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!

Почему я перестал верить в «одну таблицу на весь маркетинг»

В BigQuery часто приходят с запросом: «соберём всё в один дашборд, и маркетинг станет понятным». Я тоже так думал, пока не увидел, как одна сводная таблица начинает вредить решениям.

Проблема не в BigQuery. Проблема в том, что маркетинг пытаются свести к одному уровню детализации. В итоге в одной витрине смешиваются:
— клики из рекламы,
— выручка из CRM,
— возвраты и отмены,
— повторные покупки,
— офлайн-касса,
— лиды, которые ещё не дошли до денег.

На бумаге это выглядит как «единая правда». На практике — как каша, где любой хороший канал можно случайно объявить плохим, если смотреть только last-click (последний клик) или только первую покупку.

В 2026-м это особенно заметно. Когда last-click теряет вес, а privacy-first атрибуция, MMM (маркетинговое моделирование) и incrementality (инкрементальность) требуют разных срезов данных, универсальная таблица перестаёт работать. Нужна не одна «правда», а несколько слоёв правды под разные управленческие вопросы.

Я обычно строю в BigQuery три уровня:
— операционный: что произошло вчера по каналам и кампаниям;
— продуктовый: кто купил, вернулся, отменил, вырос по LTV (пожизненной ценности);
— управленческий: как маркетинг влияет на выручку, а не только на заявки.

В одном B2B-проекте после разделения витрин мы нашли странность: канал с «дорогим» CPL давал на 23% больше выручки на 90-й день, чем канал с самым дешёвым лидом. До этого его регулярно резали как неэффективный. Это и есть цена одной общей таблицы: она слишком грубо отвечает на слишком разные вопросы.

Мой вывод простой: в маркетинговой аналитике BigQuery нужен не для того, чтобы всё смешать, а чтобы **развести данные по смыслам**. Тогда решение становится точнее, а спор о цифрах — короче.

— @BigQuery4MarketingPro

Стоимость привлечения растёт, а глубина данных о клиенте — нет

Заметил тенденцию последних месяцев в проектах на стыке маркетинга и аналитики: бюджеты на платный трафик у большинства клиентов ушли в плюс, а вопрос «а что мы вообще знаем о человеке после первого касания» — остался на уровне 2022 года.

Типичная картина в BigQuery у заказчика:
— события из GA4 и CRM разложены по разным проектам, иногда в разных аккаунтах
— user_id прокинут через пол-воронки, дальше обрыв
— заказы есть, а нормальной таблицы клиентов с историей покупок нет
— повторные продажи считаются вручную в Looker Studio поверх CSV

При этом тот же клиент спокойно вкладывается в performance и ждёт снижения CPO (стоимости привлечения заказа). Но без связки «расход → поведение → повторная выручка» эта метрика превращается в метрику первого касания, а не в метрику привлечения клиента.

Складывается ощущение, что индустрия упёрлась в разрыв: инструменты для сбора данных есть, а привычка собирать их в одну модель под LTV (пожизненную ценность клиента) и retention (удержание) — нет.

А как у вас: данные о клиенте в BigQuery собираются в единую витрину с историей, или живут в трёх разных местах и собираются вручную перед квартальным отчётом?

— @BigQuery4MarketingPro

Настройка Facebook Customer Chat в GTM: пошаговый чек-лист для передачи данных в BigQuery

Facebook Customer Chat — стандартный виджет для связи с клиентами, но его события (открытие диалога, отправка сообщения, завершение) по умолчанию не попадают в вашу аналитику. Без них невозможно оценить влияние чата на конверсию, LTV и retention. Используем неофициальный шаблон тега от Simo Ahava — он загружает SDK и цепляет обработчики событий API.

— Скачайте шаблон Custom Tag Template из библиотеки Simo Ahava и импортируйте в Google Tag Manager. В шаблоне уже прописана структура для загрузки SDK и подписки на события `onCustomerChatDialogHidden`, `onCustomerChatDialogShown`, `onSendMessage`, `onMarkSeen` и др.

— В параметрах шаблона укажите Page ID вашей страницы Facebook (берётся из настроек виджета). Включите опцию «Automatically load SDK» — это загрузит скрипт динамически, без замедления загрузки страницы.

— Создайте новый тег с этим шаблоном и триггером «All Pages — DOM Ready». Не используйте Page View, так как SDK должен загрузиться после построения DOM. Убедитесь, что тег не блокируется согласием на cookie — сам SDK уже обрабатывает согласие, ваша задача только собрать события.

— Внутри шаблона настройте **Push to Data Layer** для каждого нужного события. Например, при `onSendMessage` передавайте в dataLayer объект `{event: 'fb_chat_message', fbChatEvent: 'sent', fbChatTimestamp: timestamp}`. Это позволит триггерам GTM ловить эти события.

— Создайте переменные dataLayer для захвата типа события (`fbChatEvent`), метки времени, а при желании — анонимизированного ID диалога (если передаётся в API). **Важно**: не собирайте сам текст сообщения или личные данные — это нарушает policy Facebook и принципы privacy-first аналитики.

— Настройте тег GA4 Event или тег-отправку в BigQuery через HTTP-запрос (например, Server Container с endpoint вашей таблицы). Для BigQuery: используйте собственный тег с шаблоном `HTTP Request`, отправляющий JSON-объект с параметрами события, либо используйте коннектор BigQuery в GTM (если он развёрнут). События с Chat SDK имеют малый объём — можно писать напрямую без буфера.

— Проверьте в GTM Preview mode: открывайте чат на сайте — в Data Layer должны появляться объекты `fb_chat_message`. Убедитесь, что тег срабатывает корректно, а в BigQuery появляются строки с полями `event_name`, `fb_chat_event`, `client_id` (если используете GA4 Client ID для связки), `page_location`, `timestamp_micros`.

Когда это пригодится: при построении когортного анализа пользователей, которые взаимодействовали с чатом, для расчёта влияния чат-поддержки на LTV (e-com 2026 — ставка на retention) и при переходе от last-click к mmix-модели с учётом касаний в чате.

— @BigQuery4MarketingPro

Почему я перестал доверять одному отчёту по CAC

В маркетинге до сих пор любят одну красивую цифру: CAC, стоимость привлечения клиента. Я же всё чаще вижу, что в 2026 году эта метрика становится опасной, если использовать её как главный ориентир.

Почему? Потому что CAC отвечает только на вопрос «сколько стоило привлечение», но не отвечает на более важные вопросы: кого мы привлекли, как быстро человек окупится, и что будет с выручкой через 3–6 месяцев. В B2B это особенно заметно: один и тот же канал может давать дорогие лиды, но при этом приводить клиентов с вдвое большей выручкой. А в e-com ситуация ещё жестче — средний чек снижается, и первая покупка всё чаще не покрывает стоимость привлечения без учёта повторных заказов.

Мой практический вывод простой: **CAC без когорт и LTV — это не метрика эффективности, а лишь витрина расходов**.

В BigQuery я обычно собираю не один отчёт, а связку:
— CAC по каналам и кампаниям;
— LTV по когортам первого касания или первой покупки;
— срок окупаемости в днях или месяцах;
— долю повторных покупок и выручку на клиента по сегментам.

Один показательный кейс: на первом уровне отчётности канал выглядел слабым — CAC был на 28% выше среднего. Но когда мы посмотрели когорты в разрезе 90 дней, оказалось, что этот же канал давал на 41% выше LTV и быстрее выходил в окупаемость. Если бы мы смотрели только на CAC, канал бы закрыли раньше времени.

Сейчас, когда last-click теряет вес, а privacy-first атрибуция и MMM требуют большего контекста, маркетологу нужно меньше верить одной цифре и больше строить систему связей между метриками.

Мой принцип такой: не спрашиваю «какой у нас CAC?», пока не вижу рядом ответ на три вопроса — **какая когорта, какой LTV и когда окупаемся**.

— @BigQuery4MarketingPro

ЕЮ Иванов продолжает кошмарить АффПапу, конторку, которая накинула говна на вентилятор этим летом. Тогда в AffPapa не знали, с каким говном идут бодаться, поэтому заслуженно проиграли. 😏

На этот раз ЕЮ зарегал товарный знак AffPapa — совсем скоро имя компании будет официально принадлежать ему. Чтобы убедиться в трушности мува, переходим по ссыл-Очке и вводим серийный номер: 2026793242. Там видим, что заявка на регистрацию подана лично Евгением Юрьичем.

Всё это выглядит забавно, но давайте не забывать, в какой сфере мы работаем и что реально может произойти с жирным троллем за воровство нейминга. Впрочем, толстому не привыкать отхватывать пиздов за проделки в интернете, поэтому ждем очередную фотку разбитого ебала и длинный пост с извинениями. 😏😏😏

В арбитраже денег нет 💵

Кейс «Самоката»: как BigQuery помог пересобрать retention вместо борьбы за первую покупку

В 2024-2025 у «Самоката» одна из самых дорогих метрик в e-grocery — повторный заказ. Средний чек в сегменте экспресс-доставки продуктов просел на 6-8%, конкуренция с «Яндекс Лавкой» и «ВкусВилл» обострилась до предела. Привлекать нового клиента стало в 2,3 раза дороже, чем удержать старого. Команда «Самоката» сфокусировалась на retention и LTV (пожизненной ценности клиента) — и тут на сцену вышел BigQuery.

**Контекст**

Данные лежали в трёх местах: заказы в PostgreSQL, события приложения в ClickHouse, маркетинговые расходы в API рекламных кабинетов. Соединить их вручную через SQL-запросы аналитика занимало 3-4 дня. Маркетинг не мог отвечать на вопрос «какой когорте какой промокод дать» быстрее, чем за неделю.

**Задача**

Сократить цикл «гипотеза — эксперимент — вывод» до 24 часов. Научиться считать реальный LTV по когортам с учётом оттока, а не по средней температуре по больнице.

**Решение**

Команда собрала единое хранилище на BigQuery: потоковые данные из приложения через Firebase → Streaming Insert, батчи из 1С и рекламных систем через Cloud Functions. Всё сводится в таблицы фактов по схеме «звезда»: в центре таблица заказов, вокруг — справочники клиентов, товаров, промо-акций.

Дальше появился ключевой запрос — когортный LTV с окном 90 дней:

— считаем день первой покупки для каждого клиента
— группируем по неделям когорты
— считаем накопительную выручку и churn rate (отток)
— отнимаем CAC (стоимость привлечения) по каждому каналу

Всё это в материализованном представлении, которое пересчитывается каждые 6 часов. Маркетолог сам открывает Looker Studio и видит, какая когорта из какого канала окупается на 60-й, 90-й, 120-й день.

**Результат**

За 8 месяцев: цикл эксперимента сократился с 7 дней до 18 часов, доля когорт с положительным LTV на горизонте 90 дней выросла с 34% до 51%, бюджет на привлечение перераспределили в пользу каналов с лучшей retention-кривой. Отдельный инсайт: когорты из push-подписчиков показали LTV на 27% выше, чем из платного трафика — но только при условии, что первый заказ случался в течение 48 часов после подписки.

**Урок**

Когда воронка дорожает, retention-метрики в BigQuery превращаются из «дашборда для CFO» в рабочий инструмент маркетинга. Главное — не считать LTV как среднее по всем клиентам, а строить его по когортам с поправкой на канал привлечения. Иначе оптимизируешь прошлогодний снег.

В 2026 году эта логика становится стандартом: privacy-first атрибуция (серверная, MMM, incrementality) вытесняет last-click, и без нормальной когортной аналитики в BigQuery маркетинг просто не увидит, где он зарабатывает, а где сливает.

— @BigQuery4MarketingPro

Почему в BigQuery маркетологу важнее не «считать всё», а считать одно и то же одинаково

Я часто вижу одну и ту же ошибку: команда подключает BigQuery, строит десятки витрин, а потом спорит не о выводах, а о том, какая таблица «правильная». В 2026 году это особенно дорого. Когда last-click уже не спасает, а privacy-first атрибуция, server-side и MMM требуют согласованности, главная ценность BigQuery — не в объёме данных, а в едином методе расчёта.

Моё мнение простое: маркетологу не нужен склад сырых событий. Ему нужен **один источник согласованных определений**:
— что такое визит;
— что такое активный пользователь;
— что считать конверсией;
— как мы связываем кампанию, сессию и выручку;
— где проходит грань между «зафиксировали» и «признали в отчёте».

На практике именно здесь ломается аналитика. У одного отчёта конверсия считается по дате клика, у другого — по дате покупки. В одном месте возврат уменьшает выручку, в другом — нет. В итоге маркетинг защищает не бюджет, а трактовку поля.

Я однажды сводил данные по 14 каналам для B2B-воронки. После очистки и унификации событий объём «полезных» строк оказался почти на 40% меньше, чем ожидала команда. И это была хорошая новость: мы наконец-то увидели не шум, а реальную структуру спроса. Решения по перераспределению бюджета после этого стали проще и быстрее.

BigQuery в маркетинге выигрывает не тогда, когда вы строите ещё один дашборд. А когда фиксируете правила, по которым любой новый отчёт будет считаться так же, как предыдущий. В эпоху, где ценится не объём отчётности, а доверие к цифре, это и есть конкурентное преимущество.

— @BigQuery4MarketingPro