Umetna inteligenca v marketingu spletne trgovine

Kako z umetno inteligenco zgraditi avtomatizacije za posamezne izdelke

Posted on July 18, 2026 by

Avtomatizacija za posamezen izdelek je tok, zgrajen okoli tega, kako se en izdelek dejansko uporablja — ne splošno zaporedje z vrinjenim imenom izdelka. AI pomaga tako, da opravi razmislek, ki ga večina trgovin preskoči: podajte ji izdelek in nekaj dejstev (cena, kako pogosto se znova kupi, s čim se ujema, kaj kupce zmede) in izrisala bo tok — sprožilce, časovnico, nadaljnja sporočila in naravni naslednji izdelek — ki ustreza tistemu izdelku. 30-dnevno prehransko dopolnilo, vzmetnica za 900 € in enkratni ovitek za telefon si vsak zaslužijo drugačno avtomatizacijo, AI pa je hitra pri zasnovi vseh treh, ko ji poveste, kako se vsak izdelek obnaša. Vašega izdelka ne bo poznala; to priskrbite vi. To, kar veste, spremeni v strukturiran tok, ki ga lahko zgradite.

To govori o snovanju avtomatizacij okoli konkretnih izdelkov. Je bližnji sorodnik priporočil izdelkov in pravil za priporočanje — mejo bom potegnil jasno, da boste vedeli, kateri članek reši kateri problem.

Težava: en tok za katalog, ki se obnaša na deset različnih načinov

Večina trgovin poganja en sam nabor tokov — en pozdravni, enega za zapuščeno košarico, en ponakupni — čez vsak izdelek, ki ga prodaja. To je smiselno izhodišče. A pomeni, da kupec, ki je kupil potrošno blago in ga bo v mesecu porabil, dobi enako nadaljevanje kot nekdo, ki je kupil trajen izdelek in ga leta ne bo zamenjal. Kupca potrošnega blaga bi bilo treba opomniti na ponovno naročilo, preden mu zmanjka. Kupcu trajnega izdelka bi bilo treba navzkrižno prodati dodatek, ne pa ga nadlegovati, naj znova kupi stvar, ki jo je pravkar dobil.

Ko vaši tokovi ne upoštevajo, kako se izdelek dejansko uporablja, zamudite dve najlažji zmagi ponovnega nakupa v spletni prodaji: opomnik za obnovo zaloge in dobro časovno usklajeno navzkrižno prodajo. Obe sta odvisni od poznavanja ritma izdelka — vpisovanje tega ritma v tok pa je natanko snovalno delo, za katero trgovine nimajo časa.

Zakaj običajna rešitev ni dovolj

Pogost odgovor je »dodaj personalizacijo« — v obstoječe emaile spustite blok priporočenih izdelkov in temu rečete za posamezen izdelek. To pomaga besedilu, a struktura je še vedno splošna. Blok priporočil ne spremeni, kdaj se email sproži ali koliko nadaljevanj kupec dobi. Kupec potrošnega blaga vas na 25. dan še vedno ne bo slišal, razen če je časovnica toka zgrajena okoli 30-dnevnega cikla.

Druga običajna poteza je gradnja tokov za posamezne izdelke ročno, enega za drugim, in obup po dveh, ker je počasno. Načrtovanje sprožilca, zamikov, vsebine sporočilo za sporočilom in izstopnih pravil za vsako izdelčno linijo je resnično zamudno. Prav ta zamudnost je razlog, da se ne opravi — in to je natanko zasnova, ki jo AI odvzame. Odločitve še vedno sprejemate vi; AI le izdela prvi celoten osnutek v minutah namesto v popoldnevu.

Kje pušča denar

Puščanje je ponovni nakup, ki nikoli ni spodbujen. Potrošno blago to naredi nazorno. Recimo, da prodajate vrečko kave, primerno za naročnino, ki zdrži približno 30 dni, povprečno naročilo 25 €, in 800 ljudi jo je kupilo prejšnje četrtletje. Če bi jih ob dobro časovno usklajenem pošuku vsaj 15 % naročilo znova, vi pa ga nikoli ne pošljete, je to 120 naročil — 3.000 € — ki vsako četrtletje ostanejo na mizi, od kupcev, ki jim izdelek že ugaja. (Ponazoritveno — preračunajte svojo stopnjo ponovnih naročil.)

Trajni izdelki in izdelki z veliko razmisleka puščajo drugače. Tam je denar v dodatku ali dopolnilnem izdelku, kupljenem teden ali dva po glavnem nakupu, ko je kupec zadovoljen — prodajte ga prezgodaj in deluje pohlepno, prepozno in trenutek je mimo. Pravi trenutek je lastnost izdelka, ustrezno zadeti pa je tisto, čemur je tok za posamezen izdelek namenjen.

Praktična rešitev, korak za korakom

Katalog razvrstite po vedenju, ne po kategoriji. Ne potrebujete toka na vsak SKU. Potrebujete enega na vrsto vedenja. Večina trgovin jih ima tri ali štiri: potrošno blago (ponovno naročeno v ciklu), trajni izdelki z dodatki (navzkrižna prodaja po nakupu), izdelki z veliko razmisleka (potrebujejo poučitev prej in pomiritev potem) in enkratni izdelki (malo potenciala za ponovitev — ne vlagajte pretirano). AI prosite, naj vam pomaga razvrstiti vaše najbolje prodajane izdelke v te vrste.
AI podajte resnična dejstva izdelka. Za vsako vrsto ji dajte: ceno, okvirni interval ponovnega naročila, če obstaja, prva enega ali dva dopolnilna izdelka in glavno stvar, ki kupce zmede ali skrbi. Dejstva noter, struktura ven. Brez dejstev bo ugibala, njeno ugibanje o vašem ciklu ponovnega naročila pa je brez vrednosti.
Prosite za celotno specifikacijo toka, z besedilom vred. Naročite ji, naj razgrne sprožilec, segment, vsako sporočilo z njegovim zamikom, kanalom in ciljem. Za potrošno blago: »Zasnuj tok obnove zaloge za izdelek, ki se porabi v ~30 dneh. Daj mi sprožilec, kdaj se vsak email pošlje glede na nakup, kaj vsak pove in kdaj dodati SMS.« Prosite za okostje, telo pa boste zapolnili z glasom blagovne znamke.
Preizkusite časovnico pod pritiskom. To je korak presoje. Če AI reče »opomnik za ponovno naročilo na 30. dan« za izdelek, ki ga ljudje dejansko porabijo v 22 dneh, vaš opomnik prispe, ko so že ostali brez njega in morda kupili drugje. Vi poznate resnični cikel; popravite ga. Časovnica je tam, kjer tokovi za posamezne izdelke živijo ali umrejo.
Sporočila napišite v svojem glasu. Naj AI zasnuje, nato prepišite, da zveni kot vaša trgovina in ostane pošteno o tem, kaj izdelek počne. Ohranjanje AI besedila točnega in skladnega je tu pomembnejše, ker podajate trditve o izdelku — glejte kako ohranjati emaile, ki jih ustvari AI, točne in skladne.

Kaj avtomatizirati, po vrstah izdelkov

Konkreten tok obnove zaloge za potrošno blago, kot vzorčna specifikacija:

Sprožilec: naročilo potrošnega blaga, časovnik zagnan ob nakupu (ali dostavi, če je zaznavna).
Segment: kupci tega izdelka; izključite vsakogar, ki je zanj že na naročnini.
Časovnica / kanal: email ob ~22. dnevu (»čas za obnovo zaloge?«), drugi ob ~30. dnevu, če niso znova naročili, izbirni SMS ob 35. dnevu s privolitvijo.
Vsebina: ponovno naročilo natančno tega izdelka z enim klikom, plus naravni spremljevalni izdelek.
Cilj: ponovno naročilo — in sčasoma krajša vrzel med nakupi.

Tok navzkrižne prodaje za trajen izdelek je videti drugače: sproži se ob nakupu glavnega izdelka, počaka teden ali dva, da ga uporabijo, nato predstavi dodatek. Logika sprožilcev in ustvarjanje vsebine sta dve ločeni veščini, ki se morata ujeti — kako združiti ustvarjanje vsebine z AI z vedenjsko avtomatizacijo pokrije, kako naj delujeta kot en sistem.

Primer iz trgovine

Trgovina za male živali je mesečno sredstvo proti bolham in enkratno krtačo za nego prodajala z istim ponakupnim emailom. AI jim je pomagala oba razdeliti po vedenju: sredstvo proti bolham je dobilo tok obnove zaloge, časovno usklajen z 30-dnevnim ciklom, z opomnikom za ponovno naročilo na 26. dan; krtača je obdržala preprosto zahvalo z navzkrižno prodajo šampona. Ponovna naročila sredstva so bila celotna poanta — ponavljajoč se izdelek brez pošuka za ponovno naročilo je najjasnejše puščanje prihodka, ki ga trgovina s potrošnim blagom ima. Krtača ni potrebovala iste mašinerije. Ujemanje toka z vedenjem izdelka, ne s položajem v katalogu, je bila celotna poteza. (Sestavljen primer — ne konkreten poročan rezultat.)

Kako izmeriti, ali se tokovi za posamezne izdelke izplačajo

Stopnja ponovnega nakupa za izdelek, ki ga tok cilja, prej in potem.
Interval ponovnega naročila za potrošno blago — dober tok bi moral skrajšati povprečno vrzel med naročili.
Prihodek na prejemnika na toku, da ga lahko primerjate s svojim splošnim ponakupnim emailom in dokažete, da je vreden dodatne gradnje.
Odjave, spremljane po posameznem toku, da zaporedje za posamezen izdelek ne pošilja preveč pošte niši.

Če tok za posamezen izdelek ne premaga vašega splošnega po prihodku na prejemnika, ta izdelek verjetno ni potreboval svojega toka. Specializirane gradnje prihranite za izdelke, kjer se vedenje resnično razlikuje.

Kje se vklopi Omnisend

Tokovi za posamezne izdelke od orodja potrebujejo nekaj stvari: sprožilce, ki se sprožijo ob konkretnem izdelku ali kategoriji, dinamične izdelčne bloke, ki potegnejo natančen izdelek in njegovega spremljevalca, in enostavno vejitev, da lahko potrošno blago in trajni izdelek tečeta po različni logiki. V svojih trgovinah uporabljam Omnisend — izbran pred Klaviyem, potem ko sem testiral oba — ker je gradnja toka okoli kupljenega izdelka, s pravimi zamiki in dinamičnim blokom za ponovno naročilo, opravilo istega dne, združevanje emaila s SMS-om za poznejše opomnike pa sedi na enem mestu. AI zasnuje tok; platforma je tam, kjer teče.

Kje leži meja s sosedi: če je vaše vprašanje, katere izdelke priporočiti komu, je to kako lahko AI spletnim trgovinam pomaga personalizirati priporočila izdelkov; če gre za logična pravila za temi izbirami — »pokaži dodatek, ko je kupljen glavni izdelek« — je to kako z umetno inteligenco ustvariti pravila za priporočanje izdelkov. Ta članek je plast nad obema: avtomatizacija, znotraj katere priporočilo živi.

Pošteni omejitvi: AI zasnuje strukturo, a ne more poznati vašega resničnega cikla ponovnega naročila ali katera izdelka se dejansko ujameta — če ta dejstva zgrešite, uglajen tok opominja ljudi ob napačnem trenutku. In odličen tok ne bo rešil izdelka, ki ga ljudje ne želijo kupiti dvakrat. Omnisend je partner Shopimationa v pridruženem programu; priporočam ga iz vsakodnevne rabe, brezplačna raven pa zadošča, da zgradite in preizkusite en tok za posamezen izdelek, preden se razširite.

Vaš naslednji korak

Danes izberite svoj najpogosteje znova naročeni izdelek, AI orodju dajte njegovo ceno in cikel ponovnega naročila ter prosite za celotno specifikacijo toka obnove zaloge — sprožilec, časovnica, sporočila, izstop. Časovnico popravite na resnični cikel, nato zgradite ta en tok, preden se dotaknete preostalega kataloga. Ko je v živo, je naravna naslednja avtomatizacija za izboljšanje tista, ki jo večina trgovin že ima, a jo premalo izkorišča — kako z umetno inteligenco izboljšati emaile za zapuščene košarice — in da potrdite, da je ta gradnja vaša najboljša raba časa, jo navzkrižno preverite z kako z umetno inteligenco poiskati priložnosti za prihodek v email podatkih.

AI for Ecommerce Marketing

How to Use AI to Build Product-Specific Email Automations

Posted on July 18, 2026 by

A product-specific email automation is a flow built around how one product actually gets used — not a generic sequence with the product name pasted in. AI helps by doing the thinking that most stores skip: give it a product and a few facts (price, how often it’s rebought, what it pairs with, what confuses buyers), and it will map out the flow — the triggers, the timing, the follow-up messages, and the natural next product — that fits that item. A 30-day supplement, a €900 mattress, and a one-time phone case each deserve a different automation, and AI is fast at drafting all three once you tell it how each product behaves. It won’t know your product; you supply that. It turns what you know into a structured flow you can build.

This is about designing automations around specific products. It’s a close cousin of product recommendations and recommendation rules — I’ll draw the line clearly so you know which article solves which problem.

The problem: one flow for a catalog that behaves ten different ways

Most stores run a single set of flows — one welcome, one abandoned cart, one post-purchase — across every product they sell. That’s the sensible place to start. But it means a customer who bought a consumable they’ll finish in a month gets the same follow-up as someone who bought a durable item they won’t replace for years. The consumable buyer should be reminded to reorder before they run out. The durable buyer should be cross-sold an accessory, not nagged to rebuy the thing they just got.

When your flows ignore how the product is actually used, you miss the two easiest repeat-purchase wins in ecommerce: the replenishment reminder and the well-timed cross-sell. Both depend on knowing the product’s rhythm — and encoding that rhythm into a flow is exactly the design work stores don’t have time for.

Why the usual fix isn’t enough

The common answer is “add personalization” — drop a recommended-products block into the existing emails and call it product-specific. That helps the copy, but the structure is still generic. A recommendation block doesn’t change when the email fires or how many follow-ups a customer gets. A consumable buyer still won’t hear from you at day 25 unless the flow’s timing is built around the 30-day cycle.

The other usual move is to build product-specific flows by hand, one at a time, and give up after two because it’s slow. Mapping the trigger, the delays, the message-by-message content, and the exit rules for each product line is genuinely tedious. That tedium is why it doesn’t get done — and it’s exactly the drafting AI removes. You still make the calls; AI just produces the first full draft in minutes instead of an afternoon.

Where the money leaks

The leak is the repeat purchase that never gets prompted. Consumables make this vivid. Say you sell a coffee subscription-friendly bag that lasts about 30 days, average order €25, and 800 people bought it last quarter. If even 15% would reorder given a well-timed nudge but you never send one, that’s 120 orders — €3,000 — sitting on the table each quarter, from customers who already like the product. (Illustrative — run your own reorder rate.)

Durable and high-consideration products leak differently. There the money is in the accessory or the complementary item bought a week or two after the main purchase, once the customer is happy — sell it too early and it reads as greedy, too late and the moment’s gone. The right timing is a property of the product, and getting it right is what a product-specific flow is for.

The practical solution, step by step

Sort your catalog by behavior, not category. You don’t need a flow per SKU. You need one per behavior type. Most stores have three or four: consumables (reordered on a cycle), durables with accessories (cross-sell after), high-consideration items (need education before and reassurance after), and one-offs (little repeat potential — don’t over-invest). Ask AI to help bucket your top sellers into these types.
Feed the AI the product’s real facts. For each type, give it: price, rough reorder interval if any, the top one or two complementary products, and the main thing that confuses or worries buyers. Facts in, structure out. Without the facts it will guess, and its guess about your reorder cycle is worthless.
Ask for the full flow spec, copy included. Prompt it to lay out trigger, segment, each message with its delay, channel, and goal. For a consumable: “Design a replenishment flow for a product used up in ~30 days. Give me the trigger, when each email sends relative to purchase, what each says, and when to add SMS.” You’re asking for the skeleton, and you’ll fill in brand voice.
Pressure-test the timing. This is the judgment step. If the AI says “reorder reminder at day 30” for a product people actually finish in 22, your reminder arrives after they’ve already run out and maybe rebought elsewhere. You know the real cycle; correct it. Timing is where product-specific flows live or die.
Write the messages in your voice. Let AI draft, then rewrite so it sounds like your store and stays honest about what the product does. Keeping AI copy accurate and compliant matters more here because you’re making product claims — see how to keep AI-generated emails accurate and compliant.

What to automate, by product type

A concrete replenishment flow for a consumable, as an example spec:

Trigger: order of the consumable, timer started at purchase (or delivery, if detectable).
Segment: buyers of that product; exclude anyone already on a subscription for it.
Timing / channel: email at ~day 22 (“time to restock?”), a second at ~day 30 if they haven’t reordered, an optional SMS at day 35 with consent.
Content: one-click reorder of the exact product, plus the natural companion item.
Goal: the reorder — and a shorter gap between purchases over time.

A cross-sell flow for a durable looks different: trigger on the main-product purchase, wait a week or two until they’ve used it, then introduce the accessory. The trigger logic and content generation are two separate skills that have to mesh — how to combine AI content creation with behavioral automation covers making them work as one system.

A store example

A pet store sold a monthly flea treatment and a one-time grooming brush with the same post-purchase email. AI helped them split the two by behavior: the flea treatment got a replenishment flow timed to its 30-day cycle with a reorder reminder at day 26; the brush kept a simple thank-you with a cross-sell to shampoo. The treatment reorders were the entire point — a recurring product with no reorder nudge is the clearest revenue leak a consumable store has. The brush didn’t need the same machinery. Matching flow to product behavior, not catalog position, was the whole move. (Composite example — not a specific reported result.)

How to measure whether product-specific flows pay off

Repeat-purchase rate for the product the flow targets, before and after.
Reorder interval for consumables — a good flow should shorten the average gap between orders.
Revenue per recipient on the flow, so you can compare it against your generic post-purchase email and prove it’s worth the extra build.
Unsubscribes, watched per flow, so a product-specific sequence isn’t over-mailing a niche.

If a product-specific flow doesn’t beat your generic one on revenue per recipient, that product probably didn’t need its own flow. Keep the specialized builds for the products where behavior genuinely differs.

Where Omnisend fits

Product-specific flows need a few things from the tool: triggers that fire on a specific product or category, dynamic product blocks that pull the exact item and its companion, and easy branching so a consumable and a durable can run different logic. I use Omnisend in my own stores — chosen over Klaviyo after testing both — because building a flow around a product bought, with the right delays and a dynamic reorder block, is a same-day job, and combining email with SMS for the later reminders sits in one place. AI designs the flow; the platform is where it runs.

Where the line sits with the neighbors: if your question is which products to recommend to whom, that’s how AI can help ecommerce stores personalize product recommendations; if it’s the logic rules behind those picks — “show accessory when main product bought” — that’s how to use AI to create product recommendation rules. This article is the layer above both: the automation the recommendation lives inside.

Honest limits: AI drafts the structure, but it can’t know your true reorder cycle or which products actually pair — get those facts wrong and a slick flow reminds people at the wrong moment. And a great flow won’t rescue a product people don’t want to buy twice. Omnisend is an affiliate partner of Shopimation; I recommend it from daily use, and the free tier is enough to build and test one product-specific flow before you expand.

Your next step

Pick your single most-reordered product today, give an AI tool its price and reorder cycle, and ask for a full replenishment flow spec — trigger, timing, messages, exit. Correct the timing to the real cycle, then build that one flow before touching the rest of the catalog. When it’s live, the natural next automation to improve is the one most stores already have but under-use — how to use AI to improve abandoned cart emails — and to confirm this build is your best use of time, cross-check it against using AI to find revenue opportunities in email data.