Personalisierung und Produktempfehlungen

Vermeiden, Produkte zu empfehlen, die ein Kunde bereits gekauft hat

Veröffentlicht am July 19, 2026 von

Die Lösung ist eine Ausschlussregel: Ihre Empfehlungsblöcke sollten jedes Produkt automatisch ausblenden, das der Kunde bereits gekauft hat – mit einer bewussten Ausnahme, nämlich Verbrauchsartikeln und anderen Produkten, die Menschen absichtlich immer wieder kaufen. Die meisten E-Mail-Tools mit Produktempfehlung können das, aber viele Shops schalten es nie ein, und so zeigt die Folge-E-Mail stolz genau den Mixer an, den der Kunde letzten Dienstag gekauft hat. Dieser eine Platz ist Ihre wertvollste E-Mail-Fläche, und er wird für das eine Produkt verschwendet, das dieser Mensch am unwahrscheinlichsten kaufen wird. Dieser Artikel zeigt, wie Sie den Ausschluss richtig einrichten, wo eine pauschale „Nie wiederholen”-Regel nach hinten losgeht und wie Sie prüfen, ob Ihre aktuellen E-Mails diesen Fehler gerade jetzt machen.

So erkennen Sie, ob Ihr Shop dieses Problem hat

Öffnen Sie Ihre eigene Nach-dem-Kauf-E-Mail als Testkunde. Kaufen Sie etwas Günstiges, warten Sie auf die Dankes-Strecke und schauen Sie sich den Empfehlungsblock an. Wenn Ihr Kauf dort auftaucht – oder etwas nahezu Identisches – dann haben Sie das Problem.

Prüfen Sie auch die langsameren Lecks: Ihre Rückgewinnungs-E-Mails, Ihre wöchentliche Kampagne mit einem „Für Sie ausgewählt”-Block, Ihre Cross-Selling-Strecke. Überall dort, wo ein dynamisches Produktraster erscheint, kann ein bereits gekaufter Artikel auftauchen. Händler prüfen meist die Warenkorbabbruch-Strecke gewissenhaft und schauen sich den Rest nie an.

Ein leiseres Symptom: Kunden, die auf eine Kampagne mit „Das habe ich schon” antworten. Sie sehen nur eine Antwort auf je ein paar Hundert Leute, die genau das dachten und die E-Mail einfach gelöscht haben.

Warum das mehr kostet als einen peinlichen Moment

Der offensichtliche Preis ist ein verschwendeter Platz. Ein Empfehlungsblock fasst meist drei oder vier Produkte; ist eines davon etwas, das der Kunde bereits besitzt, haben Sie Ihr wirksames Angebot um ein Viertel oder Drittel gekürzt – ausgerechnet bei dem Segment, das am ehesten erneut kauft: den jüngsten Käufern.

Der weniger offensichtliche Preis ist das Signal, das Sie senden. Ein Shop, der Ihnen das letzten Monat gekaufte Sofa empfiehlt, passt offensichtlich nicht auf, und Leser stufen jede künftige E-Mail dieses Absenders entsprechend ab. Personalisierung ist ein Versprechen. Brechen Sie es sichtbar, und Ihre wirklich relevanten E-Mails werden nur noch überflogen wie generische. Diese Erosion ist einer der Hauptgründe, warum personalisierte Produktempfehlungen manchmal scheitern, selbst wenn die Einrichtung auf dem Papier korrekt aussieht.

Rechnen Sie es grob durch. Sagen wir, 800 Ihrer monatlichen E-Mail-Empfänger haben in den letzten 60 Tagen gekauft, und Ihre Nach-dem-Kauf- und Kampagnen-E-Mails erreichen sie mit einem Vier-Platz-Block, in dem ein Platz ihren Kauf wiederholt. Das sind 800 Einblendungen pro Monat eines Produkts mit einer nahezu null Chance auf Conversion – vor Ihrem wärmsten Publikum. (Beispielhaft – setzen Sie Ihre eigene Listengröße ein.)

Warum „Wir kuratieren die Kampagnen einfach von Hand” nicht trägt

Die manuelle Lösung klingt vernünftig: Ein Mensch wählt die Produkte für jede Kampagne aus, sodass nichts Peinliches durchrutscht. Aber die Handauswahl kann die individuelle Kaufhistorie nicht sehen – dieselben vier Produkte gehen an alle, sodass fast zwangsläufig irgendjemand auf der Liste eines davon schon besitzt. Und in automatisierten Strecken gibt es gar keine Hand, die auswählt; der Block füllt sich selbst nach einer Regel.

Mehr Traffic hilft ebenso wenig, und ein hübscheres Template auch nicht. Das Problem sitzt in der Logik, die Produkte auswählt – und nur dort lässt es sich beheben.

Die Einrichtung, Schritt für Schritt

1. Aktivieren Sie den kaufbasierten Ausschluss in Ihren Empfehlungseinstellungen. Die meisten E-Commerce-E-Mail-Plattformen mit Empfehlungsfunktion haben einen Schalter oder Filter in der Art von „Artikel ausschließen, die der Kontakt gekauft hat”. Fangen Sie dort an. Wenn Ihr Tool das wirklich nicht kann, ist das eine echte Einschränkung, die Sie bei Ihrer nächsten Plattformentscheidung abwägen sollten.

2. Legen Sie den Ausschlusszeitraum fest. „Bereits gekauft” sollte nicht immer „für immer” bedeuten. Für langlebige Güter – Möbel, Elektronik, Werkzeuge – ist ein langer Zeitraum oder ein dauerhafter Ausschluss sinnvoll. Niemand braucht im selben Jahr einen zweiten Bürostuhl. Für alles andere siehe Schritt 3.

3. Teilen Sie Ihren Katalog in wiederkaufbare und einmalige Produkte auf. Das ist der Schritt, den Shops überspringen, und genau hier geht eine pauschale Regel nach hinten los. Kaffee, Hautpflege, Nahrungsergänzung, Tierfutter, Druckertinte: Für diese ist das Empfehlen des bereits gekauften Produkts die ganze Strategie – es ist ein Nachschub-Impuls, und er schlägt meist jede „neue” Empfehlung, die Sie stattdessen zeigen könnten. Kennzeichnen Sie diese Produkte (eine Kategorie, eine Kollektion oder ein individuelles Feld reicht) und lassen Sie sie nach etwa einem Verbrauchszyklus wieder in die Empfehlungen einfließen. Ein 30-Tage-Sack Hundefutter darf um Tag 25 wieder auftauchen. Blenden Sie ihn wie ein Sofa aus, und Sie überlassen die Nachbestellung Amazon.

4. Prüfen Sie, wie Ihr Tool mit Varianten und Fast-Duplikaten umgeht. Der Ausschluss funktioniert typischerweise auf Produktebene, sodass sich das Verhalten rund um Varianten je nach Plattform unterscheidet – ein Kunde, der die schwarze Version eines Shirts gekauft hat, sieht die weiße möglicherweise trotzdem noch, und ein Bundle, das seinen gekauften Artikel enthält, kann durchrutschen. Testen Sie das mit einer echten Bestellung, statt es anzunehmen. Ob das Zeigen einer anderen Farbe gutes Cross-Selling oder nervige Wiederholung ist, hängt von Ihrem Katalog ab; entscheiden Sie bewusst, statt die Voreinstellung entscheiden zu lassen.

5. Ersetzen Sie den frei gewordenen Platz durch etwas Besseres. Der Ausschluss entfernt nur eine schlechte Option; er wählt keine gute aus. Das naheliegende Upgrade sind ergänzende Produkte – Artikel, die zum Gekauften passen, statt es zu ersetzen. Diese Logik hat ihr eigenes Playbook in wie man nach dem Kauf ergänzende Produkte empfiehlt, und die weiter gefasste Frage, was einen personalisierten Platz füllen sollte, behandelt wie man Produkte empfiehlt, die ein Kunde am ehesten kauft.

Was Sie automatisieren sollten

Buchstabieren Sie es pro Strecke aus, statt einer globalen Einstellung zu vertrauen, die Sie einmal konfiguriert haben:

Nach-dem-Kauf-Strecke. Auslöser: Bestellung aufgegeben. Empfehlungsblock: ergänzende Artikel, gekaufte Produkte ausgeschlossen, wiederkaufbare nur bis zu ihrem Nachbestellfenster ausgeschlossen. Timing: Ihre bestehenden Verzögerungen bleiben, wie sie sind – das ändert, was gezeigt wird, nicht wann.
Nachschub-Strecke. Auslöser: X Tage nach dem Kauf eines gekennzeichneten Verbrauchsartikels, wobei X etwas unter dem typischen Verbrauchszyklus liegt. Inhalt: genau das Produkt, das sie gekauft haben, mit Ein-Klick-Weg zur Nachbestellung. Kanal: E-Mail, mit SMS als kürzerem Anstoß, sofern sie zugestimmt haben.
Kampagnen und Rückgewinnung. Jeder dynamische Block erbt denselben Ausschluss. Statische, von Hand ausgewählte Raster können die Kaufhistorie nicht berücksichtigen, was ein guter Grund ist, wiederkehrende Kampagnen auf dynamische Blöcke umzustellen.

Segment-Hinweis: Nichts davon erfordert neue Segmente. Der Ausschluss ist eine Logik pro Kontakt innerhalb des Blocks, und genau das macht ihn bei jeder Listengröße praktikabel.

Ein Shop-Beispiel

Nehmen Sie einen Shop, der Espressomaschinen und Kaffeebohnen verkauft – ein Katalog, der beide Extreme enthält. Ein Kunde kauft eine Maschine für 450 € und einen Beutel Bohnen für 14 €. Das richtige Verhalten: Die Maschine taucht in seinen E-Mails nie wieder auf; die Nach-dem-Kauf-Strecke zeigt eine Mühle, einen Tamper, Entkalkungstabletten; die Bohnen erscheinen von selbst um Tag 20 als Nachbestell-Impuls. Ein Katalog, zwei entgegengesetzte Regeln, beide automatisiert. Vertauschen Sie die Regeln, und Sie würden ihn wegen einer zweiten Espressomaschine bedrängen, während Sie schweigen, wenn seine Bohnen zur Neige gehen. (Beispielhafte Darstellung.)

So messen Sie, ob die Lösung gewirkt hat

Beobachten Sie vier Kennzahlen und vergleichen Sie die 4 bis 6 Wochen vor und nach der Änderung:

Klickrate auf Empfehlungsblöcke bei den jüngsten Käufern – der frei gewordene Platz sollte mehr Klicks einbringen als das wiederholte Produkt.
Umsatz pro E-Mail bei Nach-dem-Kauf- und Kampagnen-Sendungen an dasselbe Segment der jüngsten Käufer.
Nachbestellrate bei Verbrauchsartikeln, sobald das Nachschubfenster eingerichtet ist.
Abmelderate von Nach-dem-Kauf-E-Mails – wiederholende Empfehlungen sind ein leiser Treiber dafür.

Wenn die Klicks steigen, der Umsatz aber nicht, funktioniert der Ausschluss und die Ersatzprodukte sind das schwache Glied – eine Frage der Datenqualität, die wie man die Empfehlungsrelevanz mit besseren Daten verbessert beleuchtet.

So geht das in Omnisend

Ich betreibe Omnisend in meinen eigenen Shops (nach dem Test beider Tools Klaviyo vorgezogen – vor allem wegen des Preises und weil ich so viel ohne Support-Tickets konfigurieren konnte), und genau diese Lösung ist eine der schnelleren. In den Einstellungen der Produktempfehlung können Sie Artikel herausfiltern, die ein Kontakt bereits bestellt hat, und Empfehlungsblöcke in Strecken und Kampagnen greifen auf dieselbe Logik zurück, sodass eine Konfiguration Nach-dem-Kauf, Rückgewinnung und Newsletter auf einmal abdeckt. Für die Verbrauchsartikel-Seite erledigt eine auf „Bestellung aufgegeben” ausgelöste Strecke mit einer Kategoriebedingung und einer Verzögerung den Nachschub ganz ohne eigenen Code.

Die ehrliche Einschränkung: Das Tool wendet Regeln an; es kann Ihren Katalog nicht für Sie klassifizieren. Zu entscheiden, welche Produkte einmalig und welche wiederkaufbar sind und wie lange jeder Zyklus läuft, ist Urteilsarbeit, die Sie einmal leisten – vielleicht ein Nachmittag für einen mittelgroßen Katalog. Omnisend ist ein Affiliate-Partner von Shopimation; die Empfehlung stammt aus der täglichen Nutzung.

Ihr nächster Schritt

Geben Sie heute eine Testbestellung in Ihrem eigenen Shop auf und lesen Sie jede automatisierte E-Mail, die sie auslöst. Taucht Ihr Kauf in irgendeinem Empfehlungsblock auf, beheben Sie den Ausschluss diese Woche – und entscheiden Sie dann, welcher Teil Ihres Katalogs die Regel bewusst brechen soll. Ist das erledigt, können dieselben Kaufdaten weit mehr als nur ausblenden: Beginnen Sie mit dem Personalisieren von E-Mails auf Basis der Kaufhistorie.

Personalizacija in priporočila izdelkov

Kako preprečiti priporočanje izdelkov, ki jih je kupec že kupil

Veröffentlicht am July 18, 2026 von

Rešitev je pravilo za izključevanje: vaši bloki s priporočili naj samodejno izpustijo vsak izdelek, ki ga je kupec že kupil, z eno premišljeno izjemo — potrošni material in drugi izdelki, ki jih ljudje namenoma kupujejo znova. Večina orodij za email s priporočilnikom izdelkov to zmore, a mnoge trgovine te možnosti nikoli ne vklopijo, zato email po nakupu ponosno prikaže prav tisti mešalnik, ki ga je kupec kupil prejšnji torek. Prav to mesto je vaš najdragocenejši prostor v emailu, pa ga zapravite za edini izdelek, ki ga bo ta oseba najmanj verjetno kupila. V tem članku bomo pogledali, kako izključevanje pravilno nastaviti, kje se pavšalno pravilo “nikoli ne ponavljaj” obrne proti vam in kako preverite, ali vaši trenutni emaili delajo prav to napako.

Kako ugotoviti, ali ima vaša trgovina to težavo

Odprite svoj email po nakupu kot testni kupec. Kupite nekaj poceni, počakajte na zaporedje z zahvalo in poglejte blok s priporočili. Če vaš nakup tiči tam — ali nekaj skoraj enakega — imate težavo.

Preverite tudi počasnejše luknje: emaile za ponovno pridobivanje strank, tedensko kampanjo z blokom “izbrano za vas”, zaporedje za navzkrižno prodajo. Povsod, kjer se pojavi dinamična mreža izdelkov, se lahko v njej pojavi že kupljen izdelek. Trgovci običajno skrbno pregledajo zaporedje za opuščeno košarico, ostalega pa nikoli ne pogledajo.

Tišji simptom: kupci, ki na kampanjo odgovorijo “to že imam”. Za vsak tak odgovor je nekaj sto ljudi, ki so pomislili enako in email preprosto izbrisali.

Zakaj to stane več kot le trenutek nerodnosti

Očiten strošek je zapravljeno mesto. Blok s priporočili običajno drži tri ali štiri izdelke; če je eden od njih nekaj, kar kupec že ima, ste za segment, ki bo najverjetneje kupil znova — nedavne kupce — svojo dejansko ponudbo skrčili za četrtino ali tretjino.

Manj očiten strošek je to, kar sporoča. Trgovina, ki priporoča kavč, ki ste ga kupili prejšnji mesec, očitno ni pozorna, in bralci temu primerno razvrednotijo vsak prihodnji email tega pošiljatelja. Personalizacija je obljuba. Prekršite jo vidno in tudi vaše resnično relevantne emaile bodo brali le površno, kot generične. Prav to razkrajanje je eden glavnih razlogov, zakaj personalizirana priporočila izdelkov včasih odpovedo, tudi ko je nastavitev na papirju videti pravilna.

Naredite grobo računico. Recimo, da je 800 vaših mesečnih prejemnikov emailov kupilo v zadnjih 60 dneh in da jih vaši emaili po nakupu ter kampanje dosežejo z blokom štirih mest, kjer eno mesto ponovi njihov nakup. To je 800 prikazov na mesec izdelka s skoraj ničelno možnostjo konverzije, pred vašim najbolj vročim občinstvom. (Ponazoritveno — vstavite svojo velikost seznama.)

Zakaj “kampanje bomo pač ročno urejali” ne zdrži

Ročna rešitev se sliši razumno: človek izbere izdelke za vsako kampanjo, tako da nič neprijetnega ne pride skozi. A ročno izbiranje ne more videti nakupne zgodovine posameznika — isti štirje izdelki gredo vsem, tako da že skoraj po definiciji nekdo na seznamu enega od njih že ima. In v avtomatiziranih zaporedjih ni nobene roke, ki bi izbirala; blok se napolni sam po pravilu.

Tudi več prometa ne pomaga, prav tako ne lepša predloga. Težava tiči v logiki, ki izbira izdelke, in samo tam jo je mogoče popraviti.

Nastavitev, korak za korakom

1. V nastavitvah priporočil vklopite izključevanje na podlagi nakupov. Večina email platform za spletne trgovine s priporočilnikom ima stikalo ali filter v smislu “izključi izdelke, ki jih je stik že kupil”. Začnite tam. Če vaše orodje tega res ne zmore, je to resnična omejitev, ki jo velja pretehtati pri naslednji odločitvi o platformi.

2. Določite okno izključevanja. “Že kupljeno” ne bi smelo vedno pomeniti “za vedno”. Za trajno blago — pohištvo, elektroniko, orodje — je smiselno dolgo okno ali trajna izključitev. Nihče ne potrebuje druge pisarniške stolice v istem letu. Za vse ostalo glejte korak 3.

3. Katalog razdelite na izdelke za ponovni nakup in tiste za enkratni nakup. To je korak, ki ga trgovine preskočijo, in prav tu se togo pravilo obrne proti njim. Kava, nega kože, prehranska dopolnila, hrana za hišne ljubljenčke, tinta za tiskalnik: pri teh je priporočanje izdelka, ki ga je kupec že kupil, celotna strategija — gre za spodbudo k obnovi zaloge in ta običajno konvertira bolje kot katero koli “novo” priporočilo, ki bi ga lahko prikazali namesto tega. Te izdelke označite (deluje kategorija, zbirka ali polje po meri) in jim dovolite, da se v priporočila vrnejo po približno enem ciklu porabe. Vreča pasje hrane za 30 dni se lahko znova pojavi okoli 25. dne. Če jo zatrete kot kavč, naročilo za ponovni nakup podarite Amazonu.

4. Preverite, kako vaše orodje ravna z variantami in skoraj enakimi izdelki. Izključevanje običajno deluje na ravni izdelka, zato se ravnanje z variantami razlikuje med platformami — kupec, ki je kupil črno različico majice, morda še vedno vidi belo ali pa ne, komplet, ki vsebuje njegov kupljeni izdelek, pa lahko zdrsne skozi. To preverite z resničnim naročilom, namesto da predpostavljate. Ali je prikaz druge barve dobra navzkrižna prodaja ali nadležno ponavljanje, je odvisno od vašega kataloga; odločite se namerno, namesto da odloči privzeta nastavitev namesto vas.

5. Sproščeno mesto zapolnite z nečim boljšim. Izključevanje odstrani le slabo možnost; dobre ne izbere. Naravna nadgradnja so komplementarni izdelki — stvari, ki gredo skupaj s tem, kar so kupili, ne namesto tega. Ta logika ima svoj priročnik v kako po nakupu priporočiti komplementarne izdelke, širše vprašanje, kaj naj zapolni personalizirano mesto, pa je obravnavano v kako priporočiti izdelke, ki jih bo kupec najverjetneje kupil.

Kaj avtomatizirati

Razčlenite po posameznem zaporedju, namesto da zaupate globalni nastavitvi, ki ste jo enkrat nastavili:

Zaporedje po nakupu. Sprožilec: oddano naročilo. Blok s priporočili: komplementarni izdelki, kupljeni izdelki izključeni, izdelki za ponovni nakup izključeni le do svojega okna za obnovo. Časovnica: obstoječi zamiki ostanejo, kot so — to spremeni, kaj se prikaže, ne kdaj.
Zaporedje za obnovo zaloge. Sprožilec: X dni po nakupu označenega potrošnega izdelka, kjer je X nekoliko manj od običajnega cikla porabe. Vsebina: točno tisti izdelek, ki so ga kupili, z enim klikom do ponovnega naročila. Kanal: email, s SMS kot krajšim opomnikom, če so se za to naročili.
Kampanje in ponovno pridobivanje. Vsak dinamični blok podeduje isto izključevanje. Statične ročno izbrane mreže ne morejo upoštevati nakupne zgodovine, kar je upravičen razlog, da ponavljajoče se kampanje preselite na dinamične bloke.

Opomba o segmentih: nič od tega ne zahteva novih segmentov. Izključevanje je logika na ravni posameznega stika znotraj bloka, in prav to omogoča, da deluje pri kateri koli velikosti seznama.

Primer iz trgovine

Vzemimo trgovino, ki prodaja espresso aparate in kavna zrna — katalog, ki vsebuje obe skrajnosti. Kupec kupi aparat za 450 € in vrečo zrn za 14 €. Pravilno ravnanje: aparat se v njegovih emailih nikoli več ne pojavi; zaporedje po nakupu prikaže mlinček, tamper, tablete za odstranjevanje vodnega kamna; zrna se sama znova pojavijo okoli 20. dne kot spodbuda za ponovno naročilo. En katalog, dve nasprotni pravili, oboje avtomatizirano. Če pravili zamenjate, boste kupca nadlegovali z drugim espresso aparatom, medtem ko boste molčali, ko mu bodo pošla zrna. (Ponazoritveni primer.)

Kako izmeriti, ali je popravek deloval

Spremljajte štiri številke in primerjajte 4–6 tednov pred spremembo in po njej:

Stopnjo klikov na blokih s priporočili med nedavnimi kupci — sproščeno mesto bi moralo prinesti več klikov, kot jih je ponovljeni izdelek.
Prihodek na email pri pošiljanjih po nakupu in kampanjah istemu segmentu nedavnih kupcev.
Stopnjo ponovnih naročil pri potrošnem blagu, ko je okno za obnovo zaloge vzpostavljeno.
Stopnjo odjav od emailov po nakupu — ponavljajoča se priporočila so tih vzrok teh odjav.

Če se kliki izboljšajo, prihodek pa ne, izključevanje deluje, šibki člen pa so nadomestni izdelki — vprašanje kakovosti podatkov, obravnavano v kako izboljšati relevantnost priporočil z boljšimi podatki.

Kako to narediti v Omnisendu

V lastnih trgovinah uporabljam Omnisend (izbral sem ga pred Klaviyo, potem ko sem preizkusil oba — predvsem zaradi cene in tega, koliko sem lahko nastavil brez zahtevkov za podporo), in prav ta popravek je eden hitrejših. Nastavitve priporočilnika izdelkov omogočajo izločanje izdelkov, ki jih je stik že naročil, bloki s priporočili v zaporedjih in kampanjah pa črpajo iz iste logike, tako da ena nastavitev naenkrat pokrije emaile po nakupu, ponovno pridobivanje in novičnike. Za potrošno blago zaporedje, sproženo ob “oddanem naročilu”, s pogojem za kategorijo in zamikom poskrbi za obnovo zaloge brez kakršne koli kode po meri.

Iskren pridržek: orodje uporablja pravila, ne more pa razvrstiti vašega kataloga namesto vas. Odločanje, kateri izdelki so za enkratni nakup in kateri za ponovnega, ter kako dolg je vsak cikel, je presoja, ki jo opravite enkrat — morda popoldne za srednje velik katalog. Omnisend je partner Shopimationa v affiliate programu; priporočilo izhaja iz vsakodnevne uporabe.

Vaš naslednji korak

Danes v svoji trgovini oddajte testno naročilo in preberite vsak avtomatiziran email, ki ga sproži. Če se vaš nakup pojavi v katerem koli bloku s priporočili, izključevanje popravite ta teden — nato se odločite, kateri del vašega kataloga naj pravilo namerno krši. Ko je to opravljeno, lahko isti nakupni podatki naredijo veliko več kot le izključevanje: začnite s personalizacijo emailov na podlagi nakupne zgodovine.

Personalization and Product Recommendations

Avoiding Recommending Products a Customer Already Bought

Veröffentlicht am July 17, 2026 von

The fix is a suppression rule: your recommendation blocks should automatically exclude any product the customer has already purchased, with one deliberate exception — consumables and other products people buy again on purpose. Most email tools with a product recommender can do this, but many stores never switch it on, so the follow-up email proudly shows the exact blender the customer bought last Tuesday. That one slot is your most valuable email real estate, and it’s being spent on the single product this person is least likely to buy. This article covers how to set the exclusion up properly, where a blanket “never repeat” rule backfires, and how to check whether your current emails are making this mistake right now.

How to tell if your store has this problem

Open your own post-purchase email as a test customer. Buy something inexpensive, wait for the thank-you flow, and look at the recommendation block. If your purchase is sitting there — or something nearly identical to it — you have the problem.

Also check the slower leaks: your win-back emails, your weekly campaign with a “picked for you” block, your cross-sell flow. Anywhere a dynamic product grid appears, a purchased item can appear in it. Merchants usually audit the abandoned cart flow carefully and never look at the rest.

A quieter symptom: customers replying “I already have this” to a campaign. You’ll only see one reply for every few hundred people who thought it and just deleted the email.

Why this costs more than an awkward moment

The obvious cost is a wasted slot. A recommendation block usually holds three or four products; if one of them is something the customer owns, you’ve cut your effective offer by a quarter or a third for the segment most likely to buy again — recent purchasers.

The less obvious cost is what it signals. A store that recommends the couch you bought last month clearly isn’t paying attention, and readers downgrade every future email from that sender accordingly. Personalization is a promise. Break it visibly and your genuinely relevant emails get skimmed like generic ones. That erosion is one of the main reasons personalized product recommendations sometimes fail even when the setup looks correct on paper.

Run a rough number on it. Say 800 of your monthly email recipients bought in the last 60 days, and your post-purchase and campaign emails reach them with a four-slot block where one slot repeats their purchase. That’s 800 impressions a month of a product with a near-zero chance of converting, in front of your warmest audience. (Illustrative — plug in your own list size.)

Why “we’ll just curate the campaigns by hand” doesn’t hold

The manual fix sounds reasonable: a human picks the products for each campaign, so nothing embarrassing gets through. But hand-picking can’t see individual purchase history — the same four products go to everyone, so somebody on the list already owns one of them almost by definition. And in automated flows there is no hand to do the picking; the block fills itself from a rule.

More traffic doesn’t help either, and neither does a better-looking template. The problem lives in the logic that selects products, so that’s the only place it can be fixed.

The setup, step by step

1. Turn on purchase-based exclusion in your recommendation settings. Most ecommerce email platforms with a recommender have a toggle or filter along the lines of “exclude items the contact has purchased.” Start there. If your tool truly can’t do this, that’s a real limitation worth weighing in your next platform decision.

2. Decide the suppression window. “Already bought” shouldn’t always mean “forever.” For durable goods — furniture, electronics, tools — a long window or permanent exclusion makes sense. Nobody needs a second office chair in the same year. For everything else, see step 3.

3. Split your catalog into repurchasable and one-and-done. This is the step stores skip, and it’s where a blanket rule backfires. Coffee, skincare, supplements, pet food, printer ink: for these, recommending the product a customer already bought is the whole strategy — it’s a replenishment prompt, and it usually outconverts any “new” recommendation you could show instead. Tag these products (a category, a collection, or a custom field works) and let them re-enter recommendations after roughly one usage cycle. A 30-day bag of dog food can reappear around day 25. Suppress it like a sofa and you hand the reorder to Amazon.

4. Check how your tool handles variants and near-duplicates. Exclusion typically works at the product level, so behavior around variants differs by platform — a customer who bought the black version of a shirt may or may not still see the white one, and a bundle containing their purchased item may slip through. Test this with a real order rather than assuming. Whether showing another color is good cross-selling or annoying repetition depends on your catalog; decide deliberately instead of letting the default decide for you.

5. Replace the freed slot with something better. Exclusion only removes a bad option; it doesn’t choose a good one. The natural upgrade is complementary products — items that go with what they bought rather than instead of it. That logic has its own playbook in how to recommend complementary products after purchase, and the broader question of what should fill a personalized slot is covered in how to recommend products a customer is most likely to buy.

What to automate

Spell it out per flow rather than trusting a global setting you configured once:

Post-purchase flow. Trigger: order placed. Recommendation block: complementary items, purchased products excluded, repurchasables excluded only until their reorder window. Timing: your existing delays stay as they are — this changes what’s shown, not when.
Replenishment flow. Trigger: X days after purchase of a tagged consumable, where X is slightly under the typical usage cycle. Content: the exact product they bought, one-click path to reorder. Channel: email, with SMS as a shorter nudge if they’ve opted in.
Campaigns and win-back. Any dynamic block inherits the same exclusion. Static hand-picked grids can’t respect purchase history, which is a fair reason to move recurring campaigns onto dynamic blocks.

Segment note: none of this requires new segments. The exclusion is per-contact logic inside the block, which is what makes it workable at any list size.

A store example

Take a store selling espresso machines and coffee beans — a catalog that contains both extremes. A customer buys a €450 machine and a €14 bag of beans. The right behavior: the machine never appears in their emails again; the post-purchase flow shows a grinder, a tamper, descaling tablets; the beans reappear on their own around day 20 as a reorder prompt. One catalog, two opposite rules, both automated. Get the rules backwards and you’d nag them about a second espresso machine while staying silent as their beans run out. (Illustrative example.)

How to measure whether the fix worked

Watch four numbers, comparing the 4–6 weeks before and after the change:

Click rate on recommendation blocks among recent purchasers — the freed slot should earn more clicks than the repeated product did.
Revenue per email in post-purchase and campaign sends to that same recent-buyer segment.
Reorder rate on consumables once the replenishment window is in place.
Unsubscribe rate from post-purchase emails — repetitive recommendations are a quiet driver of these.

If clicks improve but revenue doesn’t, the exclusion works and the replacement products are the weak link — a data-quality question, explored in how to improve recommendation relevance with better data.

Doing this in Omnisend

I run Omnisend in my own stores (chosen over Klaviyo after testing both — mainly for price and how much I could configure without support tickets), and this particular fix is one of the quicker ones. The product recommender’s settings let you filter out items a contact has already ordered, and recommendation blocks in flows and campaigns pull from the same logic, so one configuration covers post-purchase, win-back, and newsletters at once. For the consumables side, a flow triggered on “order placed” with a category condition and a delay handles replenishment without any custom code.

The honest caveat: the tool applies rules; it can’t classify your catalog for you. Deciding which products are one-and-done and which are repurchasable, and how long each cycle runs, is judgment work you do once — maybe an afternoon for a mid-sized catalog. Omnisend is an affiliate partner of Shopimation; the recommendation comes from daily use.

Your next step

Place a test order in your own store today and read every automated email it triggers. If your purchase shows up in any recommendation block, fix the exclusion this week — then decide which part of your catalog should deliberately break the rule. When that’s done, the same purchase data can do far more than suppression: start with personalizing emails based on purchase history.