Удержание клиентов является одной из главных задача бизнеса, при этом крайне важно распределить ресурсы на удержание в соответствии с потенциальной прибыльностью потребителя. Чаще всего задача прогнозирования оттока клиентов решается на основе RFM (Recency, Frequency, Monetary) модели. В работе предлагается способ расширения RFM модели с помощью оценок вероятности изменения поведения клиента. На основе анализа данных о 33918 покупателях крупной российской торговой сети за 2019–2020 гг. показано, что существуют повторяющиеся паттерны изменения их поведения длительностью в один год. Информация об этих паттернах используется для вычисления необходимых оценок вероятности. Включение этих данных в предиктивную модель на основе логистической регрессии увеличивает точность прогнозирования более чем на 10% по метрикам AUC и геометрическое среднее. Показано также, что данный подход имеет ограничения, связанные с нарушением паттернов поведения в случае внешних шоков, таких как локдаун из-за пандемии COVID-19 в апреле 2020 г. В работе также предложен способ идентификации этих шоков, позволяющий спрогнозировать снижение предиктивной способности модели.