Маркетинговый RevOps и BigQuery: как связали лиды, продажи и удержание в одну модель выручки

Маркетинговый RevOps и BigQuery: как связали лиды, продажи и удержание в одну модель выручки

Компания (кейсово): B2B-сервис с циклом сделки 2–4 месяца. До 2026 маркетинг отвечал в основном за MQL (marketing qualified lead), однако конверсия из MQL в SQL (sales qualified lead) проседала, а ответственность за выручку постепенно перекладывали на RevOps — маркетинг, sales и customer success совместно ведут процесс до денег.

Задача: перестать измерять «воронку ради воронки» и увидеть, какие источники и кампании реально двигают выручку и удержание.
Проблемы были типичными:
— лиды и сделки жили в разных системах (CRM, формы, веб-аналитика)
— атрибуция часто была last-click (за пределами достоверности в privacy-first эпоху)
— нельзя было оценить вклад кампаний в качество лидов и повторные продажи

Решение в BigQuery:
1) Единый слой данных
— собрали события привлечения (UTM-метки/канал/кампания), формы и идентификаторы посетителей
— замапили на сущности CRM: lead, deal, pipeline stage, даты ключевых статусов
— добавили таблицу customer success: дата активации, отмены/продления, cohort по месяцу старта

2) Модель «доходного» пайплайна
— построили таблицу grain на уровне lead_id + deal_id: путь лида во времени (от первого касания до SQL и закрытия)
— рассчитали метрики качества: время до SQL, доля прохода по стадиям, вероятность закрытия
— отдельно посчитали retention: доля клиентов, удержанных в 1–3–6 месяцев после активации (retention — удержание)

3) Атрибуция без иллюзий last-click
— отказались от «одного победителя» и перешли на сценарный подход: распределяли кредит между касаниями по окнам (например, 7/30/90 дней до SQL и до закрытия), фиксируя uncertainty
— для кампаний считали не только CPA/CPL, но и *expected revenue contribution* (оценочный вклад в выручку) через связывание закрытых сделок с источниками

4) Дашборды для RevOps-ритуалов
— настроили витрины: Top-источники по выручке и по удержанию, разрезы по сегментам компаний, отчётность для sales (где качество лидов лучше) и для customer success (где больше churn-пики)

Конкретный результат (что обычно удаётся подтвердить цифрами в таких проектах):
— улучшили прозрачность: доля лидов с корректно восстановленной связью между привлечением и CRM выросла до уровня, достаточного для принятия решений (в среднем на практике поднимается с «неполных» 60–70% до 90%+ за счёт нормализации ключей и дедупликации)
— изменили управленческие KPI: бюджет начали перераспределять не по MQL-объёму, а по *вероятности закрытия + retention*; в горизонте 1 квартала это даёт заметную коррекцию в миксе источников (обычно компании видят рост доли сделок, прошедших нужные стадии, и более низкий churn в когортах с «качественных» кампаний)
— сократили время на сбор отчётности для встреч RevOps: с ручных выгрузок на «построил один раз — обновляй по расписанию»

Урок для читателя:
Если вы всё ещё оптимизируете маркетинг под воронку без привязки к стадии revenue-циклов и удержанию, BigQuery будет просто хранилищем. Переведите модель на конечный результат: свяжите lead → deal → retention, и считайте вклад кампаний через *качество и деньги*, а не только через клики/лиды. В 2026 это быстрее всего возвращает доверие между маркетингом, sales и customer success — и даёт основу для privacy-first атрибуции, где last-click не должен быть единственной правдой.

— @BigQuery4MarketingPro