appear in AI answers.”

There is no automatic relationship between publishing and citation.

“Technical SEO is not needed.”

Without accessibility, even the best content remains invisible.

Instead, look for a provider that speaks openly about uncertainty, measurement, baseline data, prompt samples, competitors, technical SEO, entities, source authority and regular remeasurement. This language does not signal weakness — it signals professional maturity.

Summary — AI visibility cannot be guaranteed, but it can be managed

An AI citation is not a digital asset that a company can directly own or buy. It is not a domain name, not an advertising position, and not a contractually secured placement.

However, the probability that a company appears, appears in the right context, appears as a credible source, receives citations and eventually becomes a recommendable entity can be increased consciously, measurably and consistently.

This is the essence of AI Citation Risk Management. The goal should therefore not be a one-off ChatGPT screenshot, but a sustainably growing presence in commercially important AI answers — and this requires an integrated AI visibility and search engine optimization mindset.

Do not ask whether it can be guaranteed. Ask where you are currently missing.

The right question is not “Can a ChatGPT citation be guaranteed?” The right question is: which questions is your brand currently missing from, why is it missing, and which factors can be improved to increase the probability of appearing?

AI SEO and AI Visibility Strategy →

Frequently Asked Questions

What is AI citation risk management?

It is a measurement and optimization process that does not aim to guarantee a specific AI reference, but instead increases the probability that a brand appears as a relevant, credible and citable source in generative search-system answers. It manages four risk types: invisibility, citation, representation and competitive risk.

Can a ChatGPT or Google AI citation be guaranteed?

No. AI answers are dynamic, the source set changes continuously, prompt wording modifies the output, and platform algorithms also change. A provider can improve the conditions — but cannot guarantee the selection.

What is the difference between AI visibility, AI citation and AI recommendation?

AI visibility is the broadest concept: any appearance in generative answers. AI citation means a specific source reference with a named URL. AI recommendation means that the system actively argues in favor of the brand. The business value of the three differs, so they must be measured separately.

Which KPIs can measure AI visibility improvement?

Six metrics: prompt coverage, brand mention rate, citation rate, competitor share, representation accuracy and AI referral traffic. Together, they provide an interpretable picture — a single combined score can be misleading on its own.

Which prompts should optimization start with?

Start with the categories closest to buying intent: provider searches, recommendation requests and pre-purchase questions. This is where the largest business loss occurs if competitors appear instead of you. General informational questions can come later.

Is it enough to measure AI visibility once?

No. Because models, competitors and the web source set all change continuously, measurement must be repeated regularly using the same methodology — monthly or quarterly. Without this, you see only a snapshot, not a trend.

AI Visibility Pricing in 2026:Audit, Strategy, Implementation and Monthly Monitoring

onlinemarketing101 — Fri, 21 Aug 2026 21:59:00 +0000

AI Visibility Pricing in 2026: Audit, Strategy, Implementation and Monthly Monitoring

Premium Guide 2026

AI Visibility Pricing in 2026:
Audit, Strategy, Implementation and Monthly Monitoring

★ January 2026 Approx. 10 minutes AI visibility pricing

◆ Main Idea

AI visibility is not one single service. Pricing is primarily determined by the depth and scope of the work. There are four clearly separable cost elements: audit → strategy → implementation → continuous measurement. Proposals should not be compared only by monthly fee.

Two providers may both offer “AI SEO” or “GEO” services, while one is actually only producing a monthly report and the other is also doing technical SEO, entity building, content development, AI citation tracking and digital PR.

Practical Guide to How AI SEO, GEO and AEO Work

→

Why is there no single AI SEO, GEO or AEO price?
AI visibility audit — first, find out where the brand stands
AI SEO and GEO strategy — turning diagnosis into an action plan
Implementation — this is usually where the largest cost appears
Monthly AI visibility monitoring
Which pricing model is best?
What makes an AI visibility project more expensive or cheaper?
How should you compare two proposals?
Is AI visibility a cost or an investment?

Why is there no single AI SEO, GEO or AEO price?

„`

Behind an “AI SEO package,” completely different types of work may be included. Pricing is influenced by many factors:

Factors that influence pricing:

Website size
Number of target markets
Number of languages
Strength of competition
Number of AI systems examined
Number of tested buyer questions
Required technical SEO work
Amount of content to be created
Current state of structured data and entity signals
Digital PR and external source strengthening
Monitoring frequency

★ Important: Do not ask first, “How much does AI SEO cost?” Ask instead: exactly what work does the proposal include?

This is especially important in 2026 because publicly available international GEO offers show huge price differences as well: you can find audits for a few hundred euros and monthly programs costing several thousand dollars.

„`

AI visibility audit — first, find out where the brand stands

„`

What does a real AI visibility audit examine?

✓

Technical crawlability

✓

Indexability

✓

Structured data

✓

Brand and entity clarity

✓

Content gaps

✓

ChatGPT, Gemini and Perplexity appearances

✓

Buyer test questions

✓

Competitor appearances

✓

Citations and source pages

✓

Inaccurate brand appearances

✓

Priority list

Detailed AI Visibility Audit Methodology and Template

→

Why is the audit a one-off fee?

The audit is primarily a diagnosis, not continuous implementation. A cheap audit is expensive if it only delivers an automatically generated PDF. A good audit is valuable when it shows what needs to be fixed first and why.

The audit material separates four diagnostic layers:

Technical accessibility
Entity clarity
Test questions
Citations

„`

AI SEO and GEO strategy — diagnosis becomes an action plan

„`

The audit tells you what the problem is. The strategy tells you what to do about it.

The strategic phase may include:

Planning

Target market definition
Buyer question set
Keyword and entity research
Competitor map
Topic clusters
Content gap analysis

Plan

Priority order
Service-page improvement plan
AEO answer structure
GEO content strategy
Internal linking structure
External credibility and PR plan

Measurement framework: The strategy also includes defining KPIs, measurement methods and a 90-day implementation plan.

How to Build a Search Engine Optimization Strategy

→

How On-Page and Off-Page SEO Work in Practice

→

Key message: GEO and AEO do not replace SEO. Technical SEO, content, brand entities and answer-optimized structure for AI responses form one system together.

„`

Implementation — this is usually where the largest cost appears

„`

A strategy document can be created relatively quickly, but real visibility requires changing both the website and the brand signals found across the internet.

Technical implementation

Fixing indexing problems
Internal link structure
Speed optimization
Structured data
Schema markup
Author and company entities
URL structure
Improving old content

Content implementation

Rewriting service pages
Question-and-answer blocks
Definitions and explanations
Comparison pages
Expert articles
Case studies
Author pages
Topic clusters

Entity and authority building

Consistent company data
Author credibility
Third-party mentions
Professional PR
Relevant links
External sources

Multilingual layer

Different searches
Different questions
Different competitors
Different proof
Different content
Different AI answers

How Can Artificial Intelligence Be Used to Improve SEO?

→

Multilingual AI Visibility Strategy

→

Important: A Hungarian and English system is not simple translation. Searches, questions, competitors, proof, content and AI answers may all differ by language.

„`

Monthly AI visibility monitoring — why does the work not end?

„`

Many people think, “We optimize once for ChatGPT, and we are done.” This is a misconception.

What should be tracked monthly?

Brand appearances

AI citations

URLs cited by AI

Competitors

Results of test questions

Organic traffic

Traffic from AI systems

Branded searches

Leads and conversions

New content opportunities

Important distinction: Monitoring is not the same as a monthly PDF report. Good monitoring leads to action: measurement → interpretation → modification → retesting.

„`

Which AI visibility pricing model is best?

„`

Model	Best for	Limitation
One-off audit	Assessing the starting point	Does not implement the fixes
One-off strategy	Creating an action plan	Limited without implementation
Project-based implementation	Solving specific problems	Does not follow continuous changes
Monthly retainer collaboration	Continuous improvement	Requires an exact task list
Hybrid model	Audit + project + monitoring	More complex contract

Recommended conclusion: For most serious projects, the most logical model is:

Audit →
Strategy →
90-day implementation →
Continuous monitoring

„`

What makes an AI visibility project more expensive or cheaper?

„`

Price-increasing factors

Large website
Ecommerce store
Multiple countries
Multiple languages
Strong competition
Many services
Many technical problems
Significant content production
Serious digital PR
Large prompt set
Monitoring multiple AI platforms

Price-reducing factors

Good technical foundation
Strong existing content
Clear brand positioning
Few target markets
One language
Good internal team
Existing expert materials already available

„`

How should you compare two AI SEO or GEO proposals?

„`

Do not start with the final price. Ask seven better questions instead:

Exactly what do they audit?
How many AI systems do they examine?
How many business questions do they track?
Who creates and who implements the strategy?
Is content creation included in the price?
Is external authority building included?
What business result do they measure?

The best proposal is not necessarily the cheapest or the most expensive one, but the one that makes it clear what problem it wants to solve and what work will be done to solve it.

„`

Is AI visibility a cost or an investment?

„`

Do not only measure this:

how many articles were created
how many keywords improved
how many AI mentions appeared

Measure this instead:

AI visibility → relevant visit → brand trust → lead → proposal request → revenue

Conversion Optimization and Customer Acquisition in 2026

→

„`

Not sure whether your business needs an audit, a full AI SEO strategy or an ongoing GEO/AEO collaboration?

The first step is not choosing a pre-made package, but assessing your current visibility.

Request an AI Visibility Assessment →

Frequently Asked Questions

„`

What is an AI visibility audit?

An AI visibility audit is a comprehensive diagnosis that maps how a company currently appears in the answers of ChatGPT, Gemini, Perplexity and other AI systems. It examines technical accessibility, entity clarity, content gaps, citations and competitor positions.

How much does an AI SEO audit cost?

The price of an AI SEO audit depends on the size of the website, the number of AI platforms examined and the depth of the analysis. For a smaller website, it typically costs a few hundred thousand forints, while a larger, more complex project may fall into a higher category.

What is the difference between GEO and AEO?

GEO — Generative Engine Optimization — focuses on appearance and citability inside generative AI systems. AEO — Answer Engine Optimization — focuses on usability inside direct answers. Both are parts of modern search visibility, but they use different methods.

Can a ChatGPT appearance be guaranteed?

No. A provider can improve the conditions for brand findability and citability, but cannot guarantee a specific answer from an independent AI system. Professional work increases the probability of appearance, but it does not guarantee it.

How long does AI SEO take to produce results?

The first technical and content changes may be measurable within 2–3 months. Building stronger AI visibility and authority typically requires 6–12 months of continuous work. Durable results require a long-term investment.

How can the ROI of AI visibility be measured?

The ROI of AI visibility can be measured by analyzing AI Share of Voice, AI citations, AI referral traffic, branded searches, lead generation and conversions together. It is also important to account for AI-assisted conversions.

„`

Keresőoptimalizálás Budapest: gyakorlati útmutató, amit tényleg végig tudsz csinálni

onlinemarketing101 — Thu, 20 Aug 2026 21:59:00 +0000

Keresőoptimalizálás Budapest: gyakorlati útmutató, amit tényleg végig tudsz csinálni

OnlineMarketing101 · Budapesti SEO & AI-láthatóság

Keresőoptimalizálás Budapest: gyakorlati útmutató, amit tényleg végig tudsz csinálni

Beírod a Google-be, hogy „keresőoptimalizálás Budapest”, és pillanatok alatt kapsz egy rakás ügynökséget, útmutatót, árlistát és nagy ígéretet. Ettől viszont még nem lesz világos, mit kellene csinálnod a saját weboldaladdal hétfő reggel.

Ügynökség OnlineMarketing101 Fókusz Gyakorlati SEO · Budapest Olvasás ~11 min

Ez a cikk ezért nem misztifikálja a SEO-t. Végigmegyünk azon, hogyan érdemes felépítened egy budapesti vállalkozás keresőoptimalizálását a nulladik lépéstől a mérésig.

Ha az alapfogalmakat szeretnéd először rendbe tenni, kezdd a keresőoptimalizálás alapjaival, aztán térj vissza ehhez a gyakorlati tervhez.

Ez nem elméleti cikk. Ez a cikk arról szól, mit csinálsz hétfő reggel, ha komolyan Gondolkodsz a budapesti keresőoptimalizáláson.

01 Ne a kulcsszóval kezdj, hanem azzal, hogy mit akar az ember Keresési szándék · Kezdet

A klasszikus hiba így néz ki: találsz egy kulcsszót, amelynek nagy a keresési volumene, írsz rá egy hosszú cikket, majd várod a csodát.

A probléma

Két ember ugyanazt a témát teljesen más céllal keresheti. Aki azt írja be, hogy „SEO jelentése”, tanulni akar. Aki azt keresi, hogy „SEO ügynökség Budapest”, valószínűleg szolgáltatót választ. Aki „keresőoptimalizálás árak” kifejezést használ, már a döntés közelében van.

Írj össze húsz-harminc valódi kérdést, amit az ügyfeleid feltesznek. Ezután csoportosítsd őket:

Információs — „SEO jelentése”, „mi az a keresőoptimalizálás”
Problémamegoldás — „weboldalam nem jelenik meg a Googlen”, „SEO miért nem működik”
Összehasonlító — „SEO ügynökség versus saját munka”, „melyik a legjobb SEO agent Budapesten”
Vásárlási szándékú — „SEO ügynökség Budapest”, „keresőoptimalizálás árak”

Ebből már ki fog rajzolódni, milyen szolgáltatási oldalakra és milyen támogató cikkekre van szükséged.

Ha sok kulcsszóval dolgozol, ne próbáld mindegyiket külön oldalra erőltetni. Az AI kulcsszóklaszterezés abban segít, hogy egy téma köré logikus tartalomhálót építs, és elkerüld, hogy a saját oldalaid egymás ellen versenyezzenek.

Kulcsszó-kannibalizáció elkerülése · Témaklaszter építés · AI-alapú csoportosítás

02 Ellenőrizd, hogy a Google egyáltalán rendesen lát-e Technikai SEO · Audit

Mielőtt új tartalmat gyártasz, nézd meg a technikai alapokat. Sok weboldal azért nem teljesít jól, mert a legfontosabb oldalai lassúak, árva oldalak, rosszul vannak indexelve vagy egyszerűen nincs logikus út hozzájuk.

Kezdésnek használd a Google Search Console-t. Nézd meg:

Mely oldalak vannak indexelve
Vannak-e feltérképezési hibák
Milyen lekérdezésekre jelenik meg az oldalad
Melyik oldalon van sok megjelenés, de kevés kattintás

Utána jöhet egy crawl Screaming Froggal vagy más technikai SEO eszközzel. Ellenőrizd a 404-es hibákat, átirányítási láncokat, title elemeket, meta leírásokat, H1-eket, canonical címkéket és a belső linkeket.

PageSpeed Insights segítségével nézd meg a legfontosabb oldalak sebességét és felhasználói élményét.

AI felhasználása itt

Az AI-t itt ne varázspálcaként használd. Sokkal jobb értelmezőként. Az AI és SEO gyakorlati útmutató jól mutatja, hogyan tudod egy hosszú hibalistából priorizált feladatlistát készíteni.

Az a jó audit, amelyik megmondja, mit érdemes először javítanod.

Egy kritikus indexelési hiba fontosabb lehet húsz apró metaeltérésnél. Egy lassú, de sok bevételt termelő szolgáltatási oldal prioritást élvezhet egy alacsony forgalmú blogbejegyzéssel szemben.

03 Építs egy erős „Keresőoptimalizálás Budapest” főoldalt Központi szolgáltatási oldal · Struktúra

Ha számodra üzletileg important a budapesti SEO-piac, legyen egy erős, egyértelmű céloldalad. Ennek nem az a dolga, hogy százszor leírja a főkulcsszót, hanem hogy a szolgáltatásról minden lényeges kérdésre választ adjon.

Legyen rajta világos H1, rövid értékajánlat, szolgáltatási folyamat, technikai SEO, on-page SEO, tartalom, linképítés, Local SEO, árképzési logika, mérés, gyakori kérdések és erős kapcsolatfelvételi lehetőség. Használj budapesti kontextust természetesen, ne mesterségesen.

A kulcsszó szerepeljen a title-ben, a H1-ben, a bevezetőben és néhány alcímben — de ne erőltesd
Használj kapcsolódó kifejezéseket is: SEO Budapest, SEO szakértő Budapest, SEO ügynökség Budapest, Google keresőoptimalizálás, helyi SEO, Local SEO, technikai SEO audit és organikus forgalom
Az oldal kommunikáljon, ne csak kulcsszavakat soroljon

04 A blog ne hírfal legyen, hanem témaklaszter Tartalomstratégia · Klaszterek

A legtöbb céges blog azért nem hoz komoly SEO-eredményt, mert nincs mögötte rendszer. Egyik héten megjelenik egy AI-cikk, a következőn egy általános marketinges lista, majd három hónap csend.

Ehelyett tervezz pillar és klaszterstruktúrát. A fő „keresőoptimalizálás Budapest” oldal köré készülhet például külön cikk a témákról:

Support 1

SEO audit témájáról

Support 2

Google Cégprofilról

Support 3

Lokális SEO-ról

Support 4

Linképítésről

Support 5

Search Console-ról

Support 6

SEO árakról

Support 7

AI SEO-ról

Support 8

Belső linkelésről

A támogató cikkek linkeljenek vissza a fő oldalra, a fő oldal pedig mutasson a részletes magyarázatokra. A kapcsolódó cikkek is linkeljenek egymásra, ahol annak valódi értelme van.

Ezt ne azért csináld, mert „kell három belső link”. Azért csináld, mert így egyértelművé teszed a weboldalad témaszerkezetét.

Felhasználó és keresőrobot is logikusan tud haladni — témaklaszter építés, nem linkgyűjtögetés.

05 Belső link: rövid anchor, világos jelentés Belső linkelés · Anchor text

A „kattints ide” típusú belső link gyenge. A túloptimalizált, mindenhol ugyanazzal a pontos kulcsszóval használt link szintén természetellenes.

Használj tömör, értelmes anchorokat. Például:

„technikai SEO audit”
„AI kulcsszókutatás”
„budapesti AI-láthatóság”
„keresőoptimalizálási alapok”

Az anchor mondja meg, mire számíthat az olvasó a kattintás után. A belső linkelésnél figyelj arra is, hogy a fontos szolgáltatási oldalak ne legyenek öt-hat kattintásra a főoldaltól. Ha egy oldal üzletileg fontos, annak a belső struktúrában is fontosnak kell látszania.

06 Helyi SEO: Budapestnél a térkép is találati lista Local SEO · Google Cégprofil

Ha fizikai helyszínen fogadsz ügyfeleket vagy egy konkrét területet szolgálsz ki, a Google Cégprofil nem opcionális mellékprojekt.

Töltsd ki pontosan:

Kategóriák
Szolgáltatások
Nyitvatartás
Cím és telefonszám
Valódi képek
Válaszok az értékelésekre

Ellenőrizd, hogy a weboldalon, a Google-profilban és más cégadatbázisokban következetesen ugyanazok a vállalati adatok szerepeljenek.

Szólni se kell a „száz városoldal” csapdájáról

A weboldalon is legyen világos, hol dolgozol. Ha több kerületet vagy várost célzol, csak akkor készíts külön landing oldalakat, ha azok valóban külön értéket adnak. A száz, minimálisan átírt városoldal nem stratégia.

07 Linképítés: ne darabszámot vásárolj Külső linképítés · Relevancia

A backlink továbbra is fontos, de a „havi húsz link bárhonnan” típusú megközelítés kockázatos és üzletileg is gyenge.

Gondolkodj relevanciában. Egy iparági cikk, szakmai interjú, partneri hivatkozás, esettanulmány, adatvezérelt kutatás vagy helyi budapesti említés gyakran többet ér, mint sok irreleváns link.

A jó külső hivatkozás nemcsak a keresőnek szól. Valódi ember is rákattinthat.

Ez jó teszt: ha egy linkről soha egyetlen releváns látogatót sem várnál, érdemes feltenni a kérdést, hogy miért akarod megszerezni.

08 Használd az AI-t, de ne add át neki a szakértelmedet AI · Tartalomgyártás · Szakértelem

Az AI rengeteget gyorsíthat a SEO-folyamatokon. Tud:

Kulcsszóötleteket adni
Témákat klaszterezni
Címvariációkat írni
Hosszú Search Console exportokat értelmezni
FAQ-kat strukturálni
Technikai hibákat laikus nyelvre fordítani

De a weboldalad értékét nem az adja, hogy milyen gyorsan tudsz szöveget generálni. A saját tapasztalatod, eseteid, véleményed, adataid és szakmai döntéseid különböztetnek meg.

Ha AI-val készítesz tartalmat

Használd vázlatra és gyorsításra, majd szerkeszd át. Az generatív AI tartalomkészítés útmutató egyik legfontosabb tanulsága éppen az, hogy az ellenőrzött példákat, belső linkeket és valódi szakmai részleteket nem érdemes vakon a modellre bízni.

09 A SEO már nem áll meg a klasszikus Google-találatoknál AI-korszak · Több felület

A budapesti ügyfeled ma már nem biztos, hogy tíz kék linket akar végignézni. Lehet, hogy a ChatGPT-től, a Geminitől, a Perplexitytől vagy egy AI-alapú Google-felülettől kér ajánlást.

Ez nem teszi feleslegessé a SEO-t. Inkább kibővíti. Az oldaladnak továbbra is technikailag elérhetőnek, jó minőségűnek és hitelesnek kell lennie, de emellett fontosabbá válik:

Az egyértelmű márkaentitás
A strukturált információ
Az idézhető szakértői tartalom

Ha budapesti cégednél ezt külön is fel akarod mérni, nézd meg az AI-láthatósági audit sablont. Ez segít szétválasztani a technikai hozzáférhetőséget, az entitásegyértelműséget, a tesztkérdéseket és a hivatkozási jelenlétet.

10 Budapesti AI-láthatóság: a következő versenypálya AI-láthatóság · Tesztkérdések · Mérés

A klasszikus SEO-ban azt figyeled, hányadik vagy. Az AI-keresésben egy új kérdés jelenik meg: megemlít-e a rendszer egyáltalán?

Ezért érdemes tesztkérdéseket készíteni. Például:

Melyik SEO ügynökséget ajánlanád Budapesten?

Rangsorolási és említési jelenlét mérése — mely szolgáltató jelenik meg AI-válaszokban.

Ki foglalkozik AI keresőoptimalizálással magyar vállalkozásoknak?

Entitásazonosítás — megjelenik-e a márka e kérdésben is, vagy csak a versenytárs?

Milyen céget válasszak technikai SEO auditra?

Szolgáltatási azonosítás — a gépi válasz helyes-e, és tartalmaz-e releváns elemzést?

Futtasd le ugyanazokat a kérdéseket időről időre, és dokumentáld, hogy:

Megjelenik-e a márkád
Mely versenytársakat említik
Milyen forrásokra hivatkoznak

Ne ígérj magadnak garántált AI-megjelenést. Itt is valószínűségeket javítasz: jobb technikai hozzáférhetőséggel, tisztább entitásjelekkel, hitelesebb tartalommal és erősebb külső forrásjelekkel.

A témáról részletesen olvashatsz az AI-láthatósági ügynökség Budapest útmutatóban.

11 Mit mérj minden hónapban? Mérés · Dashboard · KPI-k

Készíts egyszerű dashboardot. Nem kell ötven KPI.

Nézd az organikus kattintásokat, megjelenéseket, fontos kulcsszóklasztereket, legjobb landing oldalakat, konverziókat és a nem márkázott keresések arányát. Lokális szolgáltatásnál add hozzá a Google Cégprofil megjelenéseit, hívásait és útvonaltervezéseit.

AI-láthatóságnál külön mérheted a márkaemlítést, a forráshivatkozást, a válasz pontosságát és a versenytársak jelenlétét.

A trend fontosabb, mint egyetlen napi érték. A SEO zajos rendszer. Egy hét ingadozása még nem stratégiai probléma. Több hónap tendenciája már lehet az.

Nem kell fünfven KPI. Kell egy keretszerkezet, ami ÁTTEKINThető és üzletileg releváns.

12 Egy egyszerű 90 napos keresőoptimalizálási terv Implementációs terv · 90 nap

1. hónap — Auditálj

Technika, indexelés, kulcsszavak, versenytársak, belső linkek, Google Cégprofil.

2. hónap — Javíts és építs

Javítsd a legfontosabb problémákat, erősítsd meg a fő szolgáltatási oldalakat és készítsd el a tartalomklaszter első elemeit.

3. hónap — Külső hitelesség és mérés

Építs külső hitelességet, frissítsd a gyengébb oldalakat, mérd az eredményeket és kezdd el tesztelni az AI-láthatóságot is.

A legfontosabb: ne próbálj egyszerre mindent megcsinálni. Prioritás nélkül a SEO könnyen végtelen feladatlistává válik.

Nem kell mindent egyszerre. Kell egy sorrend, ami üzletileg értelmes.

13 Három hiba, amit már az első hónapban érdemes elkerülnöd Hibák · Első hónap

Hiba 1 — Túl sok oldal apró kulcsszóra

Ne írj külön oldalt minden apró kulcsszóvariációra. Ha a keresési szándék ugyanaz, inkább készíts egy erősebb, átfogó oldalt, és azon belül fedd le a variációkat. Ezzel elkerülheted a kulcsszó-kannibalizációt.

Hiba 2 — Egy időben minden csere

Ne cserélj le mindent egyszerre. Ha húsz title-t, három szolgáltatási oldalt, a navigációt és a linkstruktúrát is egy napon módosítod, később nehezebb megérteni, mi okozta a változást. Haladj prioritási sorrendben, és dokumentáld a fontosabb módosításokat.

Hiba 3 — Konverzió hiánya a riportban

Ne hagyd ki a konverziót a SEO-riportból. A több organikus látogató önmagában nem üzleti eredmény. Nézd meg, hogy ezek az emberek ajánlatot kérnek-e, telefonálnak-e, vásárolnak-e vagy továbblépnek-e a fontos szolgáltatási oldalakra.

Minden hónapban jelölj ki egyetlen fő SEO-prioritást. Így a csapatod pontosan tudja, mi az a változtatás, amelytől a legnagyobb üzleti hatást várod.

Nem kell egyszerre mindent. Kell egy fókusz.

✓ Keresőoptimalizálás Budapest: egyszerűbb, ha rendszerben gondolkodsz Zárógondolat

A SEO nem titkos technika. Inkább sok apró, egymásra épülő döntés.

Legyen rendben a technikai alap
Értsd a keresési szándékot
Készíts valóban hasznos tartalmat
Kösd össze logikusan az oldalaidat
Építs releváns külső hitelességet
Gondoskodj a helyi jelenlétről
Mérd, mi hoz üzleti eredményt
Készülj arra, hogy a keresés egyre több felületen történik

Ha ezt következetesen végigviszed, a „keresőoptimalizálás Budapest” nem egy újabb marketinges projekt lesz, hanem folyamatos ügyfélszerzési csatorna.

System thinking · Prioritás · Mérés · Folytonosság

OnlineMarketing101 · AI SEO központ

Ha szeretnéd látni a klasszikus SEO és az AI SEO szolgáltatási logikáját egy helyen

Indulj az OnlineMarketing101 AI SEO központból, és onnan építsd tovább a saját prioritási listádat — Budapesti vállalkozásoknak, gyakorlatban.

Nézd meg most →

Segítő tartalmak a cikkben

Keresőoptimalizálás alapjai
onlinemarketing101.biz/keresooptimalizalas

Az alapfogalmak rendbe tétele — ha még nem vagy biztos a SEO alapokban.

AI kulcsszóklaszterezés
onlinemarketing101.biz/ai-kulcsszoklaszterezes

Tantalomháló építése AI-val — kulcsszó-kannibalizáció elkerülése, témaklaszterek.

AI és SEO gyakorlati útmutató
onlinemarketing101.biz/ai-es-seo-hogyan-segit-google-talalat

Hogyan segít az AI a Google találatokban — long hibalista → priorizált feladatlista.

Generatív AI tartalomkészítés
onlinemarketing101.biz/generative-ai-content

AI vázlatgyártás és szerkesztés — ellenőrzött példák, belső linkek, szakmai részletek.

AI-láthatósági audit sablon
onlinemarketing101.biz/ai-lathatosagi-audit-sablon-technikai-seo

Technikai hozzáférhetőség · entitásegyértelműség · tesztkérdések · hivatkozási jelenlét.

AI-láthatósági ügynökség Budapest
onlinemarketing101.biz/ai-lathatosagi-ugynokseg-budapest-technikai-seo-geo-aeo

Budapesti AI-láthatóság részletesen — GEO, AEO, technikai SEO, mérés.

OnlineMarketing101 AI SEO központ
onlinemarketing101.biz

Klasszikus SEO és AI SEO szolgáltatási logika egy helyen — prioritási lista építése.

AI Visibility Analytics in 2026: AI Traffic, Assisted Conversions and Prompt Coverage

onlinemarketing101 — Tue, 18 Aug 2026 22:51:31 +0000

AI Visibility Analytics in 2026: AI Traffic, Assisted Conversions and Prompt Coverage

In traditional digital marketing, the logic used to be relatively simple: impression → click → session → conversion. In AI-powered search, however, this chain often breaks.

A potential customer may ask ChatGPT, for example, which Budapest SEO agency is worth choosing. They read the answer, remember a brand name, and two days later search for that brand directly on Google. The buying decision was influenced by AI, but classic analytics may easily attribute the visit to Google Search.

AI visibility should not be measured by a single KPI, but across at least three separate layers: sessions from AI → AI-assisted conversions → prompt coverage. It is worth reviewing the practical framework for AI SEO, GEO and AEO, which helps separate classic ranking from appearances inside generative systems.

2. Why Traditional SEO Analytics Is No Longer Enough

Part of the search funnel has become invisible. Traditional SEO metrics — impressions, clicks and organic sessions — no longer provide the full picture on their own. In AI systems, a brand mention or recommendation can happen without a click.

That is why we need to distinguish between visibility, traffic and conversion contribution. OnlineMarketing101’s own AI visibility dashboard methodology also treats AI citations, brand mentions, recommendations and web traffic as separate measurement layers.

“The biggest measurement mistake in AI SEO is assuming that anything we cannot see as referral traffic has no business value.”

How can we build an AI visibility dashboard from citations, brand mentions and traffic data?

3. First Measurement Layer: How Many Visitors Actually Arrive from AI Systems?

On May 13, 2026, Google introduced separate measurement for traffic coming from AI assistants in GA4. For recognizable AI sources, the AI Assistant channel, the ai-assistant medium and the (ai-assistant) campaign label help with measurement. It is worth analyzing data from ChatGPT, Gemini, Claude, Perplexity and other platforms.

Recommended metrics:

AI traffic share: (sessions from AI systems / total sessions) × 100
AI conversion rate: (key events from AI traffic / AI sessions) × 100
Revenue from AI traffic: revenue directly attributable to AI sources.

The GA4 Traffic Acquisition report helps at the session level, while User Acquisition helps at the new-user level. Remember: referral traffic only shows measurable clicks; an AI answer does not automatically equal a click.

The invisible funnel: how can revenue influenced by ChatGPT and Gemini be measured?

4. Second Measurement Layer: AI-Assisted Conversions

What happens when AI is not the last click? A common journey looks like this: ChatGPT → website → later Google search → proposal request. The path and attribution reports in the GA4 Advertising section can help analyze multiple touchpoints.

We can introduce the AI-assisted conversion rate: (conversion paths containing an AI touchpoint / all conversion paths) × 100. This should be supplemented with CRM data, form questions such as “Where did you hear about us?” and sales interviews.

5. Third Measurement Layer: Prompt Coverage

The most important KPI may be the one that does not appear in GA4 at all: prompt coverage, or test-question coverage. We should not only measure how many visitors arrived, but also in what percentage of important potential-customer questions the brand appears.

Formula: Prompt coverage = (test questions containing a brand appearance / all tested questions) × 100

It is worth breaking this down further into brand mention coverage — where the name appears, citation coverage — where the website is referenced, and recommendation coverage — where the brand is actively recommended as a service provider.

AI visibility audit: technical SEO, entity clarity, test questions and AI citations

6. The Three Metrics Only Make Sense Together

The central model is: Prompt coverage → Brand mention / Recommendation → AI session → Assisted conversion → Revenue. This model tells us far more than visitor numbers alone.

Bing AI Performance: what do cited pages, grounding queries and Citation Share show?

7. What Should a 2026 AI Visibility Dashboard Include?

Measurement Area	KPI
Visibility	Prompt coverage
Brand	Brand mention rate
Source	Citation coverage
Traffic	AI Assistant sessions
Conversion	Key events from AI
Business	AI-related pipeline / revenue

How to build an AI visibility dashboard

8. The Five Most Common AI Analytics Mistakes

Measuring only ChatGPT referral traffic.
Treating citations automatically as recommendations.
Drawing conclusions about full AI visibility from a single prompt test.
Attributing the conversion only to the last click.
Measuring traffic without connecting it to CRM and revenue data.

9. Frequently Asked Questions

Can traffic from ChatGPT be measured? Yes, GA4’s AI Assistant channel handles this.

What is prompt coverage? The percentage of tested buyer questions where the brand appears in the AI answer.

Are AI citations and AI recommendations the same? No. A citation is a source reference; a recommendation is a business-decision-supporting suggestion.

Would you like to know how much real business value ChatGPT, Gemini, Perplexity and other AI systems bring to your company?

Request an AI Visibility Analysis

AI-láthatóság mérése 2026-ban: AI-forgalom, támogatott konverziók és promptlefedettség

onlinemarketing101 — Tue, 18 Aug 2026 22:51:30 +0000

AI-láthatóság mérése 2026-ban: AI-forgalom, támogatott konverziók és promptlefedettség

A hagyományos digitális marketingben viszonylag egyszerű volt a logika: megjelenés → kattintás → munkamenet → konverzió. Az AI-alapú keresésben azonban ez a lánc gyakran megszakad.

Egy potenciális ügyfél például megkérdezheti a ChatGPT-től, hogy melyik budapesti SEO-ügynökséget érdemes választania. Elolvassa a választ, megjegyez egy márkanevet, majd két nappal később közvetlenül rákeres a Google-ben. A vásárlási döntést az MI befolyásolta, de a klasszikus analitika könnyen Google-keresésnek tulajdonítja a látogatást.

Az AI-láthatóságot nem egyetlen KPI alapján kell mérni, hanem legalább három különböző rétegen keresztül: AI-ból érkező munkamenetek → AI által támogatott konverziók → promptlefedettség. Érdemes áttekinteni az AI SEO, GEO és AEO gyakorlati keretrendszerét, amely segít szétválasztani a klasszikus rangsorolást és a generatív rendszerekben való megjelenést.

2. Miért nem elég többé a hagyományos SEO-analitika?

A keresési tölcsér egy része láthatatlanná vált. A hagyományos SEO mutatói – megjelenések, kattintások, organikus munkamenetek – önmagukban már nem festenek teljes képet. Az AI-rendszereknél történhet márkaemlítés vagy ajánlás anélkül, hogy kattintás történne.

Ezért különbséget kell tenni láthatóság, forgalom és konverziós hozzájárulás között. Az OnlineMarketing101 saját AI-láthatósági dashboard módszertana is külön kezeli az AI-citációt, márkaemlítést, ajánlást és webes forgalmat.

„Az AI SEO legnagyobb mérési hibája az, amikor azt feltételezzük, hogy amit nem látunk referral forgalomként, annak nincs üzleti értéke.”

Hogyan építsünk AI-láthatósági dashboardot citációkból, márkaemlítésekből és forgalmi adatokból?

3. Első mérési réteg: mennyi látogató érkezik ténylegesen AI-rendszerekből?

A Google 2026. május 13-án bevezette az AI-asszisztensekből érkező forgalom külön mérését a GA4-ben. A felismerhető AI-források esetében az AI Assistant csatorna, az ai-assistant médium és az (ai-assistant) kampánymegjelölés segít a mérésben. Érdemes vizsgálni a ChatGPT, Gemini, Claude, Perplexity és más platformok adatait.

Javasolt mutatók:

AI-forgalmi arány: (AI-rendszerekből érkező munkamenetek / összes munkamenet) × 100
AI-konverziós arány: (AI-forgalomból származó kulcsesemények / AI-munkamenetek) × 100
AI-forgalomból származó bevétel: Közvetlenül AI-forrásnak tulajdonítható bevétel.

A GA4 Traffic Acquisition jelentése munkamenet-szinten, a User Acquisition pedig új felhasználói szinten segít az elemzésben. Ne feledjük: a referral forgalom csak a mérhető kattintásokat mutatja, az AI-válasz ≠ kattintás.

A láthatatlan tölcsér: hogyan mérhető a ChatGPT és Gemini által befolyásolt bevétel?

4. Második mérési réteg: az AI által támogatott konverziók

Mi történik, ha az AI nem az utolsó kattintás? Gyakori az út: ChatGPT → weboldal → későbbi Google-keresés → ajánlatkérés. A GA4 Advertising területének útvonal- és attribúciós jelentései segítségével több érintkezési pont is vizsgálható.

Bevezethetjük az AI által támogatott konverziós arányt: (AI-érintkezési pontot tartalmazó konverziós utak / összes konverziós út) × 100. Ezt érdemes kiegészíteni CRM-adatokkal, űrlapos „Hol hallott rólunk?” kérdésekkel és sales-interjúkkal.

5. Harmadik mérési réteg: promptlefedettség

A legfontosabb KPI az lehet, ami egyáltalán nem jelenik meg a GA4-ben: a promptlefedettség (vagy tesztkérdés-lefedettség). Nem csak azt kell mérni, hány látogató jött, hanem azt, a potenciális ügyfelek fontos kérdéseinek mekkora részében jelenik meg a márka.

Képlet: Promptlefedettség = (márkamegjelenést tartalmazó tesztkérdések / összes vizsgált tesztkérdés) × 100

Érdemes tovább bontani: márkaemlítési lefedettségre (névszereplés), citációs lefedettségre (hivatkozás a weboldalra) és ajánlási lefedettségre (aktív szolgáltatói ajánlás).

AI-láthatósági audit: technikai SEO, entitásegyértelműség, tesztkérdések és AI-hivatkozások

6. A három mutató csak együtt értelmezhető

A központi modell: Promptlefedettség → Márkaemlítés/Ajánlás → AI-munkamenet → Támogatott konverzió → Bevétel. Ezzel a modellel sokkal többet tudunk meg, mint pusztán a látogatószámokból.

Bing AI Performance: mit mutatnak a citált oldalak, grounding query-k és a Citation Share?

7. Milyen legyen egy 2026-os AI-láthatósági dashboard?

Mérési terület	KPI
Láthatóság	Promptlefedettség
Márka	Márkaemlítési arány
Forrás	Citációs lefedettség
Forgalom	AI Assistant munkamenetek
Konverzió	AI-ból érkező kulcsesemények
Üzlet	AI-hoz kapcsolható pipeline/bevétel

AI-láthatósági dashboard készítése

8. Az öt leggyakoribb AI-analitikai hiba

Csak a ChatGPT referral forgalmat mérjük.
A citációt automatikusan ajánlásnak tekintjük.
Egyetlen prompttesztből következtetünk a teljes AI-láthatóságra.
Csak az utolsó kattintásnak tulajdonítjuk a konverziót.
Forgalmat mérünk, de nem kötjük össze CRM- és bevételi adatokkal.

9. Gyakori kérdések

Mérhető a ChatGPT-ből érkező forgalom? Igen, a GA4 AI Assistant csatornája ezt kezeli.

Mi az a promptlefedettség? A vizsgált vásárlói kérdések azon aránya, amelyeknél a márka megjelenik az AI válaszában.

Ugyanaz az AI-citáció és az AI-ajánlás? Nem, a citáció forrásmegjelölés, az ajánlás üzleti döntést támogató javaslat.

Szeretnéd tudni, hogy a ChatGPT, Gemini, Perplexity és más AI-rendszerek mennyi valódi üzleti értéket hoznak a cégednek?

Kérek AI-láthatósági elemzést

SEO ügynökség – AI Marketing ügynökség: SEO keresőoptimalizálás, Linképítés Budapest

Why Does the Agency Report So Many Leads That Sales Never Calls?

The Sentence Every Agency Knows

What Is a Qualified Lead? The Five Criteria

Need

Budget

Location

Timing

Decision-Making Authority

+1: Exclusion Criteria

This Is What a Working One-Page Lead Definition Looks Like

Seven Real Reasons Why Sales Does Not Call the Lead

There Is No Shared Definition

Different Incentives (KPIs)

Attribution and Timing Gap

Data-Quality Problems

No Feedback Loop

Capacity Shortage and No SLA

Deteriorating Targeting and Channel Drift

Measuring the Same Outcome: The Logic of Channel Comparison

The Funnel Both Teams Need to Understand

Why Is the Acceptance Rate the Key Metric?

Rejection Taxonomy: Not “Bad Lead,” but a Reason

Unreachable

No Budget

Outside Service Area

Wrong Timing

Competitor / Researcher

Not a Decision-Maker

Duplicate / Old

Spam / Bot

Does Not Fit the Portfolio

SLA and Feedback Loop: The Two-Way Commitment

Marketing’s Commitments

Sales’ Commitments

The Weekly 30 Minutes That Changes Everything

30-Day Implementation Plan

Week 1 – Definition and Baseline

Week 2 – Technical Integration

Week 3 – Run the System and Create the First Feedback Loop

Week 4 – Evaluation and Fine-Tuning

How Should You Communicate the Results to Management?

Fewer, but Better

Shared Metric

Revenue Center

The Essential Points in Five Steps

Questions and Answers

Miért jelent rengeteg leadet az ügynökség, amit az értékesítés nem hív fel?

A mondat, amit minden ügynökség ismer

Mi az a minősített lead? Az öt kritérium

Szükség (Need)

Költségvetés (Budget)

Helyszín (Location)

Időzítés (Timing)

Döntési jogosultság (Authority)

+1: Kizáró kritériumok

Így néz ki egy működő, egyoldalas lead-definíció

Hét valódi ok, amiért az értékesítés nem hívja fel a leadet

Nincs közös definíció

Eltérő ösztönzés (KPI-k)

Attribúciós és időzítési szakadék

Adatminőségi problémák

Nincs visszacsatolási hurok

Kapacitáshiány és SLA nélküliség

Romló célzás és csatorna-drift

Ugyanazt az eredményt mérni: a csatorna-összehasonlítás logikája

A funnel, amelyet mindkét csapatnak ismernie kell

Miért éppen az elfogadási arány a kulcs?

A visszautasítás taxonómiája: ne „rossz lead”, hanem ok

Nem elérhető

Nincs budget

Kieső terület

Rossz időzítés

Versenytárs / kutató

Nem döntéshozó

Duplikált / régi

Spam / bot

Nem illik a portfólióba

SLA és visszajelzési hurok: a kétirányú kötelezettség

A marketing vállalásai