Odkrivanje izdelkov in spletno trgovsko prikazovanje

Kako uporabiti lastnosti izdelkov za ustreznejša priporočila

Posted on July 18, 2026 by

Lastnosti izdelkov – barva, material, velikost, cenovni razred, vonj, slog, namen uporabe, blagovna znamka – so surovina za priporočila, ki delujejo ročno izbrana namesto naključna. Ko se ujemate po lastnostih, lahko priporočite izdelek, ki ga kupec nikoli ni videl, ker deli lastnosti tistega, ki mu je očitno všeč, namesto da se zatečete k “kupci so kupili tudi” ali svoji mreži uspešnic. Lastniki trgovin, ki ustreznost izpeljejo prav, ne ugibajo; svoj katalog so označili dovolj dobro, da lahko sistem sklepa “ta oseba ima rada mat črno, velikost L, srednji cenovni razred” in ustrezno potegne. Ta članek je o tem, kako: katere lastnosti so pomembne, kako jih strukturirati in kako jih spremeniti v logiko priporočil, ki teče samodejno. To je mehanska plast pod vsako dobro strategijo priporočil.

Zakaj lastnosti tako pogosto premagajo “kupci so kupili tudi”

Vedenjska priporočila – “ljudje, ki so kupili to, so kupili tudi ono” – potrebujejo obseg, da delujejo. Učijo se iz vzorcev v mnogih naročilih, zato so močna pri vaših priljubljenih izdelkih in slepa na dolgem repu. Izdelek, ki se proda dvakrat na mesec, nima zanesljivih podatkov o soprodaji, zato sistem bodisi ne priporoči nič uporabnega bodisi privzame uspešnico, ki z njim nima nobene zveze.

Lastnosti tega obsega ne potrebujejo. Če veste, da je jakna vodoodporna, olivno zelena, velikosti M in stane 120 €, jo lahko ujamete z drugimi olivnimi, vodoodpornimi vrhnjimi oblačili srednjega cenovnega razreda v trenutku, ko oba izdelka obstajata – brez zgodovine nakupov. To dela logiko lastnosti tako uporabno za velike ali počasi obračajoče se kataloge, kjer večina izdelkov nikoli ne nabere dovolj vedenjskih podatkov, da bi jih dobro priporočili. Če se vaša priporočila trenutno zdijo tanka ali ponavljajoča, so za to pogosto razlog šibki podatki o lastnostih, kar je nit, ki teče skozi zakaj splošni bloki priporočil pogosto dajo splošne rezultate.

Pravi problem: vaš katalog ni strukturiran za sklepanje

Večina trgovin ima lastnosti zakopane v opisu izdelka kot prozo. “Ta mehki merino pulover v gozdno zeleni barvi” je berljiv, a vaš priporočilni pogon ne more filtrirati po “mehko”, “merino” ali “gozdno zelena”, če to ne živi v strukturiranih poljih, ki jih lahko poizveduje.

Zato se pogon zateče k edinim strukturiranim stvarem, ki jih ima: kategoriji in ceni, morda kakšni grobi oznaki. Zato se toliko blokov priporočil zdi lenih – ista kategorija, podobna cena in nič drugega. Niansa, ki naredi izbiro osebno, material, slog, priložnost, določen odtenek, je ujeta v stavkih, ki jih noben stroj ne bere. Lastnik trgovine krivi orodje za priporočila, ko je prava vrzel višje v verigi: katalog je bil napisan, da ga berejo ljudje, in nikoli strukturiran, da bi z njim sklepal sistem.

Zakaj nakup boljšega orodja za priporočila tega ne bo popravil

Instinkt, ko priporočila slabo delujejo, je iskati pametnejši pogon. Razumljivo in običajno napačno. Naprednejše orodje, uporabljeno na nestrukturiranih podatkih o izdelkih, iz istih tankih vhodov proizvede nekoliko bolj prefinjena ugibanja. Smeti noter, samozavestne smeti ven.

Ustreznost, ki jo želite, prihaja iz podatkovne plasti, ne iz algoritma. Osnovni priporočilni pogon z bogato označenimi izdelki bo vsakič premagal razkošnega, ki dela zgolj s kategorijo in ceno. To je najmanj bleščeč del posla, kar je ravno razlog, da ga večina trgovin preskoči in obtiči. Delo je pravilno označiti vaš katalog in nobeno orodje tega razmišljanja ne opravi namesto vas. Ko so lastnosti tam, postane celo preprosta logika impresivno ustrezna – kar je isti razlog, da se razlika med prodajnimi uspešnicami in najboljšim izdelkom za tega kupca razhajata: najboljši izdelek za osebo je opredeljen z ujemanjem lastnosti, ne s priljubljenostjo.

Katere lastnosti dejansko poganjajo ustreznost

Vse lastnosti niso enakovredne. Označite tiste, ki spremenijo nakupno odločitev, in se ne utopite v ostalih.

Trdne omejitve – velikost, prileganje, združljivost, prehranske oznake. Te zgrešite in priporočilo je neuporabno: nikoli ne predlagajte velikosti, ki je kupec ne more nositi, ali dodatka, ki se ne prilega njegovemu modelu.
Okus in slog – barva, material, vzorec, estetika, družina vonjev. Ti nosijo osebno preferenco in tu si ujemanje lastnosti zasluži svoj kruh.
Cenovni razred – ne točna cena, temveč razred (proračunski, srednji, vrhunski). Signalizira, koliko je kupec pripravljen porabiti, in vas obvaruje pred priporočanjem izdelka za 300 € kupcu za 30 €.
Namen uporabe ali priložnost – tek proti sprostitvi, vsakdan proti darilu, notranje proti zunanjemu. To je pogosto najmočnejši signal ustreznosti in tisti, ki ga večina trgovin nikoli ne označi.

Ne potrebujete vsake lastnosti za vsak izdelek. Potrebujete dve ali tri, ki resnično napovedujejo, kaj drugega bi bilo temu kupcu všeč, uporabljene dosledno po celotnem katalogu. Doslednost šteje bolj kot popolnost – napol označen katalog proizvede napol naključna priporočila.

Kje pušča prihodek

Ilustrativne številke, da pokažemo mehanizem. Recimo, da vaši bloki priporočil poganjajo 4.000 € na mesec pripisanega prihodka zgolj z ujemanjem po kategoriji in ceni.

Velik del tega prometa vidi skorajšnje zadetke: prava kategorija, napačen slog; prava cena, napačen namen uporabe. Če bi pravilno ujemanje lastnosti pretvorbo bloka dvignilo že za tretjino – ker izbire zdaj delijo barvo, material in priložnost, ki jih kupec favorizira – je to približno 1.300 € več na mesec iz istega prometa in istih e-poštnih sporočil. Nič novega za pošiljanje, nobene dodatne porabe za oglase. Puščanje je vrzel med “isto kategorijo” in “isto kategorijo plus tri lastnosti, ki so bile pomembne”, ponovljena čez vsako priporočilno mesto v trgovini. In kopiči se na dolgem repu: ujemanje lastnosti izpostavi izdelke, ki jih vedenjska logika nikoli ne bi mogla, tako da začne služiti večji del vašega kataloga, namesto da sedi neviden.

Praktičen način za gradnjo priporočil na podlagi lastnosti

Delajte po vrsti – zaporedje šteje, ker so poznejši koraki odvisni od prejšnjih.

Pretehtajte, kaj že imate. Večina platform podpira možnosti izdelkov, oznake in prilagojena polja. Naštejte, kaj je danes strukturirano (običajno kategorija, cena, nekaj različic) in kaj je zataknjeno v opisih.
Izberite svoje tri do pet odločilnih lastnosti iz zgornjega seznama, na podlagi tega, kako kupci v vaši niši dejansko izbirajo. Modna trgovina se opira na barvo, material in priložnost; trgovina s prehranskimi dopolnili na cilj, obliko in prehransko oznako.
Označujte dosledno. Uporabite iste vrednosti lastnosti po celotnem katalogu z ustaljenim besediščem – “olivna”, ne “olivna” in “vojaško zelena” in “kaki” za isti odtenek. Nedosledne oznake so tako dobre kot nobene oznake.
Nastavite logiko ujemanja. Začnite preprosto: priporočite izdelke, ki delijo ključne lastnosti izvornega izdelka znotraj istega cenovnega razreda, in izključite tisto, kar kupec že ima. Uteži dodajte pozneje, če jih potrebujete.
Napajajte jo z resničnimi signali. Ujemajte se z lastnostmi tega, kar si je kupec ogledal, dodal ali kupil – ne s statičnim pravilom. Pogon sklepa “všeč mat črna velikost L srednji razred” in ustrezno potegne.

Ta strukturirana plast je tisto, kar vam omogoča graditi priporočila okoli tega, kaj kupec dejansko poskuša narediti, in ne okoli naključja kategorije – strateška stran tega je gradnja priporočil izdelkov okoli namere kupca.

Kaj avtomatizirati

Sprožilec: ogled izdelka, dodajanje v košarico ali nakup – vsak dogodek, ki razkrije, katere lastnosti so kupcu všeč.
Segment: manj o tem, kdo je oseba, bolj o profilu lastnosti, ki ga gradi njeno vedenje. Logika se prilagaja posamezniku.
Časovnica: priporočila ob opuščenem brskanju v nekaj urah; ponakupna ujemanja lastnosti blizu dostave; bloki na spletni strani v realnem času.
Kanal: e-pošta in spletna stran za celotno po lastnostih ujeto mrežo; SMS za en ostro izbran predlog, ki zadene znane preference.
Vsebina: dinamičen blok, ki potegne izdelke, ki delijo ključne lastnosti tega, s čimer se je kupec ukvarjal, filtriran na njegov cenovni razred in z izključitvijo že posedovanih izdelkov.
Cilj: višja pretvorba na blokih priporočil in širše pokritje kataloga – več različnih izdelkov priporočenih in kupljenih, zlasti z dolgega repa.

Ker logika bere živo vedenje proti strukturiranim lastnostim, še naprej proizvaja ustrezne izbire, ko se vaš katalog in okus vsakega kupca razvijata, ne da bi vam bilo treba prezidati pravila.

Primer iz trgovine

Trgovina s pohištvom vsak kos označi z materialom (hrast, oreh, kovina, blago), slogom (sredina stoletja, industrijski, minimalistični), prostorom in cenovnim razredom. Kupec si ogleda dva orehova kosa v slogu sredine stoletja okoli 400 €.

Logika kategorije in cene bi priporočila katere koli jedilne stole blizu 400 € – vključno s kromiranimi in steklenimi, ki se popolnoma tepejo. Logika lastnosti priporoča orehove kose ali kose iz toplega lesa v slogu sredine stoletja znotraj istega cenovnega razreda: ujemajočo se komodo, mizico, polico, ki je kupec nikoli ni iskal, a jo takoj prepozna kot svoj okus. Priporočilo se zdi kurirano, ker je, in izpostavilo je komodo, ki se prodaja redko in se v vedenjskem seznamu “so kupili tudi” nikoli ne bi pojavila. (Ponazoritveni primer – prilagodite svojemu katalogu.)

Kako izmeriti, ali je delovalo

Stopnja pretvorbe na blokih priporočil pred ujemanjem lastnosti in po njem – neposredno branje ustreznosti.
Pokritje kataloga: število različnih izdelkov, ki so priporočeni in kupljeni. Naraščajoče pokritje pomeni, da se dolgi rep končno prodaja.
Prihodek na prejemnika pri e-pošti, ki nosi po lastnostih ujete bloke, v primerjavi s starimi, ki temeljijo na kategoriji.
Inkrementalni prihodek proti kontrolni skupini, da veste, da je ujemanje lastnosti dodalo prodajo, in ne le premešalo. Ali priporočila povečujejo pito ali le premikajo rezine, je vredno preizkusiti posebej – preizkušanje, ali priporočila povečujejo prihodek ali ga zgolj premikajo pokaže, kako.

Kje se vključi Omnisend

Delo z označevanjem se zgodi na platformi vaše trgovine; logika priporočil lahko živi v vašem orodju za e-pošto. V svojih trgovinah uporabljam Omnisend, ki sem ga izbral po testiranju proti Klaviyu, ker sinhronizira podatke o izdelkih – vključno z oznakami in prilagojenimi polji – iz trgovine in svojim blokom priporočil omogoča, da se ujemajo po teh lastnostih in ne le po kategoriji, znotraj istega urejevalnika e-pošte. To pomeni, da se logika merino-zelena-srednji-razred, ki jo nastavite na strani, prenese v vašo e-pošto ob opuščenem brskanju in po nakupu, brez ponovne gradnje.

Omnisend je partner Shopimationa v pridruženem programu in priporočam ga iz resnične uporabe. Poštena omejitev, in to je celotna poanta tega članka: orodje se lahko ujema le po lastnostih, ki ste jih dejansko zajeli. Nobena platforma za e-pošto ne bo sklepala, da je pulover merino in gozdno zelen, če vaš katalog tega ne pove v strukturiranem polju. Ustreznost se naredi višje v verigi, v vaših podatkih o izdelkih. Popravite to najprej in vsak spodoben pogon bo videti pameten.

Vaš naslednji korak

Odprite pet svojih najslabše priporočanih izdelkov – počasne prodajalce, ki se nikoli ne pojavijo v blokih “so kupili tudi” – in preverite, katere strukturirane lastnosti nosijo. Če je odgovor “kategorija in cena”, ste našli svoj projekt. Izberite tri lastnosti, ki poganjajo izbiro v vaši niši, pravilno označite teh pet izdelkov kot preizkus in poglejte, ali se njihova priporočila izboljšajo. Nato povežite to podatkovno plast s strategijo, tako da preberete gradnja priporočil izdelkov okoli namere kupca.

Product Discovery and Merchandising

How to Use Product Attributes to Create More Relevant Recommendations

Posted on July 18, 2026 by

Product attributes — colour, material, size, price band, scent, style, use case, brand — are the raw material for recommendations that feel hand-picked instead of random. When you match on attributes, you can recommend a product a shopper has never seen because it shares the qualities of one they clearly like, rather than falling back on “customers also bought” or your best-seller grid. The store owners who get relevance right aren’t guessing; they’ve tagged their catalogue well enough that the system can reason “this person likes matte black, size L, mid-price,” and pull accordingly. This article is the how: which attributes matter, how to structure them, and how to turn them into recommendation logic that runs automatically. It’s the mechanical layer beneath every good recommendation strategy.

Why attributes beat “customers also bought” so often

Behavioural recommendations — “people who bought this also bought that” — need volume to work. They learn from patterns across many orders, so they’re strong on your popular products and blind on the long tail. A product that sells twice a month has no reliable co-purchase data, so the system either recommends nothing useful or defaults to a best-seller that has nothing to do with it.

Attributes don’t need that volume. If you know a jacket is waterproof, olive green, size M, and €120, you can match it to other olive, waterproof, mid-price outerwear the moment both products exist — no purchase history required. That’s what makes attribute logic so useful for large or slow-moving catalogues, where most products never accumulate enough behavioural data to be recommended well. If your recommendations currently feel thin or repetitive, weak attribute data is often the reason, which is the thread running through why generic recommendation blocks often produce generic results.

The real problem: your catalogue isn’t structured to reason with

Most stores have attributes buried in the product description as prose. “This soft merino jumper in forest green” is readable, but your recommendation engine can’t filter on “soft,” “merino,” or “forest green” unless those live in structured fields it can query.

So the engine falls back on the only structured things it has: category and price, maybe a rough tag or two. That’s why so many recommendation blocks feel lazy — same category, similar price, and nothing else. The nuance that makes a pick feel personal, the material, the style, the occasion, the specific shade, is trapped in sentences no machine reads. The store owner blames the recommendation tool when the real gap is upstream: the catalogue was written for humans to read and never structured for a system to reason with.

Why buying a better recommendation tool won’t fix it

The instinct when recommendations underperform is to shop for a smarter engine. Understandable, and usually wrong. A more advanced tool applied to unstructured product data produces slightly more sophisticated guesses from the same thin inputs. Garbage in, confident garbage out.

The relevance you want comes from the data layer, not the algorithm. A basic recommendation engine with richly tagged products will beat a fancy one working off category and price alone, every time. This is the least glamorous part of the job, which is exactly why most stores skip it and stay stuck. The work is tagging your catalogue properly, and no tool does that thinking for you. Once the attributes are there, even simple logic gets impressively relevant — which is the same reason best-sellers and the best product for this customer diverge: the best product for a person is defined by matching attributes, not popularity.

Which attributes actually drive relevance

Not all attributes are equal. Tag for the ones that change a buying decision, and don’t drown in the rest.

Hard constraints — size, fit, compatibility, dietary tags. Get these wrong and the recommendation is useless: never suggest a size the customer can’t wear or an accessory that doesn’t fit their model.
Taste and style — colour, material, pattern, aesthetic, scent family. These carry personal preference and are where attribute matching earns its keep.
Price band — not exact price, but a band (budget, mid, premium). It signals what the customer is comfortable spending and keeps you from recommending a €300 item to a €30 shopper.
Use case or occasion — running vs. casual, everyday vs. gift, indoor vs. outdoor. This is often the strongest relevance signal and the one most stores never tag.

You don’t need every attribute for every product. You need the two or three that genuinely predict what else this shopper would like, applied consistently across the catalogue. Consistency matters more than completeness — a half-tagged catalogue produces half-random recommendations.

Where the revenue leaks

Illustrative numbers, to show the mechanism. Say your recommendation blocks drive €4,000 a month in attributed revenue off category-and-price matching alone.

A big share of that traffic sees near-misses: right category, wrong style; right price, wrong use case. If proper attribute matching lifted the block’s conversion by even a third — because the picks now share the colour, material, and occasion the shopper favours — that’s roughly €1,300 more a month from the same traffic and the same emails. Nothing new to send, no extra ad spend. The leak is the gap between “same category” and “same category plus the three attributes that mattered,” repeated across every recommendation slot in the store. And it compounds on the long tail: attribute matching surfaces products that behavioural logic never could, so more of your catalogue starts earning instead of sitting invisible.

The practical way to build attribute-based recommendations

Work in order — the sequence matters because later steps depend on earlier ones.

Audit what you already have. Most platforms support product options, tags, and custom fields. List what’s structured today (usually category, price, a few variants) and what’s stuck in descriptions.
Choose your three-to-five decision attributes from the list above, based on how customers in your niche actually choose. A fashion store leans on colour, material, and occasion; a supplement store on goal, format, and dietary tag.
Tag consistently. Apply the same attribute values across the whole catalogue using a fixed vocabulary — “olive,” not “olive” and “army green” and “khaki” for the same shade. Inconsistent tags are as good as no tags.
Set the matching logic. Start simple: recommend products sharing the source item’s key attributes within the same price band, excluding what the customer already owns. Add weighting later if you need it.
Feed it real signals. Match against the attributes of what the shopper viewed, added, or bought — not a static rule. The engine reasons “liked matte black size L mid-price” and pulls accordingly.

This structured layer is what lets you build recommendations around what a customer is actually trying to do, rather than category coincidence — the strategy side of that is building product recommendations around customer intent.

What to automate

Trigger: a product view, add-to-cart, or purchase — any event that reveals which attributes the shopper likes.
Segment: less about who the person is, more about the attribute profile their behaviour builds. The logic adapts per individual.
Timing: browse-abandonment recommendations within a few hours; post-purchase attribute matches near delivery; on-site blocks in real time.
Channel: email and on-site for the full attribute-matched grid; SMS for a single sharp pick that nails their known preferences.
Content: a dynamic block that pulls products sharing the key attributes of what the shopper engaged with, filtered to their price band and excluding owned items.
Goal: higher conversion on recommendation blocks and wider catalogue coverage — more distinct products recommended and bought, especially from the long tail.

Because the logic reads live behaviour against structured attributes, it keeps producing relevant picks as your catalogue and each customer’s tastes evolve, without you rebuilding rules.

A store example

A furniture store tags every item with material (oak, walnut, metal, fabric), style (mid-century, industrial, minimalist), room, and price band. A customer views two walnut, mid-century pieces around €400.

Category-and-price logic would recommend any dining chairs near €400 — including chrome and glass ones that clash completely. Attribute logic recommends walnut or warm-wood pieces in a mid-century style within the same price band: a matching sideboard, a coffee table, a shelving unit the customer never searched for but instantly recognizes as their taste. The recommendation feels curated because it is, and it surfaced a sideboard that sells rarely and would never have appeared in a behavioural “also bought” list. (Illustrative example — adapt to your own catalogue.)

How to measure whether it worked

Conversion rate on recommendation blocks before and after attribute matching — the direct read on relevance.
Catalogue coverage: the count of distinct products recommended and purchased. Rising coverage means the long tail is finally selling.
Revenue per recipient on emails carrying attribute-matched blocks vs. the old category-based ones.
Incremental revenue against a holdout, so you know attribute matching added sales rather than reshuffling them. Whether recommendations grow the pie or just move slices is worth testing on its own — testing whether recommendations increase revenue or just shift it shows how.

Where Omnisend fits

The tagging work happens in your store platform; the recommendation logic can live in your email tool. I use Omnisend in my own stores, chosen after testing it against Klaviyo, because it syncs product data — including tags and custom fields — from the store and lets its recommendation blocks match on those attributes rather than category alone, inside the same email editor. That means the merino-green-mid-price logic you set up on the site carries into your browse-abandonment and post-purchase emails without rebuilding it.

Omnisend is an affiliate partner of Shopimation, and I recommend it from real use. The honest limit, and it’s the whole point of this article: the tool can only match on attributes you’ve actually captured. No email platform will infer that a jumper is merino and forest green if your catalogue doesn’t say so in a structured field. The relevance is made upstream, in your product data. Fix that first, and any decent engine will look smart.

Your next step

Open five of your worst-recommending products — the slow sellers that never show up in “also bought” blocks — and check what structured attributes they carry. If the answer is “category and price,” you’ve found your project. Pick the three attributes that drive choice in your niche, tag those five products properly as a test, and see whether their recommendations improve. Then connect this data layer to strategy by reading building product recommendations around customer intent.