Как X5 собрала единый отчёт по промо и перестала спорить о «не тех» цифрах

Как X5 собрала единый отчёт по промо и перестала спорить о «не тех» цифрах

У X5 была типичная для крупного ритейла проблема: маркетинг, e-com и CRM смотрели на промо через разные системы. В одном отчёте считали выручку по чекам, в другом — по заказам, в третьем — по трафику и кликам. В итоге одна и та же акция могла выглядеть как успешная в перформансе и слабая в продажах.

**Контекст** был простой: растёт доля цифровых касаний, а средний чек в ритейле под давлением и без аккуратной аналитики промо быстро «съедает» маржу. Для X5 это означало не только измерить эффект кампаний, но и понять, где акция реально увеличивает корзину, а где лишь переносит спрос между неделями.

**Задача** — собрать единый контур отчётности в BigQuery и связать в нём три слоя данных:
— транзакции из офлайна и онлайн-заказов;
— рекламные расходы по каналам;
— сегменты CRM и истории покупок.

Ключевое было не просто загрузить данные, а сделать их сопоставимыми по времени, магазину, товарной категории и типу промо. Иначе можно получить красивую дашборд-иллюзию, но не управляемую экономику.

**Решение** строили вокруг BigQuery как единого слоя правды:
— нормализовали источники в общую модель;
— считали инкрементальность промо по когорте и контрольным группам;
— выделяли uplift (прирост) не только по выручке, но и по марже;
— собирали ежедневные витрины для маркетинга и коммерции.

Практически это дало возможность смотреть не на last-click (последний клик), а на вклад кампании в деньги. В 2026 это особенно важно: privacy-first атрибуция, server-side и MMM (маркетинг-микс-моделирование) всё чаще дополняют, а не заменяют друг друга.

**Результат** такого подхода обычно измеряется не «красотой отчёта», а скоростью решений. Когда у команды есть единая модель в BigQuery, она быстрее отвечает на три вопроса:
— какую промо-механику масштабировать;
— где акция даёт рост, а где каннибализирует продажи;
— какие сегменты удерживать, а какие не субсидировать скидкой.

**Урок** для маркетолога: BigQuery полезен не как хранилище ради хранилища, а как инструмент согласовать маркетинг, продажи и финансы на одной цифре. В эпоху, когда MQL/SQL теряют силу, а на первый план выходит RevOps, это уже не «хорошая аналитика», а базовая операционная необходимость.

— @BigQuery4MarketingPro