Produktentdeckung und Merchandising

Ein Produktempfehlungs-Audit für Onlineshops

Veröffentlicht am July 19, 2026 von

Ein Produktempfehlungs-Audit ist eine kurze, strukturierte Prüfung, ob die „Das könnte dir auch gefallen”-Logik in deinem Shop tatsächlich zusätzlichen Umsatz erwirtschaftet – oder nur Platz füllt und Verkäufe still umschichtet. Den Kern davon kannst du an einem Nachmittag durchführen. Geh fünf Bereiche der Reihe nach durch: was deine Blöcke aktuell zeigen und warum, ob sie personalisiert oder generisch sind, wo sie in der Journey erscheinen, ob sie den Gesamtumsatz heben oder ihn bloß verschieben, und was fehlt, nachdem der Shopper die Website verlassen hat. Dieser Artikel ist der Durchlauf. Jeder Schritt verlinkt auf den vertiefenden Leitfaden für die Probleme, die du aufdecken wirst, also behandle ihn als die Landkarte und folge den Pfaden, die auf deinen Shop zutreffen.

Warum die meisten Empfehlungsblöcke ungeprüft bleiben

Empfehlungsblöcke werden einmal installiert – über eine Theme-Funktion oder eine App-Voreinstellung – und dann schaut niemand wieder hin. Sie sitzen auf jeder Produktseite und zeigen „gerade im Trend”, und alle nehmen an, dass sie helfen.

Oft tun sie sehr wenig, oder schlimmer, sie kannibalisieren. Ein Block, der jedem deine fünf Bestseller zeigt, empfiehlt größtenteils Produkte, die die Leute ohnehin gefunden hätten, und nimmt so Verkäufe für sich in Anspruch, die sowieso passiert wären. Der Umsatz sieht zugeordnet aus; der Umsatz ist geborgt. Bis du prüfst, kannst du den Unterschied nicht erkennen zwischen einem Block, der die Bestellung wachsen lässt, und einem, der sie bloß umschichtet. Genau diese Frage – Wachstum versus Umschichtung – ist das Rückgrat dieser ganzen Übung, und Schritt 4 unten ist ganz darauf gebaut, sie zu beantworten.

Bevor du anfängst: was du eigentlich testest

Zwei Dinge, getrennt gehalten. Erstens: Relevanz – zeigst du die richtigen Produkte der richtigen Person? Zweitens: Inkrementalität – fügen diese Produkte etwas zur Bestellung hinzu, oder hätte der Kunde ohnehin gekauft? Ein Block kann relevant sein und trotzdem nicht inkrementell (er empfiehlt das, was sie sowieso gefunden hätten). Halte beide Fragen wach, während du die Schritte durchgehst.

Du brauchst leichten Zugang zu deinen Analytics: Umsatz nach SKU, Produktseiten-Verhalten und welche Attribution auch immer dein Empfehlungs-Tool oder deine E-Mail-Plattform ausweist.

Schritt 1 – Inventarisiere, was deine Blöcke zeigen, und warum

Öffne deinen Shop als Shopper. Auf einer Produktseite, einer Kategorieseite, im Warenkorb und auf der Startseite schreibst du auf, was jeder Empfehlungsblock zeigt und welche Logik dahintersteckt.

Frag zu jedem Block: Ist das „insgesamt am beliebtesten”, „nach Kategorie verwandt”, „auf diesen Besucher personalisiert” oder „von Hand ausgewählt und nie aktualisiert”? Die meisten Shops entdecken mindestens einen Block, der reine Beliebtheit ist – dieselben Artikel für alle. Das ist das erste Warnsignal, denn Beliebtheitsblöcke verstärken, was sich ohnehin schon verkauft, und führen nie etwas Neues ein. Die Begründung steht in warum beliebte Produkte nicht immer die beste Empfehlung sind.

Ergebnis dieses Schritts: eine kurze Liste jedes Blocks und seiner tatsächlichen Logik. Du wirst überrascht sein, wie viel „beliebt” ist, das ein „für dich empfohlen”-Etikett trägt.

Schritt 2 – Prüfe, ob „personalisiert” wirklich personalisiert ist

Teste jetzt die Blöcke, die behaupten zu personalisieren. Browse als zwei verschiedene Shopper – sieh dir als einer Laufausrüstung an, als anderer Küchenutensilien – und schau, ob die Empfehlungen tatsächlich auseinandergehen.

Wenn beide Sessions denselben Block bekommen, ist es generisch, als persönlich verkleidet. Generische Blöcke produzieren fast per Definition generische Ergebnisse, und sie sind der häufigste Grund, warum Empfehlungsumsatz enttäuscht – der Mechanismus wird ausgepackt in warum generische Empfehlungsblöcke oft generische Ergebnisse produzieren. Prüf, wo du schon dabei bist, ob der Block „beliebt” von „richtig für diese Person” unterscheidet, denn das sind verschiedene Aufgaben, und sie zu vermischen ist ein häufiger Fehler.

Ergebnis: ein Ja/Nein zu jedem Block – ändert er sich wirklich pro Shopper oder nicht?

Schritt 3 – Ordne Blöcke der Kaufphase zu

Eine Empfehlung, die für einen Erstbesucher richtig ist, ist für einen Wiederkäufer oft falsch, und umgekehrt. Geh die Journey durch und notiere, was an jedem Punkt gezeigt wird:

Erster Blick / kalter Besucher: hilfst du ihm zu erkunden, oder drängst du zu früh auf einen Warenkorb-Zusatz?
Mitten in der Abwägung: verengst du auf eine Entscheidung hin, oder weitest du in Ablenkung aus?
Warenkorb / Checkout: verkaufst du eine echte Ergänzung cross, oder wirfst du einem konvertierenden Käufer einen zufälligen Bestseller hin?
Post-Purchase: empfiehlst du die logisch nächste Sache, oder die Sache, die er gerade gekauft hat?

Die meisten Shops zeigen in jeder Phase denselben Block. Das ist der Fehlgriff. Die Empfehlung dorthin zu passen, wo der Shopper ist – behandelt in wie du Produktempfehlungen an die Phase der Kaufreise anpasst – ist oft die ertragreichste Einzelverbesserung, die ein Audit zutage fördert.

Ergebnis: eine Tabelle aus Phase gegen das, was gezeigt wird, mit den eingekreisten Fehlpassungen.

Schritt 4 – Teste den Umsatzhub, nicht nur Klicks

Das ist der Schritt, den Shops überspringen, und der, der am meisten zählt. Dass ein Block Klicks bekommt, ist kein Beweis, dass er Umsatz hinzufügt – diese Käufer hätten vielleicht ohnehin gekauft.

Der saubere Test: Lass den Empfehlungsblock für eine Gruppe an und für eine andere aus (oder auf einer neutralen Platzierung), und vergleiche zwischen ihnen den Durchschnittsbestellwert und den Gesamtumsatz pro Besucher, statt der Klickrate auf dem Block selbst. Wenn AOV und Umsatz pro Besucher mit eingeschaltetem Block steigen, ist er inkrementell. Wenn die Klicks hoch sind, aber der Gesamtumsatz pro Besucher flach bleibt, verschiebt der Block Verkäufe, statt sie wachsen zu lassen. Die vollständige Methode, inklusive wie du das ohne Datenteam aufsetzt, findest du in testen, ob Empfehlungen den Umsatz steigern oder ihn nur verschieben.

Ergebnis: für jeden Block ein Urteil – inkrementell, neutral oder unbekannt (braucht einen Test).

Schritt 5 – Prüfe, was passiert, nachdem sie gehen

Die Website ist nur die halbe Fläche. Die meiste Empfehlungschance liegt im Nachfassen, und die meisten Shops haben keins.

Prüfe: Wenn ein Shopper browst und geht, empfiehlt ihm danach irgendetwas Produkte? Wenn er kauft, schlägt eine Post-Purchase-E-Mail den logisch nächsten Artikel vor? Für viele Shops ist die ehrliche Antwort nein – das Merchandising hört in dem Moment auf, in dem der Tab schließt. Das ist die größte Lücke, die ein Audit meist findet, und die Begründung, sie zu schließen, steht in warum Merchandising weitergehen sollte, nachdem ein Shopper die Website verlässt.

Ergebnis: eine Liste der Nachfass-Flows, die du noch nicht hast – Browse, Post-Purchase, Nachbestellung.

Das Audit in eine Fix-Liste verwandeln

Jetzt hast du fünf Ergebnisse. Verwandle sie in eine geordnete To-do-Liste. Eine sinnvolle Prioritätsreihenfolge für die meisten Shops:

Ersetze jeden reinen Beliebtheitsblock durch etwas Relevantes – schneller Gewinn, sofortiger Relevanzzuwachs.
Behebe die größte Phasen-Fehlpassung – meist derselbe Block, der überall gezeigt wird.
Bau das fehlende Post-Purchase- oder Browse-Nachfassen – meist die größte Umsatzchance.
Richte einen ordentlichen An/Aus-Test ein, damit künftige Änderungen gemessen und nicht angenommen werden.

Mach nicht alles auf einmal. Ship die Beliebtheitsblock-Reparatur, miss, dann arbeite dich die Liste hinunter.

Ein Beispiel aus einem Shop (illustrativ)

Du betreibst einen Haushaltswaren-Shop mit 900 SKUs. Das Audit findet drei Blöcke – alle zeigen dieselben acht Bestseller, auf jeder Seite, jedem Shopper, ohne Nachfassen nach dem Kauf.

Du ersetzt den Produktseiten-Block durch einen nach Attribut verwandten Satz, teilst ihn zwei Wochen lang an/aus über die Besucher auf und findest den Umsatz pro Besucher mit dem relevanten Block an um ein paar Prozent höher – echter Hub, keine Umschichtung. Dann baust du eine Post-Purchase-E-Mail, die Ergänzungen zu dem vorschlägt, was jeder Kunde gekauft hat. Zwei Fixes, beide gemessen, beide aus einem Nachmittags-Audit. (Illustratives Beispiel – deine eigenen Zahlen werden abweichen; der Punkt ist, sie zu messen.)

Die Kennzahlen, die du festhalten solltest

Umsatz pro Besucher, Block an versus aus – die Inkrementalitäts-Anzeigetafel.
Durchschnittsbestellwert mit und ohne die Empfehlung.
Attach-Rate – Anteil der Bestellungen, die einen empfohlenen Artikel enthalten.
Umsatz pro Empfänger des Nachfass-Flows – Beleg, dass sich das Merchandising nach der Website auszahlt.
Katalogabdeckung – ob mehr deines Sortiments gesehen und verkauft wird, statt immer derselben Gewinner.

Setze diese jetzt als Baseline, bevor du irgendetwas änderst, damit das nächste Audit etwas zum Vergleichen hat.

Wo Omnisend hineinpasst

Ein Audit fördert Arbeit zutage, und die Hälfte dieser Arbeit nach der Website – Browse-Nachfassen, Post-Purchase-Empfehlungen, Nachbestellung – ist der Ort, an dem sich ein Automatisierungs-Tool seinen Platz verdient. In meinen eigenen Shops nutze ich Omnisend, das ich nach dem Test gegen Klaviyo gewählt habe, weil Verhalten, Kaufhistorie und Produktempfehlungen an einem Ort sitzen, sodass die Flows, die das Audit als fehlend ausweist, als Regeln statt als manuelle Versendungen gebaut werden können, und das An/Aus-Testen zum Beleg des Hubs eingebaut statt drangeschraubt ist. E-Mail, SMS und Push in einem Flow bedeuten, dass das Nachfassen die Menschen auf dem Kanal erreicht, den sie tatsächlich lesen.

Ehrliche Grenze: Ein Audit und ein Tool sagen dir, was funktioniert, und lassen dich das Nachfassen beheben, aber keines macht eine schwache Empfehlung relevant – wenn deine Katalogdaten (Attribute, Kategorien, Tags) dünn sind, werden deine Empfehlungen es auch sein, und diese Aufräumarbeit ist manuell. Omnisend ist ein Affiliate-Partner von Shopimation; ich empfehle es aus täglicher Nutzung, und der kostenlose Tarif reicht, um den ersten fehlenden Flow zu bauen, den dein Audit aufdeckt.

Dein nächster Schritt

Blocke einen Nachmittag und führe die Schritte 1 bis 3 durch – inventarisiere deine Blöcke, teste, ob sie personalisieren, und ordne sie der Journey zu. Allein das übergibt dir eine Fix-Liste. Dann mach die Ergebnisse messbar, indem du testen, ob Empfehlungen den Umsatz steigern oder ihn nur verschieben liest, bevor du auch nur einen einzigen Block änderst.

Odkrivanje izdelkov in spletno trgovsko prikazovanje

Pregled priporočil izdelkov za spletne trgovine

Veröffentlicht am July 18, 2026 von

Pregled priporočil izdelkov je kratek, strukturiran preizkus, ali logika “morda vam bo všeč tudi” po vaši trgovini dejansko prinaša dodatne prihodke — ali le zapolnjuje prostor in tiho premešča prodaje naokrog. Jedro lahko izvedete v enem popoldnevu. Prehodite pet področij po vrsti: kaj vaši bloki trenutno prikazujejo in zakaj, ali so personalizirani ali generični, kje se pojavijo na poti, ali dvignejo skupne prihodke ali jih zgolj premaknejo, in kaj manjka, ko kupec zapusti stran. Ta članek je vodič skozenj. Vsak korak vodi k poglobljenemu vodiču za težave, ki jih boste odkrili, zato ga obravnavajte kot zemljevid in sledite potem, ki veljajo za vašo trgovino.

Zakaj večina blokov priporočil ostane nepregledana

Bloki priporočil se namestijo enkrat — prek funkcije teme ali privzete nastavitve aplikacije — nato pa nihče več ne pogleda. Sedijo na vsaki strani izdelka in prikazujejo “trenutno v trendu”, vsi pa domnevajo, da pomagajo.

Pogosto počnejo zelo malo ali, kar je huje, kanibalizirajo. Blok, ki vsem prikazuje vaših pet uspešnic, večinoma priporoča izdelke, ki bi jih ljudje tako ali tako našli, zato si pripiše zasluge za prodaje, ki bi se zgodile tudi sicer. Prihodek je videti pripisan; prihodek je izposojen. Dokler ne opravite pregleda, ne morete ločiti med blokom, ki poveča naročilo, in tistim, ki ga le premeša. Prav to vprašanje — rast proti premešanju — je hrbtenica celotne vaje, in korak 4 spodaj je v celoti zgrajen okoli odgovora nanj.

Preden začnete: kaj pravzaprav preizkušate

Dve stvari, drženi narazen. Prvič, ustreznost — ali pravim ljudem prikazujete prave izdelke? Drugič, inkrementalnost — ali ti izdelki naročilu dodajo ali bi stranka kupila tudi sicer? Blok je lahko ustrezen in kljub temu ne inkrementalen (priporoča stvar, ki bi jo našli ne glede na vse). Med prehojo korakov imejte obe vprašanji živi.

Potrebovali boste rahel dostop do svoje analitike: prihodke po SKU-ju, vedenje na strani izdelka in kakršno koli pripisovanje, ki ga poroča vaše orodje za priporočila ali e-poštna platforma.

Korak 1 — Popišite, kaj vaši bloki prikazujejo in zakaj

Odprite svojo trgovino kot kupec. Na strani izdelka, strani kategorije, v košarici in na domači strani si zapišite, kaj prikazuje vsak blok priporočil in kakšna logika stoji za tem.

Za vsak blok se vprašajte: je to “najbolj priljubljeno na splošno”, “povezano po kategoriji”, “personalizirano temu obiskovalcu” ali “ročno izbrano in nikoli posodobljeno”? Večina trgovin odkrije vsaj en blok, ki je čista priljubljenost — isti izdelki vsem. To je prvi rdeči zastavica, ker bloki priljubljenosti krepijo tisto, kar se že prodaja, in nikoli ne uvedejo nič novega. Razlogovanje je v zakaj priljubljeni izdelki niso vedno najboljše priporočilo.

Rezultat tega koraka: kratek seznam vsakega bloka in njegove dejanske logike. Presenečeni boste, koliko je “priljubljenega”, ki nosi oznako “priporočeno za vas”.

Korak 2 — Preverite, ali je “personalizirano” res personalizirano

Zdaj preizkusite bloke, ki trdijo, da personalizirajo. Brskajte kot dva različna kupca — kot en si oglejte tekaško opremo, kot drug kuhinjske pripomočke — in poglejte, ali se priporočila dejansko razlikujejo.

Če obe seji dobita isti blok, je to generično, preoblečeno v osebno. Generični bloki skoraj po definiciji dajejo generične rezultate in so najpogostejši razlog, da prihodki od priporočil razočarajo — mehanizem je razgrnjen v zakaj generični bloki priporočil pogosto dajo generične rezultate. Ko ste že pri tem, za preverjanje razumnosti pogledajte, ali blok razlikuje “priljubljeno” od “pravega za to osebo”, saj sta to različni nalogi in njuno zamenjevanje je pogosta napaka.

Rezultat: da/ne za vsak blok — ali se za vsakega kupca resnično spremeni ali ne?

Korak 3 — Preslikajte bloke na fazo nakupa

Priporočilo, ki je pravo za prvič prišlega obiskovalca, je pogosto napačno za ponovnega kupca in obratno. Prehodite pot in zabeležite, kaj se prikaže na vsaki točki:

Prvi ogled / hladen obiskovalec: jim pomagate raziskovati ali prezgodaj vsiljujete dodajanje v košarico?
Sredi premisleka: zožujete proti odločitvi ali širite v raztresenost?
Košarica / blagajna: navzkrižno prodajate resnično dopolnilo ali kupcu med pretvorbo mečete naključno uspešnico?
Po nakupu: priporočate logično naslednjo stvar ali stvar, ki so jo pravkar kupili?

Večina trgovin v vsaki fazi prikaže isti blok. To je zgrešitev. Usklajevanje priporočila s tem, kje je kupec — obravnavano v kako uskladiti priporočila izdelkov s fazo nakupne poti — je pogosto posamezni popravek z najvišjim donosom, ki ga pregled odkrije.

Rezultat: tabela faze proti temu, kar se prikaže, z obkroženimi neujemanji.

Korak 4 — Preizkusite dvig prihodkov, ne samo klikov

To je korak, ki ga trgovine preskočijo, in tisti, ki je najpomembnejši. Blok, ki dobiva klike, ni dokaz, da dodaja prihodke — ti kupci bi morda kupili tudi sicer.

Čist preizkus: blok priporočil vklopite za eno skupino in izklopite (ali na nevtralno umestitev) za drugo ter med njima primerjajte povprečno vrednost naročila in skupni prihodek na obiskovalca, ne stopnje klikov na sam blok. Če se ob vklopljenem bloku dvigneta povprečna vrednost naročila in prihodek na obiskovalca, je inkrementalen. Če so kliki visoki, a je skupni prihodek na obiskovalca raven, blok premešča prodaje, ne pa jih povečuje. Celotna metoda, vključno s tem, kako to nastavite brez ekipe za podatke, je v preizkušanje, ali priporočila povečajo prihodke ali jih le premaknejo.

Rezultat: za vsak blok sodba — inkrementalen, nevtralen ali neznan (potrebuje preizkus).

Korak 5 — Preglejte, kaj se zgodi, ko odidejo

Spletna stran je le polovica površine. Večina priložnosti za priporočila živi v nadaljevanju stika, večina trgovin pa ga nima.

Preverite: ko kupec brska in odide, mu potem karkoli priporoča izdelke? Ko kupi, ali ponakupno e-poštno sporočilo predlaga logično naslednjo stvar? Za mnoge trgovine je pošten odgovor ne — predstavljanje izdelkov se ustavi v trenutku, ko se zavihek zapre. To je največja vrzel, ki jo pregled običajno najde, in argument za njeno zapiranje je v zakaj naj se predstavljanje izdelkov nadaljuje, ko kupec zapusti spletno stran.

Rezultat: seznam tokov nadaljevanja stika, ki jih še nimate — brskanje, ponakup, dopolnitev.

Kako pregled spremeniti v seznam popravkov

Zdaj imate pet rezultatov. Spremenite jih v razvrščen seznam opravil. Razumen vrstni red prioritet za večino trgovin:

Zamenjajte katerikoli blok čiste priljubljenosti z nečim ustreznim — hitra zmaga, takojšnja pridobitev ustreznosti.
Popravite največje neujemanje faz — običajno isti blok, ki se prikazuje povsod.
Zgradite manjkajoče nadaljevanje stika po nakupu ali brskanju — običajno največja priložnost za prihodke.
Nastavite en pravilen preizkus vklop/izklop, da bodo prihodnje spremembe izmerjene, ne predpostavljene.

Ne delajte vsega naenkrat. Objavite popravek bloka priljubljenosti, izmerite, nato se pomaknite po seznamu navzdol.

Primer trgovine (ilustrativno)

Vodite trgovino z izdelki za dom s 900 SKU-ji. Pregled najde tri bloke — vsi prikazujejo istih osem uspešnic, na vsaki strani, vsakemu kupcu, brez nadaljevanja stika po nakupu.

Blok na strani izdelka zamenjate z naborom, povezanim po lastnosti, ga za dva tedna razdelite na vklop/izklop med obiskovalci in ugotovite, da je prihodek na obiskovalca ob vklopljenem ustreznem bloku višji za nekaj odstotkov — pravi dvig, ne premešanje. Nato zgradite eno ponakupno e-poštno sporočilo, ki predlaga dopolnila k temu, kar je vsaka stranka kupila. Dva popravka, oba izmerjena, oba iz popoldanskega pregleda. (Ilustrativni primer — vaše lastne številke bodo drugačne; bistvo je, da jih izmerite.)

Metrike, ki jih velja zaklenit

Prihodek na obiskovalca, blok vklopljen proti izklopljen — semafor inkrementalnosti.
Povprečna vrednost naročila s priporočilom in brez njega.
Stopnja pripenjanja — delež naročil, ki vključujejo priporočen izdelek.
Prihodek na prejemnika toka nadaljevanja stika — dokaz, da se predstavljanje izdelkov po strani izplača.
Pokritost kataloga — ali je videno in prodano več vaše ponudbe, ne pa isti zmagovalci.

Te postavite kot izhodišče zdaj, preden karkoli spremenite, da bo imel naslednji pregled s čim primerjati.

Kam se umešča Omnisend

Pregled odkrije delo, in po-strani polovica tega dela — nadaljevanje stika po brskanju, ponakupna priporočila, dopolnitev — je tam, kjer orodje za avtomatizacijo zasluži svoje mesto. V svojih trgovinah uporabljam Omnisend, ki sem ga izbral po tem, ko sem ga preizkusil proti Klaviyu, ker vedenje, zgodovina nakupov in priporočila izdelkov sedijo na enem mestu, tako da je tokove, ki po pregledu manjkajo, mogoče zgraditi kot pravila namesto ročnih pošiljanj, preizkušanje vklop/izklop za dokazovanje dviga pa je vgrajeno, ne prilepljeno. E-pošta, SMS in potisna sporočila v enem toku pomenijo, da nadaljevanje stika doseže ljudi na kanalu, ki ga dejansko berejo.

Poštena meja: pregled in orodje vam povesta, kaj deluje, in vam omogočita popravek nadaljevanja stika, a nobeno šibkega priporočila ne naredi ustreznega — če so vaši podatki o katalogu (lastnosti, kategorije, oznake) skopi, bodo tudi vaša priporočila, in to čiščenje je ročno. Omnisend je partner Shopimationa v pridruženem programu; priporočam ga iz vsakodnevne uporabe, brezplačna različica pa zadošča za izgradnjo prvega manjkajočega toka, ki ga vaš pregled odkrije.

Vaš naslednji korak

Rezervirajte en popoldan in izvedite korake 1 do 3 — popišite svoje bloke, preizkusite, ali personalizirajo, in jih preslikajte na pot. Že to vam bo v roke izročilo seznam popravkov. Nato rezultate naredite merljive, tako da preberete preizkušanje, ali priporočila povečajo prihodke ali jih le premaknejo, preden spremenite en sam blok.

Product Discovery and Merchandising

A Product Recommendation Audit for Ecommerce Stores

Veröffentlicht am July 18, 2026 von

A product recommendation audit is a short, structured check of whether the “you may also like” logic across your store is actually earning extra revenue — or just filling space and quietly shifting sales around. You can run the core of it in an afternoon. Walk five areas in order: what your blocks currently show and why, whether they’re personalized or generic, where they appear in the journey, whether they lift total revenue or merely move it, and what’s missing after the shopper leaves the site. This article is the walkthrough. Each step links to the deeper guide for the problems you’ll uncover, so treat it as the map and follow the trails that apply to your store.

Why most recommendation blocks go un-audited

Recommendation blocks get installed once — via a theme feature or an app default — and then nobody looks again. They sit on every product page showing “trending now,” and everyone assumes they’re helping.

Often they’re doing very little, or worse, cannibalizing. A block that shows your five best sellers to everyone mostly recommends products people were already going to find, so it takes credit for sales that would have happened anyway. The revenue looks attributed; the revenue is borrowed. Until you audit, you can’t tell the difference between a block that grows the order and one that just reshuffles it. That single question — growth versus reshuffle — is the spine of this whole exercise, and step 4 below is built entirely around answering it.

Before you start: what you’re actually testing

Two things, held apart. First, relevance — are you showing the right products to the right person? Second, incrementality — do those products add to the order, or would the customer have bought anyway? A block can be relevant and still not incremental (recommending the thing they’d have found regardless). Keep both questions live as you walk the steps.

You’ll need light access to your analytics: revenue by SKU, product-page behavior, and whatever attribution your recommendation tool or email platform reports.

Step 1 — Inventory what your blocks show, and why

Open your store as a shopper. On a product page, a category page, the cart, and the homepage, write down what each recommendation block is showing and the logic behind it.

Ask of each block: is this “most popular overall,” “related by category,” “personalized to this visitor,” or “hand-picked and never updated”? Most stores discover at least one block that’s pure popularity — the same items to everyone. That’s the first red flag, because popularity blocks reinforce whatever’s already selling and never introduce anything new. The reasoning is in why popular products are not always the best recommendation.

Output of this step: a short list of every block and its actual logic. You’ll be surprised how much is “popular” wearing a “recommended for you” label.

Step 2 — Check whether “personalized” is really personalized

Now test the blocks that claim to personalize. Browse as two different shoppers — view running gear as one, kitchenware as another — and see whether the recommendations actually diverge.

If both sessions get the same block, it’s generic dressed as personal. Generic blocks produce generic results almost by definition, and they’re the most common reason recommendation revenue underwhelms — the mechanism is unpacked in why generic recommendation blocks often produce generic results. While you’re here, sanity-check whether the block distinguishes “popular” from “right for this person,” because those are different jobs and conflating them is a frequent fault.

Output: a yes/no on each block — does it genuinely change per shopper, or not?

Step 3 — Map blocks to the buying stage

A recommendation that’s right for a first-time visitor is often wrong for a repeat buyer, and vice versa. Walk the journey and note what shows at each point:

First view / cold visitor: are you helping them explore, or pushing a cart add too early?
Mid-consideration: are you narrowing toward a decision, or widening into distraction?
Cart / checkout: are you cross-selling a genuine complement, or throwing a random bestseller at a converting buyer?
Post-purchase: are you recommending the logical next thing, or the thing they just bought?

Most stores show the same block at every stage. That’s the miss. Matching the recommendation to where the shopper is — covered in how to match product recommendations to the stage of the buying journey — is often the single highest-return fix an audit turns up.

Output: a table of stage versus what shows, with the mismatches circled.

Step 4 — Test revenue lift, not clicks alone

This is the step stores skip and the one that matters most. A block getting clicks isn’t proof it’s adding revenue — those buyers might have purchased anyway.

The clean test: run the recommendation block on for one group and off (or on a neutral placement) for another, and compare average order value and total revenue per visitor between them, rather than the click rate on the block itself. If AOV and revenue-per-visitor rise with the block on, it’s incremental. If clicks are high but total revenue per visitor is flat, the block is shifting sales, not growing them. The full method, including how to set this up without a data team, is in testing whether recommendations increase revenue or just shift it.

Output: for each block, a verdict — incremental, neutral, or unknown (needs a test).

Step 5 — Audit what happens after they leave

The website is only half the surface. Most recommendation opportunity lives in the follow-up, and most stores have none.

Check: when a shopper browses and leaves, does anything recommend products to them afterward? When they buy, does a post-purchase email suggest the logical next item? For many stores the honest answer is no — the merchandising stops the instant the tab closes. That’s the largest gap an audit usually finds, and the case for closing it is in why merchandising should continue after a shopper leaves the website.

Output: a list of the follow-up flows you don’t yet have — browse, post-purchase, replenishment.

Turning the audit into a fix list

By now you have five outputs. Turn them into a ranked to-do list. A sensible priority order for most stores:

Replace any pure-popularity block with something relevant — quick win, immediate relevance gain.
Fix the biggest stage mismatch — usually the same block showing everywhere.
Build the missing post-purchase or browse follow-up — usually the biggest revenue opportunity.
Set up one proper on/off test so future changes are measured, not assumed.

Don’t do all of it at once. Ship the popularity-block fix, measure, then move down the list.

A store example (illustrative)

You run a 900-SKU homewares store. The audit finds three blocks — all showing the same eight best sellers, on every page, to every shopper, with no follow-up after purchase.

You replace the product-page block with a related-by-attribute set, split it on/off across visitors for two weeks, and find revenue per visitor up a few percent with the relevant block on — real lift, not reshuffle. Then you build one post-purchase email suggesting complements to what each customer bought. Two fixes, both measured, both from an afternoon’s audit. (Illustrative example — your own numbers will differ; the point is to measure them.)

The metrics to lock in

Revenue per visitor, block on versus off — the incrementality scoreboard.
Average order value with and without the recommendation.
Attach rate — share of orders that include a recommended item.
Follow-up flow revenue per recipient — proof the after-the-site merchandising pays.
Catalog coverage — whether more of your range is being seen and sold, rather than the same winners.

Baseline these now, before you change anything, so the next audit has something to compare against.

Where Omnisend fits

An audit turns up work, and the after-the-site half of that work — browse follow-up, post-purchase recommendations, replenishment — is where an automation tool earns its place. In my own stores I use Omnisend, which I chose after testing it against Klaviyo, because behavior, purchase history, and product recommendations sit in one place, so the flows the audit says are missing can be built as rules rather than manual sends, and the on/off testing to prove lift is built in rather than bolted on. Email, SMS, and push in one flow mean the follow-up reaches people on the channel they actually read.

Honest limit: an audit and a tool tell you what’s working and let you fix the follow-up, but neither makes a weak recommendation relevant — if your catalog data (attributes, categories, tags) is thin, your recommendations will be too, and that cleanup is manual. Omnisend is an affiliate partner of Shopimation; I recommend it from daily use, and the free tier is enough to build the first missing flow your audit uncovers.

Your next step

Block out one afternoon and run steps 1 through 3 — inventory your blocks, test whether they personalize, and map them to the journey. That alone will hand you a fix list. Then make the results measurable by reading testing whether recommendations increase revenue or just shift it before you change a single block.