RevOps-метрики без “маркетинговой магии”: как я строю модель в BigQuery для доказуемой выручки

RevOps-метрики без “маркетинговой магии”: как я строю модель в BigQuery для доказуемой выручки

В 2026 я всё чаще вижу одну и ту же проблему: маркетинг пытается “доказать влияние” в терминах лидов, MQL и кликов, а бизнес уже живёт в логике выручки и роли маркетинга в воронке “от интереса до повторной покупки”. И тут BigQuery помогает не только считать, но и дисциплинировать: вы перестаёте агрегировать отчёты и начинаете строить модель, которая отвечает на один вопрос — что именно маркетинг меняет в экономике.

Моё правило: если в модели нет уровня “сделка/выручка/событие клиента” и ключей времени, маркетинговое влияние будет выглядеть красиво, но неустойчиво.

Как я делаю это в BigQuery (минимальный каркас RevOps-модели)
1) Единая шкала времени
— привязываю все события к одной временной оси: событие просмотра/контакта → старт сделки → закрытие → фактическая оплата → повторные покупки.
— в BigQuery это обычно превращается в нормализованные timestamp-поля + таблицу календаря/недель, чтобы не спорить “месяц к месяцу”.

2) Конденсация каналов в “маркетинговые касания” (touches)
— вместо 20 источников “как в кабинете” делаю управляемые сегменты: органический спрос, платное привлечение, контент/бренд, партнерские размещения и т.д.
— важно: я не пытаюсь угадывать атрибуцию “клик-выкуп”. Я формирую только набор касаний для дальнейших расчётов.

3) Материализую связку с выручкой на уровне клиента/заказа
— факт выручки беру из бухгалтерских/заказных систем, а не из CRM “как поле посчиталось”.
— затем в BigQuery соединяю касания и заказы через customer_id/lead_id, где возможно, а где нет — через согласованные прокси-ключи.

Одна практика из моих проектов
Мы как-то “прибили” влияние кампаний на MQL и получили рост, который в отчётах выглядел убедительно. Но когда модель дошла до уровня оплаты, эффект сменил знак: кампании ускоряли сделки, но не добавляли тех, кто дошёл до оплаты. В терминах RevOps это выглядит как *смещение микса*: больше быстрых SQL, но без прироста выручки на клиента. Без BigQuery на уровне фактов это легко не заметить.

Почему это белый и современный подход
В эпоху privacy-first и zero-click “последний клик” перестаёт быть опорой. Вместо него я строю измеримость через время, причинно-логические связи и проверяемые сегменты: где касание было, где заказ пришёл, и как меняется выручка по когорте.

Если хотите, могу в следующем посте дать шаблон схемы таблиц в BigQuery под RevOps: touches → deals → orders → revenue_cohorts, и какие ключи времени обязательно закладывать, чтобы модель пережила спор “а почему у вас в отчёте так”.

— @BigQuery4Marketing

Глубже разбирают этот метод в @ExperimentationRoom