Как “вымыть” качество лидов из CRM в BigQuery: кейс RevOps-аналитики для B2B

Как “вымыть” качество лидов из CRM в BigQuery: кейс RevOps-аналитики для B2B

Бренд/контекст: B2B-компания в SaaS-сегменте (длительные циклы сделки, рост доли входящих через контент и поисковую выдачу).

Задача
Маркетинг и продажи начали видеть проблему: заявки формально приходят, но доля лидов, которые доходят до SQL (квалифицированного лида), стала “плавать”. Как следствие — командный баланс смещался: маркетинг чаще оптимизировал под объём, а sales требовал предсказуемости по качеству. Нужно было быстро ответить на два вопроса:
— какие источники и кампании дают лидов с высокой вероятностью SQL?
— на каких этапах CRM “теряется” качество (например, на скорости обработки или на несоответствии поля компании/сайта)?

Решение в BigQuery
1) Единый слой данных из CRM и маркетинговых событий
— выгрузили сущности: leads, conversions (MQL→SQL/opp этап), активности (touches), справочники (источники, campaign_id).
— стандартизировали поля, особенно: источник/канал, идентификаторы кампаний, домен компании.
— завели ключ для склейки: lead_id + домен компании (где применимо), чтобы минимизировать дубляжи.

2) Окна и атрибуция по времени, а не “последний клик”
Вместо попытки “прибить” результат к одному касанию сделали витрины с правилами:
— для каждого лида фиксировали фичи из маркетинговых касаний за N дней до ключевого события (например, до MQL или до SQL).
— отдельно считали задержку: сколько времени прошло от первого касания до MQL и от MQL до SQL.
Это критично в 2026-м: privacy-first подход и рост роли RevOps делают скорость обработки и согласованность стадий не менее важными, чем каналы.

3) Метрика качества лидов как таблица вероятностей
Собрали витрину вида: campaign/source → доля лидов, дошедших до SQL, и распределение по задержкам. Затем сделали разрезы по сегментам компании (размер/отрасль — если есть в CRM).
Важно: мы не “объясняли” провал кликами, пока не посмотрели, где именно ломается конверсия по стадиям.

4) Дешборд для согласования команд
Сформировали срезы для маркетинга и продаж:
— где качество проседает (MQL→SQL или на входе),
— какие кампании дают “объём без качества”,
— какие — дают и объём, и предсказуемость по времени до SQL.

Конкретный результат
По итогам анализа были выявлены 2 источника, которые давали сопоставимый объём заявок, но существенно различались по доле достижения SQL и по задержке: для одного сегмента лида доля SQL была ниже заметно (внутри квартала — относительно среднего по воронке), а задержка MQL→SQL была длиннее. Это позволило пересобрать приоритеты: бюджеты/ресурсы сместили на те кампании, где качество и скорость попадали в целевой коридор, а “проблемные” источники отправили в доработку оффера и квалифицирующих полей в форме/CRM.

Урок для читателя
— Не оптимизируйте B2B только под количество: в BigQuery выстроите “контур качества” — конверсии по стадиям (например, MQL→SQL) и задержки между этапами.
— Делайте витрины с временными окнами до события: в zero-click и privacy-first реальности стабильнее работает причинно-подобный анализ по структуре воронки, чем last-click предположения.
— RevOps-выгода начинается там, где маркетинг и sales одинаково определяют “хороший лид” и видят, на каком шаге он теряется.

— @BigQuery4MarketingPro