Produktentdeckung und Merchandising

Produktempfehlungen rund um die Kundenabsicht aufbauen

Veröffentlicht am July 19, 2026 von

Empfehlungen, die rund um die Absicht aufgebaut sind, beginnen mit einer einzigen Frage: Was versucht diese Person gerade jetzt zu erreichen? Du beantwortest sie aus ihrem Verhalten – was sie angesehen, gesucht, hinzugefügt, gekauft hat und wie kürzlich – und zeigst dann das Produkt, das sie diesem Ziel näherbringt. Das ist das Gegenteil des Standardansatzes, der jedem dasselbe „Beliebt“- oder „Das könnte dir auch gefallen“-Raster zeigt und hofft. Absichtsbasierte Empfehlungen konvertieren besser, weil sie auf ein echtes, aktuelles Motiv reagieren statt auf einen breiten Durchschnitt. Dieser Artikel legt dar, wie du Absicht aus den Signalen liest, die du ohnehin schon sammelst, und sie in ein Empfehlungssystem verwandelst, das über deine Website und deine E-Mails hinweg funktioniert – die Strategie, die jede spezifische Empfehlungstaktik in deinem Store zusammenhält.

Was „Absicht“ hier eigentlich bedeutet

Absicht ist der Grund hinter dem Verhalten. Nicht „diese Person mag Schuhe“, sondern „diese Person entscheidet sich zwischen zwei Trailrunnern für ein Rennen im nächsten Monat“. Je präziser du das Motiv benennen kannst, desto besser das Produkt, das du ihr vorlegen kannst.

Du wirst Absicht nie perfekt lesen, und das musst du auch nicht. Du musst sie gut genug lesen, um eine generische Vermutung zu schlagen, und die Signale dafür stecken bereits in deinen Daten. Ein Erstbesucher, der „wasserdicht“ sucht, hat ein Problem zu lösen. Eine Kundin, die dieselben drei Artikel wiederholt ansieht, entscheidet sich gerade. Jemand, der gerade eine Kamera gekauft hat, ist vom Auswählen zum Ausrüsten übergegangen. Jedes davon ist eine andere Absicht, und jede verdient eine andere Empfehlung – selbst wenn sich die Produkte überschneiden. Der Fehler, den die meisten Stores machen, ist, das Motiv völlig zu überspringen und allein aus Kategorie oder Beliebtheit zu empfehlen.

Das eigentliche Problem: Empfehlungen, die ignorieren, warum Leute gekommen sind

Geh durch die Empfehlungsblöcke der meisten Stores, und du siehst überall dasselbe – die Startseite, die Produktseite, den Warenkorb, die Nachkauf-E-Mail. Bestseller oder „Kunden kauften auch“, identisch für alle.

Das ist Merchandising nach einer Statistik. Es behandelt einen Erstbesucher und einen Fünffachkäufer, einen Geschenkkäufer und einen Selbstkäufer, einen Stöbernden und einen Entscheider als dieselbe Person. Sind sie aber nicht. Der Block, der für jemanden richtig ist, der Optionen vergleicht, ist falsch für jemanden, der gerade gekauft hat, und ein einzelnes statisches Raster kann nicht für beide richtig sein. Wenn generische Empfehlungsblöcke generische Ergebnisse erzeugen, dann liegt es genau daran – sie beantworten eine Frage, die der Kunde nie gestellt hat, weil sie nie darauf geschaut haben, was der Kunde tatsächlich tat.

Kurze Diagnose: Könnte jeder Empfehlungsblock auf deiner Website gestaltet worden sein, ohne irgendetwas über die einzelne Person zu wissen, die ihn ansieht? Wenn ja, empfiehlst du nicht – du zeigst nur an. Echte Empfehlung beginnt, wenn sich der Block danach ändert, wer schaut und was diese Person zu erreichen versucht.

Wo der Umsatz verloren geht

Die Kosten verteilen sich dünn über jeden Kontaktpunkt, und genau deshalb sind sie leicht zu übersehen.

Jeder Empfehlungsblock ist eine Chance, jemanden einen Schritt näher zum Kauf zu bringen. Ein generischer Block konvertiert ein wenig. Ein absichtsgematchter Block konvertiert mehr – und du hast Dutzende dieser Blöcke, die jeden Tag über Sitzungen und E-Mails hinweg feuern. Angenommen, deine Empfehlungsblöcke beeinflussen zusammen 30.000 € Monatsumsatz. Wenn absichtsbasiertes Matching ihre Wirksamkeit auch nur um 25 % anhebt – eine plausible Spanne, wenn du von „beliebt“ zu „relevant für dieses Motiv“ wechselst –, dann sind das 7.500 € im Monat, die mit den Daten, die du schon hattest, immer erreichbar waren. (Anschaulich; die tatsächliche Steigerung hängt von deinem Katalog, deinem Traffic-Mix und deiner Datenqualität ab. Beweise sie mit einem Test, bevor du darauf baust.)

Weil das Leck verteilt ist, schreit kein einzelner Bericht danach. Es ist ein langsames Tropfen aus jedem Block, der einem Menschen mit einem bestimmten Grund, dort zu sein, einen Publikumsliebling gezeigt hat.

Der praktische Rahmen

Empfehlungen rund um die Absicht aufzubauen heißt: das Signal lesen, es einem Motiv zuordnen und ein Produkt zu diesem Motiv matchen. Tu es in dieser Reihenfolge.

1. Sammle die Signale, aus denen du Absicht lesen wirst

Du brauchst einströmendes Verhalten, bevor du darauf reagieren kannst. Die Kernsignale:

Suchbegriffe – die direkteste Aussage über die Absicht, die ein Kunde dir je gibt. „Wasserdicht“, „Geschenk“, „für Anfänger“ benennen jeweils ein Ziel.
Browsing-Verhalten – welche Kategorien und Produkte, wie oft, wie kürzlich. Das ist das Rückgrat; Browsing-Verhalten ist das reichhaltigste Absichtssignal, das die meisten Stores zu wenig nutzen.
Warenkorb-Aktionen – Hinzufügen und Entfernen zeigen ernsthafte Überlegung und Zögern.
Kaufhistorie – was jemand besitzt, verändert, was er als Nächstes braucht.
Aktualität – dasselbe Verhalten bedeutet mehr, wenn es vor einer Stunde geschah als vor einem Monat.

2. Ordne Verhalten einem Motiv zu

Übersetze das Signal in ein Ziel in Klartext. Wiederholte Ansichten ähnlicher Artikel → zwischen Optionen entscheiden. Eine „Problem“-Suche wie „trockene Haut“ → ein Problem lösen, Produkttyp unbekannt. Ein jüngster Kauf → ausrüsten oder vervollständigen. Erstbesuch von einer bestimmten Anzeige → einen einzelnen Bedarf erkunden. Du benennst die Aufgabe, die der Kunde zu erledigen versucht.

3. Match die Empfehlung zum Motiv – und zur Phase

Das Produkt, das du zeigst, hängt davon ab, wo die Absicht in der Kaufreise sitzt. Ein Entscheider braucht einen Anstoß zu einer Option, nicht fünf neue. Ein Erkunder braucht eine kuratierte Handvoll, nicht den ganzen Katalog. Jemand, der gerade gekauft hat, braucht einen Begleiter, keinen Rivalen. Diese Ausrichtung richtig hinzubekommen, ist eine Disziplin für sich – Produktempfehlungen an die Phase der Kaufreise anpassen ist das Stück, das dich davon abhält, die richtige Kategorie im falschen Moment zu zeigen.

4. Behandle problemgeleitete Absicht anders

Manche Kunden kaufen überhaupt nicht nach Produkttyp ein – sie kaufen nach dem Problem, das sie lösen wollen, und wissen vielleicht nicht, welches Produkt es löst. Das braucht seine eigene Übersetzungsschicht, behandelt in was du Kunden zeigst, die nach Problem statt nach Produkttyp stöbern. Wenn ein Teil deines Traffics in Symptomen statt in SKUs sucht, zwing sie nicht durch einen Kategoriebaum.

Was du automatisieren solltest

Absichtsbasierte Empfehlungen lassen sich nicht pro Kunde von Hand bauen – der ganze Sinn ist, dass Verhalten das Produkt automatisch antreibt. Richte es als System ein.

Auslöser: das Absichtssignal selbst – eine Suche, eine wiederholte Kategorieansicht, ein Warenkorb-Add, ein Kauf, ein wiederkehrender Besuch.
Segment: nach Motiv und Phase – Erkunder, Entscheider, jüngste Käufer, Problemsucher – jeweils zu anderen Inhalten geleitet.
Kanal: Onsite-Blöcke reagieren in der Sitzung; E-Mail und SMS fassen nach, nachdem die Person gegangen ist, sodass Merchandising über die Website hinaus weitergeht statt aufzuhören, wenn der Tab schließt.
Inhalt: ein dynamischer Block, gefüllt aus dem eigenen Verhalten der Person, gematcht auf das Motiv, das du abgeleitet hast, aktualisiert, während sich ihre Signale ändern.
Timing: verhaltensgesteuerte Nachrichten feuern, solange die Absicht warm ist – innerhalb von Stunden; Onsite-Blöcke aktualisieren in Echtzeit.
Ziel: Umsatz pro Empfehlungsblock, gemessen gegen eine generische Kontrolle, in jeder Phase der Reise.

Ein Store-Beispiel

Ein Outdoor-Ausrüstungs-Store beobachtet drei Kunden, drei Absichten. Der erste ist ein neuer Besucher, der „Anfängerzelt“ gesucht und zwei Einsteigermodelle angesehen hat – Absicht: erkunden, braucht Orientierung. Sie bekommt einen Onsite-Block mit drei anfängerfreundlichen Zelten samt einer kurzen Notiz „So wählst du dein erstes Zelt“ und eine Follow-up-E-Mail, falls sie ohne Kauf geht. Der zweite hat ein bestimmtes Zwei-Personen-Zelt viermal angesehen – Absicht: entscheiden. Er bekommt genau dieses Zelt mit Bewertungen, dem Grund, warum es eine starke Wahl ist, und einem Vergleich zu der einen Alternative, die er sich angesehen hat. Die dritte hat dieses Zelt gestern gekauft – Absicht: ausrüsten. Sie bekommt eine Bodenplane, Heringe und eine Isomatte, passend zum Zelt. Gleicher Store, gleiche Woche, eine Empfehlungs-Engine – drei völlig unterschiedliche, korrekt gematchte Produktgruppen, weil jede aus dem gebaut wurde, was die Person tatsächlich zu erreichen versuchte.

Wie du misst, ob absichtsbasiert generisch schlägt

Setz nicht voraus, dass der ausgefeilte Ansatz gewinnt. Lass es ihn beweisen.

Umsatz pro Empfehlungsblock – absichtsgematcht gegen eine generische Kontrolle. Die Schlagzeilenzahl.
Klickrate und Konversion nach Segment – prüfe, dass der Block jedes Motivs bei diesem Motiv tatsächlich ankommt.
Bestellwert – gutes Phasen-Matching (Begleiter nach einem Kauf) hebt oft die Warenkorbgröße.
Unterstützter Umsatz – wie oft ein Empfehlungsblock auf dem Weg zu einem Verkauf auftaucht.

Achte auf dieselbe Falle, die alle Empfehlungsarbeit begleitet: Umsatz hinzufügen versus umschichten. Wenn deine Absichtsblöcke überwiegend Verkäufe umleiten, die du ohnehin erzielt hättest, zahlt sich der Aufwand nicht aus – teste, ob Empfehlungen den Umsatz steigern oder ihn nur verschieben, bevor du dem System Wachstum zuschreibst.

Wie die spezifischen Taktiken mit dieser Strategie zusammenhängen

Das ist die Strategieebene; die Taktiken leben in ihren eigenen Leitfäden. Wenn du zwischen dem Zeigen eines beliebten Artikels und des richtigen Artikels für eine Person wählst, ist das der Unterschied zwischen Bestsellern und dem besten Produkt für diesen Kunden. Absichtsbasiertes Denken ist es, was dich diese Entscheidung jedes Mal korrekt treffen lässt – lies das Motiv, entscheide dann, ob Beliebtheit ihm zufällig dient oder nicht. Alles Spezifische, was du mit Empfehlungen tust, sollte auf ein Kundenmotiv zurückführbar sein, das du benennen kannst. Wenn nicht, bist du zurück beim Anzeigen, nicht beim Empfehlen.

Wie Omnisend hineinpasst

Verhalten lesen, nach Motiv segmentieren und gematchte Empfehlungen über E-Mail, SMS und Onsite feuern – das sind viele bewegliche Teile, und es ohne Software zu tun heißt, E-Mails von Hand zu bauen, die du nicht skalieren kannst. Ich betreibe absichtsbasierte Empfehlungen in meinen eigenen Stores über Omnisend, gewählt gegenüber Klaviyo dafür, wie eng es Browsing- und Kaufverhalten mit automatisierten, segmentierten Flows samt dynamischen Produktblöcken verknüpft. Du kannst innerhalb einer Automatisierung separate Zweige für Erkunder, Entscheider und jüngste Käufer bauen, jeder ziehend aus den eigenen Signalen der einzelnen Person.

Die ehrlichen Grenzen sind zwei. Erstens liest das System Absicht nur so gut, wie deine Daten es zulassen – ungetracktes Verhalten und ungetaggte Produkte verwischen jedes Signal, also kommt die Grundlagenarbeit vor der Automatisierung. Zweitens leitet kein Tool warum sich jemand auf eine bestimmte Weise verhält mit perfekter Genauigkeit ab; du spielst bessere Chancen als eine generische Vermutung, du liest keine Gedanken. Setze dort die Erwartungen, und absichtsbasierte Empfehlungen zahlen sich stetig aus statt magisch. Omnisend ist ein Affiliate-Partner von Shopimation, empfohlen aus täglicher Nutzung, und seine kostenlose Stufe reicht, um einen absichtsbasierten Zweig zu bauen und ihn gegen deinen aktuellen generischen Block zu testen.

Dein nächster Schritt

Wähle einen Platz mit viel Traffic – deinen Empfehlungsblock auf der Produktseite oder deine Nachkauf-E-Mail – und bau ihn rund um eine einzelne benannte Absicht statt um Beliebtheit neu. Lies das Signal, benenne das Motiv, match das Produkt und teste es im Split-Test gegen das, was da ist. Sobald es die generische Version schlägt, roll dasselbe Denken Block für Block nach außen, bis die Absicht, nicht der Durchschnitt, das ist, was jede Empfehlung antreibt, die du machst.

Odkrivanje izdelkov in spletno trgovsko prikazovanje

Kako priporočila izdelkov zgraditi okoli namena kupca

Veröffentlicht am July 18, 2026 von

Priporočila, zgrajena okoli namena, izhajajo iz enega vprašanja: kaj skuša ta oseba prav zdaj doseči? Odgovorite nanj iz njenega vedenja – kaj si je ogledala, iskala, dodala, kupila in kako nedavno – nato pa pokažete izdelek, ki jo premakne proti temu cilju. To je nasprotje privzetega pristopa, ki vsem prikaže isto “priljubljeno” mrežo ali mrežo “morda vam bo všeč tudi” in upa. Priporočila, ki temeljijo na namenu, bolje konvertirajo, ker se odzivajo na resničen, trenuten motiv namesto na širok povprečje. Ta članek predstavi, kako iz signalov, ki jih že zbirate, prebrati namen in ga spremeniti v sistem priporočil, ki deluje po vaši spletni strani in vaših e-sporočilih – strategija, ki povezuje vsako specifično taktiko priporočil v vaši trgovini.

Kaj “namen” tukaj dejansko pomeni

Namen je razlog za vedenjem. Ne “tej osebi so všeč čevlji”, ampak “ta oseba izbira med dvema paroma tekaških copat za tek naslednji mesec”. Bolj natančno ko lahko poimenujete motiv, boljši izdelek lahko postavite prednjo.

Namena nikoli ne boste prebrali popolno in vam tudi ni treba. Prebrati ga morate dovolj dobro, da premagate splošno ugibanje, signali za to pa so že v vaših podatkih. Prvič obiskovalec, ki išče “vodoodporno”, ima problem, ki ga mora rešiti. Kupec, ki si iste tri izdelke ogleda večkrat, se odloča. Nekdo, ki je pravkar kupil fotoaparat, se je premaknil od izbiranja k opremljanju. Vsak od teh je drugačen namen in vsak si zasluži drugačno priporočilo – tudi kadar se izdelki prekrivajo. Napaka, ki jo naredi večina trgovin, je, da motiv popolnoma preskočijo in priporočajo zgolj iz kategorije ali priljubljenosti.

Pravi problem: priporočila, ki prezrejo, zakaj so ljudje prišli

Sprehodite se skozi bloke s priporočili večine trgovin in povsod boste videli isto – domača stran, stran izdelka, košarica, e-sporočilo po nakupu. Najbolje prodajani izdelki ali “kupci so kupili tudi”, enaki za vse.

To je prodaja statistiki. Prvič obiskovalca in petkratnega kupca, kupca daril in kupca zase, brskalca in odločevalca obravnava kot isto osebo. Niso. Blok, ki je pravi za nekoga, ki primerja možnosti, je napačen za nekoga, ki je pravkar kupil, ena statična mreža pa ne more biti prava za oba. Ko splošni bloki s priporočili proizvedejo splošne rezultate, je razlog prav to – odgovarjajo na vprašanje, ki ga kupec ni nikoli zastavil, ker niso nikoli pogledali, kaj kupec dejansko počne.

Hitra diagnostika: bi lahko vsak blok s priporočili na vaši spletni strani zasnovali, ne da bi karkoli vedeli o posamezniku, ki ga gleda? Če je odgovor da, ne priporočate – prikazujete. Resnično priporočanje se začne, ko se blok spremeni glede na to, kdo gleda in kaj skuša doseči.

Kje prihodek odteka

Strošek je tanko razpršen po vsaki dotikni točki, kar je natanko razlog, zakaj ga je lahko spregledati.

Vsak blok s priporočili je priložnost, da nekoga premaknete korak bližje nakupu. Splošen blok konvertira malo. Blok, usklajen z namenom, konvertira več – vi pa imate na desetine teh blokov, ki se dnevno prožijo skozi seje in e-sporočila. Recimo, da vaši bloki s priporočili skupaj vplivajo na 30.000 EUR mesečnega prihodka. Če ujemanje na podlagi namena dvigne njihovo učinkovitost že za 25 % – verjeten razpon, ko preidete od “priljubljeno” k “relevantno temu motivu” – je to 7.500 EUR na mesec, ki so bili vedno dosegljivi s podatki, ki ste jih že imeli. (Ilustrativno; resničen dvig je odvisen od vašega kataloga, mešanice prometa in kakovosti podatkov. Dokažite ga s testom, preden računate nanj.)

Ker je odtekanje razpršeno, o njem ne kriči nobeno posamezno poročilo. Je počasno kapljanje iz vsakega bloka, ki je množici všečen izdelek pokazal osebi s specifičnim razlogom, zakaj je tam.

Praktičen okvir

Graditi priporočila okoli namena pomeni prebrati signal, ga preslikati v motiv in izdelek uskladiti s tem motivom. Naredite to v tem vrstnem redu.

1. Zberite signale, iz katerih boste brali namen

Vedenje mora pritekati, preden se lahko odzovete nanj. Osrednji signali:

Iskalni izrazi – najbolj neposredna izjava namena, kar vam jo kupec kdaj da. “Vodoodporno”, “darilo”, “za začetnike” vsak poimenuje cilj.
Vedenje pri brskanju – katere kategorije in izdelki, kolikokrat, kako nedavno. To je hrbtenica; vedenje pri brskanju je najbogatejši signal namena, ki ga večina trgovin premalo uporablja.
Dejanja v košarici – dodajanja in odstranjevanja kažejo resen premislek in oklevanje.
Zgodovina nakupov – kar imajo, na novo opredeli, kaj potrebujejo naprej.
Nedavnost – isto vedenje pomeni več, ko se je zgodilo pred uro, kot pred mesecem.

2. Preslikajte vedenje v motiv

Signal prevedite v cilj v vsakdanjem jeziku. Ponavljajoči se ogledi podobnih izdelkov → odločanje med možnostmi. “Problemsko” iskanje, kot je “suha koža” → reševanje problema, vrsta izdelka neznana. Nedaven nakup → opremljanje ali dopolnjevanje. Prvi obisk iz določenega oglasa → raziskovanje ene same potrebe. Poimenujete nalogo, ki jo kupec skuša opraviti.

3. Priporočilo uskladite z motivom – in stopnjo

Izdelek, ki ga pokažete, je odvisen od tega, kje v nakupni poti sedi namen. Odločevalec potrebuje spodbudo proti eni možnosti, ne petih novih. Raziskovalec potrebuje nekaj skrbno izbranih, ne celotnega kataloga. Nekdo, ki je pravkar kupil, potrebuje spremljevalca, ne tekmeca. Da to poravnavo pravilno zadenete, je disciplina zase – usklajevanje priporočil s stopnjo nakupne poti je del, ki vas obvaruje, da pravo kategorijo pokažete ob napačnem trenutku.

4. Namen, ki ga vodi problem, obravnavajte drugače

Nekateri kupci sploh ne nakupujejo po vrsti izdelka – nakupujejo po problemu, ki ga skušajo odpraviti, in morda ne vedo, kateri izdelek ga reši. To potrebuje svojo prevajalno plast, obravnavano v kaj pokazati kupcem, ki brskajo po problemu namesto po vrsti izdelka. Če del vašega prometa išče v simptomih namesto v izdelkih, ga ne silite skozi drevo kategorij.

Kaj avtomatizirati

Priporočil na podlagi namena ni mogoče graditi ročno za vsakega kupca – celotno bistvo je, da vedenje samodejno vodi izdelek. Nastavite ga kot sistem.

Sprožilec: sam signal namena – iskanje, ponovni ogled kategorije, dodajanje v košarico, nakup, ponovni obisk.
Segment: po motivu in stopnji – raziskovalci, odločevalci, nedavni kupci, iskalci problemov – vsak usmerjen k drugačni vsebini.
Kanal: bloki na spletni strani se odzovejo v seji; e-sporočila in SMS sledijo, potem ko oseba odide, tako da se prodaja nadaljuje onkraj spletne strani, namesto da bi se ustavila, ko se zavihek zapre.
Vsebina: dinamičen blok, napolnjen iz vedenja te osebe, usklajen z motivom, ki ste ga sklepali, osvežen, ko se njeni signali spreminjajo.
Časovnica: sporočila, sprožena z vedenjem, se prožijo, ko je namen topel – v urah; bloki na spletni strani se posodabljajo v realnem času.
Cilj: prihodek na blok s priporočili, merjen proti splošni kontrolni skupini, na vsaki stopnji poti.

Primer iz trgovine

Trgovina z opremo za na prosto spremlja tri kupce, tri namene. Prva je nova obiskovalka, ki je iskala “šotor za začetnike” in si ogledala dva osnovna modela – namen: raziskovanje, potrebuje vodenje. Dobi blok na spletni strani s tremi šotori, primernimi za začetnike, s kratkim zapisom “kako izbrati svoj prvi šotor”, in nadaljnje e-sporočilo, če odide brez nakupa. Drugi si je štirikrat ogledal en določen dvoosebni šotor – namen: odločanje. Dobi natanko ta šotor z ocenami, razlogom, zakaj je dobra izbira, in primerjavo z eno alternativo, ki si jo je ogledal. Tretja je ta šotor kupila včeraj – namen: opremljanje. Dobi talno podlogo, klince in ležalno blazino, prilagojeno šotoru. Ista trgovina, isti teden, en sam sistem priporočil – trije popolnoma različni, pravilno usklajeni nabori izdelkov, ker je bil vsak zgrajen iz tega, kar je oseba dejansko skušala doseči.

Kako izmeriti, ali namenski pristop premaga splošnega

Ne predpostavljajte, da bolj izpopolnjen pristop zmaga. Naj to dokaže.

Prihodek na blok s priporočili – usklajen z namenom v primerjavi s splošno kontrolno skupino. Glavna številka.
Kliki in konverzija po segmentu – preverite, ali blok vsakega motiva dejansko odmeva pri tem motivu.
Vrednost naročila – dobro usklajevanje s stopnjo (spremljevalci po nakupu) pogosto dvigne velikost košarice.
Prispevani prihodek – kako pogosto se blok s priporočili pojavi na poti do prodaje.

Pazite na isto past, ki spremlja vse delo s priporočili: dodajanje prihodka v primerjavi s preurejanjem. Če vaši namenski bloki večinoma preusmerjajo prodaje, ki bi jih tako ali tako zajeli, se trud ne izplača – preverite, ali priporočila povečujejo prihodek ali ga le premikajo, preden sistemu pripišete rast.

Kako se specifične taktike povezujejo s to strategijo

To je plast strategije; taktike živijo v svojih vodnikih. Ko izbirate med tem, da pokažete priljubljen izdelek in pravi izdelek za eno osebo, je to razlika med najbolje prodajanimi izdelki in najboljšim izdelkom za konkretnega kupca. Razmišljanje na podlagi namena je tisto, kar vam omogoča, da to odločitev vsakič pravilno sprejmete – preberite motiv, nato pa se odločite, ali mu priljubljenost slučajno služi ali ne. Vse specifično, kar počnete s priporočili, bi moralo izhajati iz motiva kupca, ki ga lahko poimenujete. Če ne more, ste spet pri prikazovanju, ne priporočanju.

Kako se vključi Omnisend

Branje vedenja, segmentiranje po motivu in proženje usklajenih priporočil prek e-pošte, SMS-a in spletne strani – to je veliko premikajočih se delov, in delati to brez programske opreme pomeni ročno graditi e-sporočila, ki jih ne morete razširiti. Priporočila na podlagi namena poganjam v svojih trgovinah prek Omnisenda, izbranega pred Klaviyem zaradi tega, kako tesno poveže vedenje pri brskanju in nakupih z avtomatiziranimi, segmentiranimi tokovi z dinamičnimi bloki izdelkov. Znotraj ene avtomatizacije lahko zgradite ločene veje za raziskovalce, odločevalce in nedavne kupce, vsaka črpa izdelke iz posameznikovih lastnih signalov.

Pošteni omejitvi sta dve. Prvič, sistem prebere namen le tako dobro, kot mu dopuščajo vaši podatki – nesledeno vedenje in neoznačeni izdelki zabrišejo vsak signal, zato temeljna priprava pride pred avtomatizacijo. Drugič, nobeno orodje ne sklepa zakaj se nekdo vede na določen način s popolno natančnostjo; igrate boljše možnosti kot pri splošnem ugibanju, ne berete misli. Tam postavite pričakovanja in priporočila na podlagi namena se izplačajo vztrajno namesto čudežno. Omnisend je partner Shopimationa v pridruženem programu, priporočen iz vsakodnevne uporabe, njegov brezplačni paket pa zadošča, da zgradite eno vejo na podlagi namena in jo preizkusite proti svojemu trenutnemu splošnemu bloku.

Vaš naslednji korak

Izberite eno mesto z visokim prometom – blok s priporočili na strani izdelka ali e-sporočilo po nakupu – in ga zgradite znova okoli enega samega poimenovanega namena namesto priljubljenosti. Preberite signal, poimenujte motiv, uskladite izdelek in ga razdeljeno preizkusite proti temu, kar je zdaj. Ko premaga splošno različico, isto razmišljanje širite navzven blok za blokom, dokler ne bo namen, ne povprečje, tisto, kar poganja vsako priporočilo, ki ga naredite.

Product Discovery and Merchandising

Building Product Recommendations Around Customer Intent

Veröffentlicht am July 18, 2026 von

Recommendations built around intent start from a single question: what is this person trying to do right now? You answer it from their behaviour — what they viewed, searched, added, bought, and how recently — then show the product that moves them toward that goal. This is the opposite of the default approach, which shows the same “popular” or “you may also like” grid to everyone and hopes. Intent-based recommendations convert better because they respond to a real, current motive instead of a broad average. This article lays out how to read intent from the signals you already collect and turn it into a recommendation system that works across your site and your emails — the strategy that ties together every specific recommendation tactic in your store.

What “intent” actually means here

Intent is the reason behind the behaviour. Not “this person likes shoes” but “this person is choosing between two trail runners for a race next month.” The more precisely you can name the motive, the better the product you can put in front of them.

You’ll never read intent perfectly, and you don’t need to. You need to read it well enough to beat a generic guess, and the signals for that are already in your data. A first-time visitor searching “waterproof” has a problem to solve. A customer viewing the same three items repeatedly is deciding. Someone who just bought a camera has shifted from choosing to equipping. Each of these is a different intent, and each deserves a different recommendation — even when the products overlap. The mistake most stores make is skipping the motive entirely and recommending from category or popularity alone.

The real problem: recommendations that ignore why people came

Walk through most stores’ recommendation blocks and you’ll see the same thing everywhere — the homepage, the product page, the cart, the post-purchase email. Best sellers, or “customers also bought,” identical for everyone.

That’s merchandising to a statistic. It treats a first-time visitor and a five-time buyer, a gift shopper and a self-shopper, a browser and a decider, as the same person. They aren’t. The block that’s right for someone comparing options is wrong for someone who just purchased, and a single static grid can’t be right for both. When generic recommendation blocks produce generic results, this is why — they answer a question the customer never asked, because they never looked at what the customer was actually doing.

Quick diagnostic: could every recommendation block on your site have been designed without knowing anything about the individual viewing it? If yes, you’re not recommending — you’re displaying. Real recommendation starts when the block changes based on who’s looking and what they’re trying to do.

Where the revenue leaks

The cost is spread thin across every touchpoint, which is exactly why it’s easy to miss.

Every recommendation block is a chance to move someone one step closer to buying. A generic block converts a little. An intent-matched block converts more — and you have dozens of these blocks firing across sessions and emails every day. Say your recommendation blocks collectively influence €30,000 of monthly revenue. If intent-based matching lifts their effectiveness even 25% — a plausible range when you move from “popular” to “relevant to this motive” — that’s €7,500 a month that was always reachable with the data you already had. (Illustrative; the real lift depends on your catalogue, traffic mix, and data quality. Prove it with a test before you bank on it.)

Because the leak is distributed, no single report screams about it. It’s a slow drip from every block that showed a crowd-pleaser to a person with a specific reason for being there.

The practical framework

Building recommendations around intent means reading the signal, mapping it to a motive, and matching a product to that motive. Do it in this order.

1. Collect the signals you’ll read intent from

You need behaviour flowing in before you can respond to it. The core signals:

Search terms — the most direct statement of intent a customer ever gives you. “Waterproof,” “gift,” “for beginners” each name a goal.
Browsing behaviour — which categories and products, how many times, how recently. This is the backbone; browsing behaviour is the richest intent signal most stores underuse.
Cart actions — adds and removes show serious consideration and hesitation.
Purchase history — what they own reframes what they need next.
Recency — the same behaviour means more when it happened an hour ago than a month ago.

2. Map behaviour to a motive

Translate the signal into a plain-language goal. Repeated views of similar items → deciding between options. A “problem” search like “dry skin” → solving a problem, product-type unknown. A recent purchase → equipping or completing. First visit from a specific ad → exploring a single need. You’re naming the job the customer is trying to get done.

3. Match the recommendation to the motive — and the stage

The product you show depends on where the intent sits in the buying journey. A decider needs a nudge toward one option, not five new ones. An explorer needs a curated few, not the whole catalogue. Someone who just bought needs a companion, not a rival. Getting this alignment right is a discipline of its own — matching recommendations to the stage of the buying journey is the piece that keeps you from showing the right category at the wrong moment.

4. Handle problem-led intent differently

Some customers don’t shop by product type at all — they shop by the problem they’re trying to fix, and they may not know what product solves it. That needs its own translation layer, covered in what to show customers who browse by problem instead of product type. If a chunk of your traffic searches in symptoms rather than SKUs, don’t force them through a category tree.

What to automate

Intent-based recommendations can’t be hand-built per customer — the whole point is that behaviour drives the product automatically. Set it up as a system.

Trigger: the intent signal itself — a search, a repeat category view, a cart add, a purchase, a return visit.
Segment: by motive and stage — explorers, deciders, recent buyers, problem-searchers — each routed to different content.
Channel: on-site blocks respond in the session; email and SMS follow up after the person leaves, so merchandising continues past the website rather than stopping when the tab closes.
Content: a dynamic block populated from the person’s own behaviour, matched to the motive you inferred, refreshed as their signals change.
Timing: behaviour-triggered messages fire while intent is warm — within hours; on-site blocks update in real time.
Goal: revenue per recommendation block, measured against a generic control, at each stage of the journey.

A store example

An outdoor-gear store watches three customers, three intents. The first is a new visitor who searched “beginner tent” and viewed two entry-level models — intent: exploring, needs guidance. She gets an on-site block of three beginner-friendly tents with a short “how to choose your first tent” note, and a follow-up email if she leaves without buying. The second viewed one specific two-person tent four times — intent: deciding. He gets that exact tent with reviews, the reason it’s a strong pick, and a comparison to the one alternative he looked at. The third bought that tent yesterday — intent: equipping. She gets a footprint, stakes, and a sleeping pad sized to the tent. Same store, same week, one recommendation engine — three completely different, correctly matched sets of products, because each was built from what the person was actually trying to do.

How to measure whether intent-based beats generic

Don’t assume the sophisticated approach wins. Make it prove it.

Revenue per recommendation block — intent-matched versus a generic control. The headline number.
Click-through and conversion by segment — check that each motive’s block actually resonates with that motive.
Order value — good stage-matching (companions after a purchase) often lifts basket size.
Assisted revenue — how often a recommendation block appears in the path to a sale.

Watch the same trap that shadows all recommendation work: adding revenue versus reshuffling it. If your intent blocks mostly re-route sales you’d have captured anyway, the effort isn’t paying — test whether recommendations increase revenue or just shift it before you credit the system for growth.

How the specific tactics connect to this strategy

This is the strategy layer; the tactics live in their own guides. When you’re choosing between showing a popular item and the right item for one person, that’s the difference between best sellers and the best product for this customer. Intent-based thinking is what lets you make that call correctly every time — read the motive, then decide whether popularity happens to serve it or not. Everything specific you do with recommendations should trace back to a customer motive you can name. If it can’t, you’re back to displaying, not recommending.

How Omnisend fits

Reading behaviour, segmenting by motive, and firing matched recommendations across email, SMS, and on-site — that’s a lot of moving parts, and doing it without software means hand-building emails you can’t scale. I run intent-based recommendations in my own stores through Omnisend, chosen over Klaviyo for how tightly it links browsing and purchase behaviour to automated, segmented flows with dynamic product blocks. You can build separate branches for explorers, deciders, and recent buyers inside one automation, each pulling products from the individual’s own signals.

The honest limits are two. First, the system reads intent only as well as your data lets it — untracked behaviour and untagged products blur every signal, so the groundwork comes before the automation. Second, no tool infers why someone is behaving a certain way with perfect accuracy; you’re playing better odds than a generic guess, not reading minds. Set expectations there and intent-based recommendations pay off steadily rather than magically. Omnisend is an affiliate partner of Shopimation, recommended from daily use, and its free tier is enough to build one intent-based branch and test it against your current generic block.

Your next step

Pick one high-traffic spot — your product page recommendation block or your post-purchase email — and rebuild it around a single named intent instead of popularity. Read the signal, name the motive, match the product, and split-test it against what’s there now. Once it beats the generic version, roll the same thinking outward one block at a time until intent, not the average, is what drives every recommendation you make.