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

> RFM показывает, сколько клиент потратил, но молчит о том, стабилен ли его спрос. Разбираем, как ABC/XYZ-анализ закрывает слепые зоны RFM и делает сегментацию рабочим инструментом, а не отчетом для…

**Рубрика:** Статьи  
**Дата:** 2026-08-05

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.

> **Читайте также:** [ABC-анализ клиентов: как отделить тех, кто приносит деньги, от балласта](https://clientcore.ru/blog/articles/abc-analiz-klientov-kak-otdelit-teh-kto-prinosit-dengi-ot-ballasta)

## 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.

**Норма**

- история заказов минимум за 12–18 месяцев, иначе XYZ нечего считать
- отмененные и тестовые заказы вычищены до расчета
- один клиент = одна карточка, дубликаты склеены
- период для XYZ совпадает с естественным циклом покупки в вашей нише

**Red flag**

- в выгрузке заказы из розницы и интернет-магазина живут отдельно
- корпоративные закупки записаны на физлицо-менеджера
- коэффициент вариации считается по клиентам с двумя покупками — там математически не бывает стабильности
- сегментация посчитана один раз и висит в CRM год без пересчета

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](https://clientcore.ru/blog/articles/keis-minidino-rost-effektivnosti-email)). 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](https://clientcore.ru/blog/articles/keis-finntrail-rost-vyruchki-email)).

**Норма**

- 6–8 активных сегментов, у каждого — владелец и целевая метрика
- сегменты заведены в CRM как динамические фильтры и обновляются автоматически
- эффект по сегменту измеряется против контрольной группы

**Red flag**

- матрица существует только в презентации стратегии
- под каждую ячейку завели отдельную цепочку — и половину давно никто не проверяет
- сегмент «чемпионы» месяцами получает одну и ту же механику без тестов

> **Читайте также:** [Сценарии для спящих клиентов: как поймать отток до того, как стало поздно](https://clientcore.ru/blog/articles/scenarii-dlya-spyaschih-klientov-kak-poymat-ottok-do-togo-kak-stalo-pozdno)

---

[Открыть статью на сайте](https://clientcore.ru/blog/articles/abc-xyz-rfm-kak-kombinirovat-modeli-segmentacii-dlya-tochnyh-resheniy)