ABC/XYZ + RFM: как комбинировать модели сегментации для точных решений

Откройте свою RFM-матрицу и найдите клетку «топовые клиенты»: недавняя покупка, высокая частота, крупная сумма. А теперь вопрос на засыпку — кто из них сделал один дорогой заказ на распродаже и уже не вернется, а кто покупает каждый месяц третий год подряд? RFM этого не скажет. Для модели эти двое выглядят одинаково, а стоимость ошибки в работе с ними — совершенно разная.

Когда база маленькая и ассортимент простой, одной RFM действительно хватает. Но на базе в 50–200 тысяч контактов с разными категориями товаров, сезонностью и B2B-заказами вперемешку с розницей модель начинает врать. О том, как мы закрываем эти слепые зоны, рассказывает Екатерина Чернова, CRM-маркетолог ClientCore — она собирает комбинированные модели сегментации для клиентов агентства уже четвертый год.

Что измеряет каждая модель

Прежде чем комбинировать, стоит честно разложить по полкам, что умеет каждый инструмент.

RFM оценивает клиента по трем осям: давность последней покупки (Recency), частота заказов (Frequency) и сумма трат (Monetary). Модель отвечает на вопрос «насколько клиент ценен и жив ли он вообще». Это рабочая лошадка сегментации: быстро считается, понятно читается, легко ложится в Mindbox или любую другую CRM-платформу.

ABC ранжирует клиентов по вкладу в выручку. Группа A дает порядка 80% денег, B — еще 15%, C — хвост из мелких покупателей. Метод пришел из управления ассортиментом, но на клиентской базе работает так же: показывает, где сосредоточен бизнес.

XYZ измеряет стабильность спроса через коэффициент вариации покупок. X — клиент покупает регулярно, с разбросом до 10–15%. Y — спрос колеблется, но паттерн прослеживается. Z — покупки случайные, предсказать следующую невозможно.

Первые две модели смотрят на деньги. Третья — на поведение во времени. На этом стыке и появляется ценность комбинации.

Где RFM начинает врать

Классическая ситуация: клиент зашел в ноябре, купил экипировку на 180 тысяч — и в RFM мгновенно взлетел в топовую клетку. Ему начинают слать программу для лоялистов, а он эту базу больше никогда не откроет. По нашим наблюдениям, в клетке "чемпионы" у ритейлеров со сложным ассортиментом сидит от 20% до 35% таких случайных людей.

Екатерина Чернова

CRM-маркетолог, ClientCore

У RFM три уязвимых места. Первое — Monetary раздувают разовые крупные покупки. Один B2B-заказ ставит клиента в один ряд с постоянным покупателем, хотя LTV у них отличается в разы. Второе — Recency ломается о сезонность. Клиент, который покупает резину дважды в год, в межсезонье формально «засыпает», а по факту просто живет в своем нормальном цикле. Третье — Frequency не различает равномерность: четыре покупки за месяц и четыре покупки за год с равными промежутками дают похожий скор.

На простой базе это погрешности, которыми можно пренебречь. На сложной они превращаются в системные ошибки: программа лояльности тратит ресурс на случайных транжер, а стабильные клиенты среднего чека недополучают внимания, хотя именно они дают предсказуемую выручку.

Как ABC и XYZ закрывают слепые зоны

Логика комбинации простая: каждая модель компенсирует слабость соседней.

XYZ поверх RFM отделяет стабильного лоялиста от разового транжеры. Клиент с высоким Monetary и классом X — это ядро бизнеса, на него имеет смысл тратить лучшие механики. Тот же Monetary с классом Z — сигнал держать дистанцию: поощрить, но не строить на нем планы. В терминах abc и rfm анализа это звучит так: сумма показывает, сколько клиент принес, а вариация — можно ли на него рассчитывать дальше.

ABC добавляет слой приоритизации. Когда ресурс CRM-команды ограничен (а он всегда ограничен), сначала собирают точные механики для пересечения «группа A + RFM-чемпионы», потом для B, а хвост C обслуживают автоматическими цепочками без ручной работы. Попытка дать всем одинаково глубокую персонализацию заканчивается тем, что команда тонет в производстве, а эффект размазывается по базе.

Я обычно объясняю так: RFM говорит, кто у тебя есть. XYZ — на кого можно опереться. ABC — куда вкладываться в первую очередь. По отдельности каждая модель отвечает на один вопрос, и только вместе они дают картину, по которой реально принимать решения.

Екатерина Чернова

CRM-маркетолог, ClientCore

Как собрать комбинированную матрицу на практике

Технически все сводится к выгрузке истории заказов и трем расчетам. Порядок такой: сначала RFM-скоринг по стандартной методике (обычно квинтили от 1 до 5 по каждой оси), затем коэффициент вариации для XYZ — стандартное отклонение сумм покупок по периодам, деленное на среднее. Период берут месяц или квартал в зависимости от цикла покупки. Дальше ABC-ранжирование по накопленной выручке и финальный шаг — пересечение трех моделей в одну матрицу.

На практике в Excel это вечер работы, а в BI-инструменте или через SQL — пара часов. Главные сложности не в формулах, а в данных.

По последнему пункту: клиенты мигрируют между клетками постоянно. Пересчет раз в квартал — минимум, для базы с коротким циклом покупки — раз в месяц.

Что делать с комбинированными сегментами

Матрица сама по себе ничего не продает. Ценность появляется, когда под каждую связку сегментов назначена своя механика. Несколько рабочих комбинаций.

Чемпионы + X. Стабильное ядро. Задача — удерживать и расширять корзину: ранний доступ к новинкам, персональные подборки, программа привилегий. Никаких агрессивных скидок — эти люди и так покупают.

Чемпионы + Z. Крупные разовые клиенты. Задача — перевести в предсказуемые: мягкая onboarding-цепочка после большого заказа, кросс-сейл сопутствующих категорий. Скидочное давление здесь оправдано только как инструмент второй покупки.

Средний RFM + X + группа B. Самый недооцененный сегмент. Стабильные покупатели со средним чеком — у них самый понятный потенциал роста. Работают механики на повышение чека: пороги бесплатной доставки, бандлы, бонус за заказ от определенной суммы.

Засыпающие + X. Раньше покупали регулярно, сейчас Recency проседает. Это сигнал для реактивации по полной программе: win-back цепочка, персональный повод, иногда звонок. Засыпающий Z-клиент таких вложений не заслуживает — хватит стандартной автоматической цепочки.

Ставка на точность вместо охвата дает измеримый результат. В проекте для MINIDINO мы пересобрали логику рассылок: вместо отправок всей базе без разбора — работа по сегментам. За квартал эффективность email выросла на 110% без увеличения числа отправок (кейс). Сегментация там была проще полной связки ABC/XYZ + RFM, но принцип тот же: точность бьет охват.

Ошибки, которые убивают комбинированную модель

Самая частая — попытка использовать все ячейки матрицы. Три модели дают десятки комбинаций, и если под каждую строить свою цепочку, команда захлебнется в производстве контента. Рабочий минимум — 6–8 приоритетных сегментов, остальное обслуживают стандартные триггеры и массовые рассылки.

Вторая ошибка — считать XYZ по слишком короткой истории. Клиент с тремя покупками за год формально получит класс, но это артефакт выборки, а не стабильность. Мы обычно ставим порог: XYZ считается только для клиентов с четырьмя и более заказами за период, остальные получают метку «недостаточно данных» и обрабатываются отдельно.

Третья — забыть, что сегментация живет внутри CRM-платформы, а не в отчете аналитика. Красивый дашборд в Power BI, из которого сегменты не попадают в Mindbox как динамические фильтры, не влияет на выручку. В кейсе FINNTRAIL исходная ситуация была крайней версией этой проблемы: письма получала вся база разом, без единого сегмента. После перезапуска шаблона и логики персонализации выручка email-канала выросла на 15%, а сборка письма ускорилась с полутора недель до двух часов (кейс).