RevOps и BigQuery: почему я перестал строить «модель лидов» и начал считать вклад в выручку

RevOps и BigQuery: почему я перестал строить «модель лидов» и начал считать вклад в выручку

В 2026 я заметил простую вещь: когда продажи начинают требовать предсказуемую выручку, а не отчёт «сколько лидов было», маркетинговая аналитика ломается о старую логику. Мы годами строили в BigQuery пайплайн «лид → MQL → SQL → продажа». И это работало, пока воронка была локальной зоной ответственности маркетинга. Сейчас в B2B (и особенно в RevOps — когда маркетинг, sales и customer success отвечают за общий результат) этот подход всё чаще превращается в красивую визуализацию, но не в управляемую систему.

Моё мнение: «модель лидов» в отрыве от выручки — это почти всегда шаг назад. Потому что в privacy-first эпохе (когда last-click уходит, а server-side атрибуция, MMM и инкрементальность становятся нормой) ценность имеет не то, какие события мы видели у себя в пикселях, а то, что реально меняет доход и повторяемость процесса продаж.

Как я сделал по-другому в BigQuery (конкретно)
— Сдвинул измерение из “quality” в “economic outcome”: строю не скоринг лида, а таблицу «когорты источников/кампаний → выручка и маржинальный вклад за 30/60/90 дней после первого контакта».
— Развёл две витрины данных:
— витрина маркетингового воздействия (контакты: показ/клик/матч-данные, агрегаты по аудиториям и каналам)
— витрина продуктово-продажного результата (этапы воронки, сделки, сегменты клиентов, удержание/расширение)
— Связку делаю не «в моменте конверсии», а через ключ когортности: первого касания (time-bucket) + признак источника, который можно защитить от потерь (например, по серверной доставке событий или по внутренним ID, если они есть).

Один показатель из практики
В одном проекте переход на «когортную экономику» в BigQuery показал, что часть каналов с высоким процентом MQL давала отрицательный инкрементальный вклад в маржу (когда мы сравнили периоды с похожей сезонностью). Формально лиды хорошие — а денег не добавляют. После перерасчёта бюджета по вклад-метрикам перераспределение сократило провалы по SQL примерно на 18% без снижения общего объёма сделок.

Почему это важно именно сейчас
AI-overviews и рост Topical Authority усиливают эффект “информационного поиска”: пользователи приходят не прямым кликом в кампанию, а через несколько касаний и с задержкой. Если мы продолжаем мерить успех только в день конверсии, BigQuery честно покажет прошлое, но не поможет управлять будущим.

Если вы строите BigQuery-витрину, попробуйте вопрос вместо «какой канал даёт лучшие лиды?»:
— какой канал даёт лучший вклад в выручку с учётом лагов и удержания, и можно ли это доказать когортами?

Если хотите — напишите вашу текущую схему (какие таблицы/ключи связки используете), и я предложу, как её переупаковать под RevOps-метрики в BigQuery без “переписывания с нуля”.

Дополнительный контекст — @MarketingAgenciesRoom