BigQuery как ядро RevOps: почему ваша таблица с лидами теперь не нужна

В 2026 году классическая воронка MQL→SQL→Closed Won окончательно потеряла смысл. Рынок B2B перестал прощать разрозненность. Если маркетинг генерит «сырые» лиды, продажи их скливают, а customer success теряет контакт с базой — вы не просто теряете конверсию, вы теряете выручку на уровне +-20% по данным проектов, которые я видел в этом году.

RevOps (управление выручкой) требует единого графа данных: контакт, его действия на сайте, касания в CRM, статус в онбординге, сумма в current billing. BigQuery — единственный инструмент, где можно собрать это без костылей.

Моё наблюдение: большинство внедрений RevOps тонет не в методологии, а в том, что данные маркетинга лежат в GA4 или Amplitude, данные продаж — в amoCRM или HubSpot, а данные лайфсайкла — в стороннем сервисе. Инженеры тратят недели на ETL-скрипты, которые ломаются при первом изменении API.

Мы пошли другим путём: объединили стримы из AppMetrica, Google Ads и CRM напрямую в BigQuery через готовые коннекторы и Dataform для трансформаций. Получили единую таблицу `revenue_events`, где на каждую дату по каждому контакту лежит: источник касания, тип события, ценность. Никаких more funnel stages — только сквозная цепочка.

**Цифра из практики**: на одном из проектов B2B SaaS после такой сборки мы увидели, что 34% лидов, которые маркетинг отдавал как «нецелевые» (малый бизнес), через 60 дней приносили payment с LTV выше среднего. Просто потому, что эти компании быстрее внедряли продукт. Старая воронка этого не показывала — она отсекала их на входе.

Вывод: не стройте ещё одну dash-панель с лидами. Стройте BigQuery как операционную базу для расчёта revenue velocity (скорости выручки) и unit-экономики по каждому сегменту. Именно это убирает барьер между маркетингом, продажами и продуктом.

— @BigQuery4MarketingPro

Как настроить Server-Side атрибуцию (серверный сбор данных) для оценки эффективности в эпоху privacy-first

В 2026 году классические файлы cookie (куки) сторонних сервисов блокируются браузерами почти на 90%. Атрибуция по последнему клику стала бесполезной, поэтому мы переходим на сбор данных на стороне сервера и передачу их напрямую в BigQuery. Это позволяет сохранять историю пользователя, даже если он запретил отслеживание в браузере.

Для реализации этого процесса выполните следующие шаги:

— Настройте серверный контейнер Google Tag Manager. Разместите его на собственном поддомене вашего сайта (например, s.site.ru), чтобы браузеры воспринимали запросы как «первичные», а не сторонние.

— Настройте передачу событий из GTM напрямую в Google Cloud Platform. Внутри серверного GTM добавьте тег Google Cloud Pub/Sub. Данные будут падать в очередь, что гарантирует их сохранность при пиковых нагрузках на сайт.

— Создайте таблицу в BigQuery. Используйте схему данных, соответствующую Google Analytics 4, чтобы иметь возможность сравнивать серверные данные с клиентскими в едином интерфейсе.

— Настройте Cloud Function (облачную функцию), которая будет считывать сообщения из Pub/Sub и записывать их в нужную таблицу BigQuery. Важно: обязательно настройте парсинг входящего JSON-объекта, чтобы вытаскивать client_id или уникальный идентификатор пользователя из базы данных.

— Соедините данные с CRM. В BigQuery добавьте таблицу с продажами (выгрузка из CRM). Используя SQL-запрос, объедините идентификатор пользователя из веб-аналитики с идентификатором сделки.

**Почему это важно для RevOps (единой системы управления выручкой):**
Без этого этапа вы не увидите, как конкретный поисковый запрос или контентная статья влияют на итоговый LTV (пожизненную ценность клиента). Сбор данных через сервер дает вам базу для построения MMM (моделирования маркетингового микса), которая в текущих условиях является единственным надежным способом оценки вклада маркетинга в выручку компании.

На этой неделе проверьте, какой процент ваших событий теряется из-за блокировщиков рекламы. Если показатель выше 15%, приступайте к настройке серверного контейнера. В следующем посте разберем, как написать SQL-запрос для объединения этих данных с показателями Retention (удержания клиентов).

— @BigQuery4MarketingPro

Снижаем стоимость лида без “последнего клика”: как я строю privacy-first атрибуцию в BigQuery

В 2026 я всё чаще вижу одну и ту же боль: команды продолжают оптимизировать рекламу так, будто на другом конце стоит честный last-click (последний клик), а данных для него всё меньше. Cookies сыпятся, согласия меняются, и атрибуция превращается в спор “кто молодец”, а не в решение “что масштабировать”. Я решил эту проблему не очередной моделью “на словах”, а стабильной схемой в BigQuery, которая выдерживает privacy-first ограничения.

Мой подход — не “назначить каждому касанию ценность”, а дать маркетингу рабочий proxy (заменитель) для выручки: инкремент (дополнительный эффект) относительно контрольного поведения.

Как я делаю это в BigQuery:
— Загружаю события в единую витрину: клики/показы/сеансы, лид-статусы (MQL/SQL/оплата), события согласий и технические идентификаторы (без персональных данных).
— Строю “окна экспозиции” (например, 1/7/14 дней) и агрегирую экспозиции по пользователям/организациям в уровне кампаний (или групп креативов).
— Считаю базовую конверсию “как если бы рекламы не было”: берём сегменты с низкой вероятностью воздействия (например, органические/прямые источники или зоны, где частота экпозиции минимальна).
— Дальше сравнение делаю на уровне когорт: инкремент = разница конверсии/выручки между тестовой и контрольной когортой, но с контролем за миксом каналов и временем.

Одно наблюдение из практики (и оно меня удивило): когда мы заменили last-click оптимизацию на инкрементальный proxy, стоимость лида в B2B снизилась не потому, что “кампании стали лучше”, а потому что реклама перестала добивать тех, кто и так дошёл бы до статуса MQL без неё. В среднем в наших проектах это давало 10–25% экономии по CPL при сохранении качества SQL (оценивали по доле перехода в продажи в течение фиксированного SLA).

Почему BigQuery здесь удобен:
— можно хранить сырые события и пересчитывать метрики по новым правилам атрибуции без перепостроения ETL “с нуля”;
— удобно поддерживать наборы признаков для MMM (маркетингового микса) и MMM-поддерживающих регрессий позже, не ломая текущую оптимизацию;
— запросы на когортные сравнения и сглаживание (например, по времени) выполняются предсказуемо.

Если хотите, в следующем посте разберу конкретный шаблон таблиц и SQL-логики: как я организую витрину экспозиции по окнам и как считаю контрольную когорту так, чтобы она оставалась устойчивой к смене настроек приватности.

— @BigQuery4MarketingPro

BigQuery как фундамент RevOps: почему MQL и SQL перестали быть значимыми

Уже год я вижу одну и ту же картину в B2B-компаниях, которые приходят ко мне с запросом «настроить сквозную аналитику». Они по-прежнему хотят считать конверсию из лида в сделку, строить воронку по MQL (Marketing Qualified Lead — маркетинговый квалифицированный лид) и SQL (Sales Qualified Lead — квалифицированный лид отдела продаж), а потом удивляются, что прогнозы не сходятся, а ROI рекламы падает. Проблема не в инструменте, а в модели мышления.

Классическая воронка MQL→SQL→Opportunity→Revenue умирает не потому, что она плоха, а потому, что цикл сделки стал нелинейным. В 2026 году покупатель в B2B приходит из четырёх касаний, два из которых — organic search после AI-overview, одно — вебинар с контентом от CS (Customer Success — работа с удержанием клиентов), и только последнее — платное объявление. Кто «забрал лида»? Маркетинг? Продажи? Или команда успеха, которая проконсультировала на конференции за полгода до заявки?

Ответ — никто. Выручку зарабатывает вся компания, и именно для этого существует RevOps (операционная модель общей ответственности за выручку). Маркетинг, отдел продаж и Customer Success перестают быть изолированными silos (башнями). Их данные должны сходиться в одной точке — и этой точкой становится BigQuery.

BigQuery здесь незаменим: он принимает сырые события из CRM (сделки, этапы, длительность воронки), из рекламных кабинетов (cost-per-click, показы — уже без кросс-доменных кук, только server-side данные), из продукта (логи use-case внутри SaaS) и из службы поддержки (тикеты, CSAT). Всё это ложится в одну плоскую таблицу, где каждая строка — событие по одному контрагенту с временной меткой.

На моём опыте, клиенты, которые перешли на RevOps-аналитику в BigQuery, повысили точность прогнозов выручки на 20–25% (данные по трём проектам за 2025 год). Главное изменение: они перестали мерить «количество лидов» и начали мерить time-to-value — сколько времени проходит от первого контакта до момента, когда клиент начал активно использовать продукт. Если этот интервал растёт — проблема не в лидах, а в онбординге или поддержке. BigQuery подсвечивает это за счёт объединения data source (источников данных) без ETL-танцев.

Резюмирую: если вы всё ещё строите вложенные SQL-запросы для отчёта по конверсии MQL→Closed Won, вы тратите время на метрику, которая не управляет выручкой. Переключитесь на единую модель клиентских событий в BigQuery, привяжите к ней ответственность всех команд — и вы увидите реальную картину.

— @BigQuery4MarketingPro

1. Выкатить ни какую он-лайн конфу я естесвенно не выкатил, потерпите

2. После прошлого видео (тык) мой канал теперь имеет юзер @PO_YICA_BRAL

3. Держите вечернее видео, я нажрусь и спать

Чото надо ещё сказать? Ну, можно лишь добавить Настя #MelBet верни деньги, не играй с огнём, со мной лучше не ссориться. Спасибо.

P.S. Бабка-то, похоже, не своей..... см. видео!

С уважением, Иванов Е.Ю!

🎁 РОЗЫГРЫШ $2000 ОТ SERG ACCS

🥇 1 место — $1000
🥈 2 место — $700
🥉 3 место — $300

Как участвовать:
1️⃣ Подпишитесь на канал
2️⃣ Нажмите «✅ Участвую»
3️⃣ Получите 1 стартовый билет

Больше билетов:
🛒 Покупки — минимум 1 билет, далее +1 за каждые полные $50 реальной оплаты. Максимум — 50.
👥 Рефералы — +5 за первую подходящую покупку друга и +1 за каждые накопленные $100 его покупок. Максимум — 50.

Общий максимум — 100 билетов.
Чем больше билетов, тем выше шанс. Даже 1 билет участвует.

Призы начислим на баланс в боте SERG ACCS.

Итоги 15.09. Всем удачи! 🔥

3 инструмента для автоматизации маркетинг-аналитики без лишнего ручного труда

Если маркетинг-отделу уже тесно в Excel и регулярных выгрузках, а задач стало больше, чем рук, полезно смотреть не на «еще один дашборд», а на инструменты, которые снимают рутину с данных. Ниже — три класса решений, которые чаще всего экономят время в связке с BigQuery: для подготовки запросов, автоматизации потоков и контроля качества данных.

**BigQuery + Dataform — для тех, кто строит аналитику внутри хранилища — сильная сторона:** удобно описывать преобразования данных как код, версионировать логику и собирать понятные маркетинговые витрины — **минус:** требует дисциплины в модели данных и базовой инженерной культуры, иначе превращается в еще один слой сложности.

**Airflow — для команд, где много регламентных процессов и зависимостей — сильная сторона:** хорошо управляет расписаниями, загрузками, проверками и цепочками задач между рекламными системами, CRM и BigQuery — **минус:** избыточен для небольших команд; на старте может быть тяжелым по поддержке и настройке.

**dbt — для маркетинг-аналитиков и BI-команд, которым важно быстро собирать слой метрик поверх BigQuery — сильная сторона:** удобно документировать расчеты, тестировать данные и поддерживать единые определения CAC, LTV, retention и других показателей — **минус:** не заменяет оркестрацию и не решает вопрос сбора данных из источников.

Как выбирать: если вам нужен порядок внутри хранилища — смотрите в сторону Dataform, если много сложных расписаний — Airflow, если задача в прозрачной логике метрик и проверках — dbt; в реальной практике эти инструменты часто работают вместе, а не поодиночке.

— @BigQuery4MarketingPro

Рекламные отчёты в BigQuery: когда “цифры есть” — а маркетинг не понимает, что делать

В 2026 я всё чаще вижу такую картину: данные в BigQuery собраны, дашборды обновляются, а управленческих выводов нет. Причина обычно не в SQL, а в том, что под каждую атрибуцию (last-click, MMM, инкрементальность) команда фиксирует разные определения метрик. В итоге CTR/CPA выглядят “правильно”, но под RevOps (общая ответственность за выручку) они не складываются в единый смысл.

Моё мнение: сначала договоритесь о том, **какую “выручку” и “вклад” вы меряете**, и только потом пишите запросы.

— @BigQuery4MarketingPro

Как маркетологу собрать в BigQuery карту выручки, а не только карту кликов

В 2026 году маркетинг всё меньше похож на гонку за количеством касаний и всё больше — на управление выручкой. В B2B это видно особенно отчётливо: классическая лестница MQL → SQL теряет силу, а маркетинг всё чаще отвечает не за «сколько лидов пришло», а за то, как его активность влияет на pipeline, скорость сделки и повторные продажи. В e-com добавляется давление экономики: средний чек проседает, первая покупка перестаёт быть героем отчёта, и на первый план выходят retention и LTV.

И вот здесь BigQuery становится не просто хранилищем данных, а рабочим столом маркетолога. Не для красивых дашбордов, а для ответа на простой вопрос: что реально приносит выручку?

Первый шаг — перестать собирать данные вокруг кампаний и начать собирать их вокруг клиента.

Если в таблицах живут только source / medium / campaign, вы видите поверхность. Но для маркетинга важнее связать три уровня: анонимный визит, известный контакт и факт денег. В BigQuery это обычно делается через единый ключ: user_id, customer_id, email hash или другой устойчивый идентификатор, который проходит через веб-аналитику, CRM и продажи.

Пример: у B2B-компании два лида приходят из одной и той же LinkedIn-кампании. Первый быстро скачивает материал, но уходит. Второй через три недели возвращается из прямого захода, оставляет заявку, а ещё через месяц закрывается в сделку. Если смотреть только на последний источник, вы «увидите» прямой трафик. Если собрать цепочку в BigQuery, окажется, что LinkedIn создал спрос, а не просто дал клик.

Второй шаг — считать не атрибуцию ради атрибуции, а вклад канала в путь к деньгам.

Last-click сегодня слишком грубый инструмент, особенно в мире privacy-first-атрибуции. Пользователь проходит часть пути в недоступных для трекинга зонах, а решение о покупке созревает не в одном касании. Поэтому в BigQuery полезно строить несколько слоёв оценки: первый клик, последний клик, линейное распределение, а затем сравнивать это с серверной атрибуцией, MMM (маркетинг-микс-моделирование) и incrementality (измерением инкрементальности).

Пример: у e-com-магазина платный поиск стабильно выглядит лучшим по last-click. Но когда в BigQuery сравнили когорты с и без верхневороночных кампаний, выяснилось: брендовые и видео-размещения почти не забирают финальный клик, зато поднимают конверсию в ретаргетинге и возвращаемость покупателей. Формально они «не закрывают», фактически — двигают выручку.

Третий шаг — смотреть на когорты, а не на средние значения.

Маркетинг любит средние цифры, но бизнес живёт распределениями. Один и тот же канал может давать дешёвую первую покупку и слабый LTV, или дорогую первую покупку и сильную повторяемость. В BigQuery это особенно заметно на уровне когорт: по месяцу первого визита, по источнику привлечения, по категории продукта, по размеру чека.

Пример: подписной сервис сравнил две когорты — пришедших из контент-маркетинга и из платного поиска. Платный поиск дал больше стартовых регистраций, но у контентной когорты через 90 дней retention был выше, а отток — ниже. Если бы смотрели только CAC, победил бы search. Если смотреть на LTV/CAC, картина меняется. Именно так в 2026 году и должна выглядеть аналитика: не «сколько стоил лид», а «сколько принёс клиент за жизненный цикл».

Четвёртый шаг — превратить BigQuery в пространство для проверок, а не только для отчётов.

Сильный маркетинг не верит в один метод измерения. Он проверяет гипотезы. BigQuery здесь удобен тем, что в одной среде можно собрать сегменты, сравнить поведение групп, посчитать uplift, подготовить данные для MMM и даже проверить эффект от отключения канала на части аудитории.

Пример: бренд запускает новую верхневороночную кампанию. Вместо того чтобы ждать месяц и смотреть на last-click, маркетолог сразу в BigQuery делит аудиторию на тест и контроль, считает разницу в конверсии в брендовый поиск, прямые заходы и повторные покупки. Это не идеальная лаборатория, но уже гораздо ближе к пониманию реального эффекта, чем привычный отчёт «показы, клики, CPA».
…

RevOps и “единая воронка” в BigQuery: почему я перестал спорить про MQL и начал считать выручку по событиям

В 2026 меняется главный спор в аналитике маркетинга: вместо того чтобы бесконечно обсуждать, где заканчивается маркетинг и начинается sales, мы строим **RevOps-логику** — общую ответственность за выручку. И тут BigQuery становится не “витриной”, а двигателем согласованных метрик.

Моё наблюдение из практики: когда команда пытается сравнивать каналы по MQL/SQL, она почти всегда меряет разные вещи. Где-то лид считается при отправке формы, где-то — при нажатии “получить демо”, где-то — при ручном подтверждении. Итог: отчёты выглядят красиво, но решения принимаются на базе несопоставимых определений.

Я выхожу из этого через простой принцип: **маркер этапа — не CRM-статус, а событие в продуктовой и коммуникационной цепочке**, которое можно однозначно связать с идентификатором контакта/компании.

Как мы это делаем в BigQuery:
— Берём “события намерения” (например, viewed_pricing, demo_requested, sales_call_scheduled, proposal_sent)
— Привязываем к ним “контекст атрибуции” (канал/кампания/источник — как минимум на уровне первого взаимодействия, но лучше с набором касаний)
— Соединяем с финансовым событием (invoice_paid / revenue_recognized — что у вас ближе к реальности)
— Считаем не конверсию в MQL, а **скорость прохождения по этапам до выручки**: time-to-first-revenue, долю клиентов, дошедших до оплаты, и вклад каналов в оплату

Один показатель, который резко отрезвляет: “коридор” между интентом и оплатой. В одном B2B-проекте мы увидели, что половина выручки приходит не от тех, кто “быстрее стал SQL”, а от тех, у кого интент случился раньше, но дальше были дожимы в CS/сейлз с длинным циклом. После пересчёта через события намерения вклад нескольких каналов выровнялся: часть трафика перестала выглядеть “слабой”, потому что маркетинг перестал отвечать за продажу целиком, а стал управлять этапами, на которые способен влиять.

Как это сформулировать в терминах BigQuery:
— Вместо одной таблицы “лиды” — событийная модель (wide/normalized под ваш кейс)
— В отчёте показываем метрику “оплата после этапа X”, а не “лиды из канала Y”
— Определения этапов фиксируем в SQL-вьюхах (чтобы команда не спорила про формулировки)

Если вам нужно начать с малого: возьмите один сегмент (например, “демо-запросы”) и посчитайте, какая доля из них в итоге получает оплату и за какой медианный срок. Это обычно быстрее, чем менять CRM-процессы и согласовывать сотни статусов — и именно так RevOps перестаёт быть лозунгом.

— @BigQuery4MarketingPro

Лонгрид о мемном кейсе Melbet vs Pepper Partners - реально ли оценить в аффилейтке репутационный ущерб в деньгах?

История на $2,000 вряд ли разрушит крупный бренд. Но она вполне может стоить ему сотен тысяч долларов и более, если публично остаётся без внятного решения.

Я в аффилейт-маркетинге более 25 лет, а последние пару лет одно из моих основных направлений - B2B matchmaking. Поэтому я регулярно вижу споры между компаниями о выплатах и претензии, и таких ситуаций в рынке явно становится больше.

Знаю многие кейсы, которые были в итоге решены благополучно до выхода в публичное поле и всегда приятно видеть, когда так происходит, но все больше и больше кейсов, которые не просто выходят в паблик, а еще и очень странным и глупым образом в паблике продолжают долго оставаться и наносить ущерб в то время как имеют очень простые и адекватные для обеих сторон варианты решения.

Вот например про один из таких кейсов писал уже здесь весной.

Если неконструктивны обе стороны (а бывает и так), то можно к этому относиться просто как к развлекательному контенту.

Но когда одна сторона открыта к адекватной коммуникации и поиску оптимального решения, а вторая сторона просто игнорирует проблему, при этом не уходя с рынка в закат, а продолжая тратить огромные бюджеты на PR и маркетинг бренда - это любопытная аномалия.

Сейчас самый заметный в аффилейт рынке пример это кейс Melbet <> Pepper Partners, который уже более месяца развивается в публичном поле и о нем уже писали и многие аффилейт медиа, и отдельные блоги, я наверно один из последних, кто у себя в блоге еще об этом не писал)

Изначальное заявление кейса и описание претензии от Pepper Partners можно почитать здесь.

Очень приличный на мой взгляд разбор со стороны и указание пары простых и логичных вариантов решения ситуации написал Артем Кравченко, можно почитать у него.

А я хочу разобрать эту историю с другой стороны, как можно оценивать репутационные потери от подобных историй непосредственно в деньгах и принимать более взвешенные решения, стоит ли вообще брендам занимать тактику игнорирования и допускать появление и продолжительное обмусоливание таких тем в паблике.

Для мелкого и крупного бренда такие истории могут иметь очень разный эффект, поэтому здесь разберем на примере крупного бренда, так как Melbet в нашем рынке относится именно к таким.

Не знаю конечно их точные цифры затрат на PR в рамках афф рынка (участие в конфах, собственные ивенты, реклама в афф медиа и т.п.), но из того, что вижу как организатор ивентов с приличным опытом, этот бюджет явно измеряется в миллионах $ в год, если не выходит за $10млн+.

Это без PR затрат на прямое привлечение игроков (бренд-амбассадоры, спонсорства футбольных клубов и т.п.), без бюджетов непосредственно на закупку трафика. Только на аффилейтку.

И вот уже более месяца в паблике незакрытый и не откоммуницированный публично кейс на $2k (две тысячи долларов).

В публичной дискуссии сейчас преобладает позиция, что Melbet в этом споре неправы.

Может их развернутая публичная позиция поменяла бы мнение, но ее нет, соответственно на данный момент так.

Какие материальные потери может понести бренд в такой истории?

Многие люди, даже очень опытные и умные, почему-то к таким ситуациям относятся бинарно.

Рухнет бренд (закроется, обанкротится) - значит плохо на них повлиял кейс.

Останется бренд жить и работать как ни в чем не бывало внешне - значит никак не повлияло и может они правильно решили игнорировать, а кто-то вообще решит брать с них пример.

Но это же совсем не так, ситуация не бинарная.

Представим не фактические цифры Melbet, которых у нас нет, а консервативную модель крупного рекламодателя.

Если из-за такого кейса бренд потеряет 10 качественных действующих активных партнёров, либо не привлечёт 10 таких новых партнёров, которые в другой ситуации начали бы с ним работать, последствия уже могут быть кратно выше суммы самого спора.

Я не знаю внутренний LTV партнёра у Melbet. Но если принять для активного опытного аффилейта условные $10,000 LTV, десять таких потерянных партнеров - это уже шестизначная сумма $ недополученного дохода. И это без учёта крупных команд, в случае которых эффект может быть кратно выше и оказаться семизначным.

Даже если в этой модели ошибиться и завысить в несколько раз, сам принцип никуда не исчезает - незакрытый публичный спор на $2,000 в любом случае обойдется бренду многократно дороже этих $2,000.

Цифры конечно я прикинул условные, но рассуждения не виртуальные - я знаю афф команды, которые перестали быть их активными партнерами из-за этого кейса.

Одна известная в рынке команда публично рассказала о своем таком решении в моем чатике про scam-кейсы.

А теперь вернемся к миллионам долларов в год, которые Melbet тратит на публичный PR среди аффов через конфы и прочие активности.

У этих трат же есть определенные ожидаемые и реальные результаты, верно?

На каждый затраченный миллион ожидается определенное количество привлеченных новых партнеров и укрепление лояльности и увеличение оборотов с определенным количеством действующих партнеров.

Вообще без понятия какая там ожидаемая сумма выхлопа на каждый потраченный миллион, поэтому обозначим ожидаемую сумму выхлопа с потраченного на PR миллиона в X.

При таком незакрытом публичном кейсе, вызывающем большой отклик и возмущение в рынке - останется эта сумма выхлопа с PR X без учета прочих факторов или она станет меньше X?

Очевидно станет меньше, доверие к бренду ниже, а значит и вложения в PR дают меньшую отдачу.

Я понимаю, что не все читатели, в том числе заинтересованные, могут дружить с математикой, и особенно понятием математического ожидания на дистанции, но вопрос здесь не только в этике и не только в справедливости конкретной претензии. Это вопрос качества управленческого решения.

Когда бренд инвестирует миллионы в доверие рынка - через конференции, медиа, партнёрские активности и PR, игнорирование аргументированного публичного конфликта снижает отдачу от всех этих вложений. Репутация не выглядит отдельной строкой в P&L, но её потеря вполне превращается в недополученный доход, более дорогой PR и менее лояльных партнёров.

Я искренне надеюсь, что все больше компаний в нашем рынке будут становиться более сознательными и не терять огромные деньги на ровном месте, и если бизнес-этика не зашита в культурный код, то хотя бы из сугубо материальных корыстных соображений начнут вести себя адекватнее)

Всем отличной недели и благоразумия)

BigQuery уже не про «где лежат данные»

В маркетинге 2026 BigQuery ценят не как склад, а как место, где собирается единая версия правды. Когда last-click слабеет, а в B2B маркетинг всё чаще делит ответственность за выручку с sales и customer success, выигрывает не тот, у кого больше отчётов, а тот, у кого данные про путь клиента, контент и сделки сведены в одну логику. **BigQuery становится языком согласования**, а не просто аналитики.

— @BigQuery4MarketingPro

BigQuery маркетинг: вы строите атрибуцию и отчёты, но команда спорит из‑за «точности последнего клика». В 2026 privacy-first подходы (server-side, инкрементальность, MMM) важнее одного источника.

Какой артефакт вы считаете базовым для еженедельного принятия решений?

ВАРИАНТЫ:
1. Инкрементальные тесты (lift) по ключевым каналам
2. MMM-расклад по драйверам выручки и лагам
3. Серверная сквозная атрибуция (event-level) без last-click
4. Единый дашборд конверсий + воронка без атрибуции

— @BigQuery4MarketingPro

$80 за FTD на СНГ — казино-оффер от ПОКЕРОК Partners

Ищете новый оффер для теста? Рассказываем, что предлагаем партнёрам:
• CPA $80 за FTD на все гео СНГ
• $100 к первой выплате для новых аффилиатов
• 5% по саб-реферальной программе
• прозрачная статистика в партнёрском кабинете
• поддержка личного менеджера

Принимаем различные источники: social, мессенджеры, YouTube / Twitch / Kick, SEO, PPC, in-app и медийный трафик.

В казино ПОКЕРОК также доступна GG99 — линейка из 20+ игр с RTP 99%, включая слоты, настольные игры, видеопокер и аркады. Это весомое преимущество для новых игроков в дополнение к приветственным бонусам.

И ещё один повод подключиться уже сейчас: 27 августа состоится Friendly Tournament для партнёров ПОКЕРОК Partners. Успейте подключиться до 25 августа, чтобы принять участие!

Присоединяйтесь к ПОКЕРОК Partners и начинайте зарабатывать на своём трафике уже сейчас!