Привет, на связи Дмитрий Шестаков. Мы в агентстве собираем сквозную аналитику для онлайн-сервисов с длинным циклом сделки, и почти каждый проект начинается с одной и той же сцены: Директ показывает одно число заявок, Метрика другое, CRM третье, и все три системы уверены в своей правоте. Ниже разберу наш стек как он есть — какие слои данных нужны, по каким ключам они связываются, чем забираем выгрузки, где спотыкались сами. С замерами реального проекта, где расход в Директе за период превысил полтора миллиона рублей. Если вы отвечаете за окупаемость трафика SaaS-сервиса, схема переносится почти без изменений.
Почему три системы дают три разных числа по одной кампании
Расхождение цифр — не баг конкретного счетчика, а следствие того, что каждая система отвечает на свой вопрос. Директ атрибутирует конверсии последнему переходу из Директа и считает их в собственном окне. Метрика по умолчанию живет по последнему значимому переходу и видит цели, а не сделки. CRM оперирует сделками и до момента интеграции вообще не в курсе, что такое кампания: пока метки не приехали вместе с заявкой, в поле источника у сделки пусто. Три честные системы, три разных вопроса, три разных ответа.
На длинном цикле все это усиливается. Типичный путь клиента B2B SaaS: клик по горячему коммерческому запросу, две недели тишины, возврат через брендовый поиск, еще через неделю заявка со статьи в блоге. По последнему клику вся заслуга уедет брендовой кампании.
Хотя привел человека совсем другой канал.
десятки тысяч кликов, сотни отправленных форм, заявка около 10 тысяч рублей. Клиент смотрит на такую сводку и задает единственный вопрос, на который она не отвечает: а что из этих форм дошло до оплаты? Отчет рекламного кабинета в этом месте разводит руками. Дальше начинается настройка сквозной аналитики.
Архитектура: четыре слоя данных и ключи связывания
Стек аналитики, который мы собираем онлайн-сервисам, устроен без магии: четыре слоя данных плюс BI поверх. Каждый слой закрывает свой участок пути от показа до оплаты.
Слой | Источник | Ключ связывания | Что дает |
Расходы | Reports API Директа | CampaignId | спенд, показы, клики по кампаниям |
Поведение | Logs API Метрики | ClientID, utm-метки | визиты, цели, отправки форм |
Обращения | коллтрекинг (у нас Callibri) | подменный номер, визит | звонки и чаты с источником |
Сделки | CRM | контакт, ID сделки | квал, продажа, сумма |
Как это сшивается. Метрика хранит ClientID и utm каждого визита. Коллтрекинг привязывает звонок к конкретному визиту через подменный номер, и звонок получает те же метки, что и заявка с формы. CRM принимает метки вместе с обращением и дальше живет своими статусами: обращение, квал, продажа. А расходы цепляются к остальным слоям через идентификатор кампании. Мы кладем CampaignId прямо в utm_campaign при разметке ссылок: названия кампаний люди переименовывают, идентификатор переживает всех.
Слабое звено почти всегда на стыке обращений и сделок: заявка с метками пришла, а сделку менеджер завел руками, и источник потерялся. Прежде чем строить витрины, проверьте именно этот стык. Иначе BI будет красиво визуализировать дыру в данных.
Коннекторы: чем забираем расходы, визиты и обращения
Расходы тянем из Reports API Директа, пятая версия. Тело запроса на отчет по кампаниям за период:
{ "params": { "SelectionCriteria": { "DateFrom": "2026-06-01", "DateTo": "2026-06-30" }, "FieldNames": ["CampaignId", "CampaignName", "Impressions", "Clicks", "Cost"], "ReportName": "spend_by_campaign_june", "ReportType": "CAMPAIGN_PERFORMANCE_REPORT", "DateRangeType": "CUSTOM_DATE", "Format": "TSV", "IncludeVAT": "YES" } }
Здесь две грабли, и на обе мы в свое время наступили. Первая: IncludeVAT ставим YES, иначе расход в витрине не бьется с бухгалтерией, и клиент резонно спрашивает, куда делись 20 процентов. Вторая: Cost приходит в микрорублях. Забудете поделить на миллион — получите дашборд, где спенд SaaS-сервиса за месяц выглядит как бюджет небольшой страны. Выглядит эффектно, доверия не добавляет.
Визиты и цели удобнее забирать не из готовых отчетов Метрики, а из Logs API: он отдает сырые визиты построчно, без агрегации и сэмплирования. Для сведения хватает полей ym:s:visitID, ym:s:clientID, ym:s:UTMCampaign, ym:s:goalsID и даты визита. Обращения выгружаем из API коллтрекинга уже с привязанным визитом и метками, причем Callibri отдает заодно класс обращения — лид, спам, нецелевой звонок. Это экономит ручную разметку на стороне CRM.
Дальше слои встречаются в обычном SQL. Упрощенно связка расходов с квалами выглядит так:
SELECT d.campaign_id, sum(d.cost) AS spend, count(DISTINCT c.deal_id) FILTER (WHERE c.stage_qualified) AS quals FROM direct_spend d LEFT JOIN metrika_visits v ON v.utm_campaign = d.campaign_id::text LEFT JOIN crm_deals c ON c.client_id = v.client_id GROUP BY 1;
Боевой запрос длиннее: дедупликация обращений, окно атрибуции, словарь кампаний. Принцип тот же — расход и сделка встречаются через визит. И отдельно про звонки: без коллтрекинга они в схему не попадают вовсе, потому что звонок не оставляет utm. Подмена номера возвращает ему визит со всеми метками, после чего отслеживание лидов по телефону ничем не отличается от форм.
Хранилище и BI: Roistat или витрина на DataLens
Когда выгрузки налажены, наступает развилка. Готовая система сквозной аналитики вроде Roistat или Calltouch с коробочными интеграциями — или своя витрина на Яндекс DataLens поверх тех же выгрузок.
Критерий | Готовый сервис | Витрина на DataLens |
Запуск | дни, интеграции из коробки | недели, коннекторы пишем сами |
Модель квалификации | в рамках логики вендора | любая своя |
Стоимость владения | абонплата, растет с объемом | время аналитика, сам DataLens в базовом объеме бесплатен |
Данные | живут у вендора | витрины остаются у вас |
Мы чаще собираем на DataLens, и причина прикладная: модель квалификации у B2B SaaS почти всегда нестандартная, а витрины при сборке остаются у клиента. Готовую систему берем, когда каналов один-два, цикл короткий и результат нужен на этой неделе. Спорить, что из этого правильнее, можно бесконечно, поэтому просто скажу, как решаем мы: если в компании есть человек, способный прочитать SQL, берите витрину.
Пара слов про само хранилище, раз оно вынесено в заголовок. Слои держим в реляционной базе: подойдет Postgres, на больших объемах визитов — ClickHouse. Сырые выгрузки складываем как есть, отдельным шагом собираем материализованные витрины: расход и заявки по кампаниям по дням, обращения со сделками, когорты по дате первого касания. DataLens подключается уже к витринам, минуя сырье. Дашборд остается быстрым, и логика сведения живет в SQL, где ее можно прочитать и проверить, а не в настройках чартов.
Теперь замеры. Проект — SaaS-сервис с длинным циклом сделки, данные обезличены. Расход в Директе за период около 1,58 млн рублей. Квалифицированных заявок 107, средняя стоимость квала примерно 14 800 рублей. Продаж 7, конверсия из квала в оплату 6,54 процента. Суммы выручки и ДРР на скриншоте скрыты сознательно: прямая атрибуция за короткое окно на длинном цикле занижает отдачу, потому что часть сделок дозревает уже за границей отчетного периода. Показывать такие цифры без оговорок — верный способ напугать читателя убытком, которого нет.
Что показал разрез заявка против продажи
Самое ценное после сведения слоев — построчное сравнение стоимости заявки и числа продаж по кампаниям.
Если оценивать канал по цене лида, бюджет уедет в кампании, которые копят заявки без продаж, и по всем верхним метрикам это будет выглядеть как успех. Веб-аналитика SaaS без слоя CRM ошибается ровно здесь: она заканчивается на форме, а экономика проекта — на оплате. Что мы делаем с таким отчетом: сортируем по числу продаж, цену заявки держим второй колонкой, бюджет с нижних строк постепенно переливаем в верхние и следим за общей стоимостью продажи по проекту.
Еще один разрез, который часто пропускают, — категория таргетинга. Целевой спрос выкупается дороже всего и съедает основную долю расходов, сопутствующие и широкие сегменты приносят заявку дешевле. Без этой части аналитики каналов трафика перераспределение бюджета между сегментами делается наощупь.
Где данные рвутся и что делать с длинным циклом
Даже собранный стек умеет врать, если данные теряются по дороге. Разрывы, которые чиним чаще всего:
Обращения без источника: звонок или заявка пришли, а меток нет. Закрывается коллтрекингом с подменой номера и передачей utm в CRM вместе с обращением.
Разные модели атрибуции в разных отчетах. Фиксируем одну модель для всех витрин и проговариваем ее прямо в шапке дашборда, чтобы вопрос почему не сходится с кабинетом закрывался за секунду.
Офлайн-конверсии не возвращаются в Директ: сделка закрылась в CRM, а автостратегии продолжают учиться на формах. Лечится передачей конверсий через API Метрики.
Переименованные кампании ломают историю. Единственный надежный ключ — CampaignId.
И отдельная ловушка, на которой горят даже аккуратные команды: оценка месяца по продажам того же месяца.
Расходы на сводке идут ровной полосой. Оплаты приходят рывками, спустя недели после клика. Поделите бюджет месяца на продажи того же месяца — и ранние месяцы окажутся провальными, а поздние волшебными, хотя закупка была одинаковой. Честная аналитика до выручки на длинном цикле считает когорты по дате первого касания: тогда видно, какой месяц закупки трафика реально окупился, а какой просто еще не дозрел.
Четыре сверки, без которых дашборду нельзя верить
Перед тем как принимать по витрине решения о бюджете, прогоняем четыре сверки. Они ловят большую часть потерь данных.
1. Клики в Директе против визитов с рекламных меток в Метрике за тот же период. Расхождение больше 10-15 процентов — теряются метки или барахлит счетчик.
2. Отправки форм в Метрике против обращений в коллтрекинге. Форм заметно больше — часть заявок приходит без источника.
3. Квалы и сделки на дашборде против ручного пересчета в CRM за неделю. Должны сойтись до штуки.
4. У каждой продажи на витрине есть кампания-источник. Продажи без источника означают дыру в передаче меток.
Дмитрий Шестаков, управляющий партнер Ценность сквозной аналитики — в решениях, которые она позволяет принять. Первый же месяц честных данных обычно вскрывает две-три кампании, которые копят дешевые заявки без продаж. Перенесите их бюджет на кампании со сделками, и стоимость квалифицированного лида по проекту падает без роста расходов. |
Минимальный старт, если стека пока нет
Не собирайте все сразу, надорветесь и забросите. Поставьте цели в Метрике на отправку форм и проверьте utm на всех кампаниях: это бесплатно и закрывает базовую атрибуцию. Подключите коллтрекинг, если часть заявок идет звонками. Заведите ручной свод обращение, квал, продажа по кампаниям хотя бы в таблице. Даже месяц такого свода показывает, где заявки есть, а продаж нет, и через один-два месяца на этих данных станет ясно, хватает ли готового сервиса или пора строить витрину. Так настройка сквозной аналитики идет от простого к сложному и не встает на полгода.
Частые вопросы
Чем сквозная аналитика отличается от связки Метрика плюс Директ?
Связка Метрика плюс Директ заканчивается на цели: вы видите визиты и конверсии, но не видите сделок. Сквозная аналитика добавляет слои обращений и CRM и доводит цепочку от показа до оплаты — появляется стоимость квала и продажи по каждой кампании.
Можно ли собрать все на выгрузках в таблицы, без BI?
Да, и это нормальный старт: таблица с обращениями, квалами и оплатами по кампаниям закрывает первые решения по бюджету. BI становится нужен, когда каналов больше двух-трех и ручное обновление начинает съедать дни.
Обязателен ли коллтрекинг, если все заявки идут через формы?
Нет. Коллтрекинг решает одну задачу — вернуть звонку рекламный источник. Если звонков в воронке нет, слой можно не подключать и добавить позже.
Как передавать офлайн-конверсии обратно в Директ?
Через API Метрики: выгружаете из CRM оплаты с ClientID или телефоном и почтой, загружаете как офлайн-конверсии, в Директе назначаете эту цель ключевой. Автостратегии начинают учиться на оплатах вместо форм — на длинном цикле это заметно меняет закупку.
Почему число лидов в CRM не сходится с конверсиями Директа?
Разные определения и разные окна. Директ считает конверсии по своей атрибуции внутри кабинета, CRM — заведенные сделки, плюс часть обращений приходит без меток. Сверка по CampaignId и utm убирает большую часть расхождения, остаток объясняется потерянными источниками.
Сколько времени занимает настройка сквозной аналитики?
Готовый сервис — от нескольких дней до пары недель. Витрина на DataLens с коннекторами, словарем кампаний и сверками — обычно три-шесть недель, дальше поддержка. Первые выводы по перераспределению бюджета появляются уже через месяц честных данных.
