Email marketing za WooCommerce

Kako samodejno priporočati izdelke WooCommerce po emailu

Posted on July 18, 2026 by

Da samodejno priporočate izdelke WooCommerce po emailu, izberete pravilo, ki odloči, kaj vidi vsaka stranka — sorodni izdelki, pogosto kupljeno skupaj, najbolje prodajani v kategoriji ali izbori na podlagi njihove zgodovine naročil — in pustite, da vaša email platforma blok napolni iz živega kataloga in podatkov o stranki ob pošiljanju. Nobenega ročnega izbiranja za vsako stranko. Logika priporočil steče enkrat in personalizira za vse. Trik je v tem, da za vsak email izberete pravo pravilo: email po nakupu želi dopolnila k temu, kar so pravkar kupili, email za vračanje želi najnovejše prispele izdelke iz njihove najljubše kategorije, prvi kupec pa vaše preverjene uspešnice. Ta vodnik govori o tej logiki — katera strategija priporočil ustreza kateremu trenutku. Kako sploh spraviti surova polja izdelkov v email, je ločen korak, opisan v kako uporabiti podatke o izdelkih WooCommerce v avtomatiziranih emailih.

Prava težava: ista mreža “uspešnic” na vsakem emailu

Večina trgovin, ki priporočila sploh izvaja, uporablja eno lene različico: statično mrežo petih uspešnic, spuščeno v nogo vsakega avtomatiziranega emaila, enako za vse. Boljše kot nič. Prav tako večino potenciala pušča na mizi.

Splošna mreža uspešnic ignorira vse, kar veste. Ponovni stranki prikaže izdelek, ki ga je kupila prejšnji mesec. Lastniku psa prikaže vašo najbolje prodajano igračo za mačke. Priporoči izdelek za 200 € nekomu, ki je kdaj porabil le 25 €. Priporočilo je tehnično “samodejno”, a ni relevantno, in nerelevantna priporočila se preskočijo z drsanjem.

Zakaj “dodaj več izdelkov v email” ne pomaga

Nagon je razširiti mrežo — pokazati deset izdelkov namesto pet, pokriti več kategorij, upati, da se kaj prime. To se obrne proti vam. Zid nepovezanih izdelkov je težje pregledati in lažje prezreti kot tri resnično relevantne. Ne povečujete verjetnosti; povečujete šum.

Relevantnost premaga količino vsakič. Trije izdelki, izbrani po pravilu, ki dejansko ustreza položaju stranke, bodo prekliknili mrežo dvanajstih naključnih uspešnic. Cilj ni več priporočil. So priporočila, ki jih stranka na pol že hoče.

Kje izteka prihodek: navzkrižna prodaja in ponovna naročila, po katerih niste vprašali

Iztekanje je tukaj tiho: gre za drugo in tretje naročilo, ki se nikoli ne zgodita, ker nikoli niste predlagali očitne naslednje stvari.

Ponazoritveni primer. Recimo, da 300 strank na mesec kupi izdelek, ki ima naravnega spremljevalca — fotoaparat in spominsko kartico, tiskalnik in črnilo, jakno in ujemajoč se šal. Če bi email po nakupu priporočil tega spremljevalca in bi ga vzelo že 6 %, je to 18 dodatnih naročil na mesec, ki jih niste dobivali, ob skoraj ničelnem mejnem strošku, usmerjenih k strankam, ki vam že zaupajo. Preskočite priporočilo in ta prihodek preprosto ne obstaja. Nihče ni jezen; naročila se le nikoli ne pojavijo. To je najdražja vrsta iztekanja, ker je nevidna.

Praktična rešitev: pravilo priporočila uskladite s trenutkom

Različni emaili kličejo po različni logiki. Takole jih razporedim.

Po nakupu → dopolnila (navzkrižna prodaja). Takoj po nakupu priporočite tisto, kar se z njim ujema, ne več istega. “Pogosto kupljeno skupaj” ali ročno pravilo dopolnil deluje dobro. Nekdo, ki je kupil šotor, je močan kandidat za spalno vrečo, ne za še en šotor. To je motor za dober tok po nakupu v WooCommerce.

Opuščeno brskanje/košarica → točno tisti izdelek plus bližnje alternative. Vodite s tem, kar so si ogledali, nato nekaj podobnih izdelkov, če tisti ni bil čisto pravi. Logika sorodnih izdelkov (ista kategorija, podobna cena) napolni alternative.

Vračanje / uspavani → najnovejši prispeli izdelki iz njihove najljubše kategorije. Za nekoga, ki je odtaval, je “kaj je novega, odkar ste odšli” v kategoriji, iz katere dejansko kupuje, najmočnejši povod za ponovno odprtje. To se opira na njihovo zgodovino naročil — segmentacijska plat tega je uporaba podatkov o naročilih WooCommerce za segmentacijo emailov.

Prvi kupec / nov naročnik → preverjene uspešnice, po možnosti v kategoriji, za katero so pokazali zanimanje. Ko nekoga še ne poznate, je priljubljenost vaš najboljši signal. To je edini primer, ko je mreža uspešnic prava izbira.

Ponovna oskrba → isto potrošno blago znova. Pri potrošnem blagu je najboljše “priporočilo” ponovno naročilo točno tistega, kar so kupili, časovno usklajeno s tem, kdaj jim bo pošlo.

Vzorec: stranke, bogate z zgodovino, dobijo izbore na podlagi zgodovine; neznane stranke dobijo izbore na podlagi priljubljenosti; vsi dobijo manj, a boljših možnosti.

Kaj avtomatizirati: sprožilec, pravilo, rezerva, cilj

Za vsak blok priporočil definirajte štiri stvari — in ne preskočite rezerve.

Sprožilec: dogodek ali korak toka, ob katerem se email sproži.
Pravilo: logika, ki izbere izdelke (sorodni, kupljeno-skupaj, najbolje prodajani v kategoriji, na podlagi zgodovine, najnovejši v kategoriji).
Rezerva: kaj se prikaže, ko pravilo ne vrne ničesar — nov naročnik nima zgodovine, nišni izdelek nima podatkov o “kupljeno skupaj”. Brez rezerve (običajno najbolje prodajani po vsej trgovini ali kategoriji) se blok izriše prazen in email deluje pokvarjeno.
Cilj: določena vrsta naročila, ki jo želite — navzkrižna prodaja, ponovno naročilo, reaktivacija.

Rezerva je del, ki ga ljudje pozabijo, in prav ona loči sistem priporočil, ki teče čisto, od tistega, ki občasno pošilja prazne mreže.

Ne pretiravajte z avtomatizacijo presoje

Eno pošteno opozorilo iz izvajanja teh stvari v lastnih trgovinah: povsem samodejna pravila priporočil občasno na dan prinesejo stvari, ki jih vi ne bi. Algoritem “pogosto kupljeno skupaj” lahko premium izdelek pari z razprodajno posebnostjo zgolj zato, ker sta ju nekoč kupila dva človeka. Logika kupljeno-skupaj in sorodnih izdelkov je tako pametna, kot sta vaša količina naročil in struktura kataloga — tanki podatki proizvedejo čudne pare.

Zato pri svojih tokovih z največjim prometom pokukajte, kaj pravilo dejansko priporoča, preden mu popolnoma zaupate. Pri velikem ali razmetanem katalogu boste morda potrebovali pravila kategorij in izključitve, da linije z nizko maržo ali ukinjene ostanejo zunaj priporočil — to delo z varovali je gradnja avtomatizacij WooCommerce za velik katalog izdelkov. Samodejno ne pomeni nenadzorovano.

Primer iz trgovine (ponazoritveno)

Recimo, da prodajate opremo za prosti čas. Stranka kupi šotor za dve osebi. Tri dni kasneje vaš email po nakupu priporoči spalno vrečo, talno ponjavo v velikosti tega šotora in svetilko — pravilo dopolnil, ne “tukaj je še več šotorov”. Druga stranka, uspavana pet mesecev, dobi email za vračanje, ki prikaže tri najnovejše izdelke v “pohodni obutvi”, edini kategoriji, iz katere je kdaj kupovala. Ista platforma za avtomatizacijo, isto popoldne, dva popolnoma različna nabora izdelkov, nič ročnega izbiranja. (Ponazoritveno — uporabite svoj katalog in številke.)

Kako izmeriti, ali si priporočila zaslužijo svoje mesto

Stopnja klikov na priporočila — ali ljudje klikajo priporočene izdelke ali jih preskakujejo z drsanjem?
Pripisani prihodek iz blokov priporočil proti preostanku emaila. Večina platform vam lahko pove, iz katerega izdelka je prišel klik, ki je pretvoril.
Stopnja navzkrižne prodaje / pripenjanja na tokovih po nakupu — delež kupcev, ki vzamejo priporočenega spremljevalca.
Prihodek na prejemnika, primerjan med različico s pametnim pravilom in navadno mrežo uspešnic. Če pametno pravilo ne zmaga, je pravilo napačno za ta trenutek.

Preizkušajte eno spremembo pravila naenkrat, da veste, kaj je premaknilo številko. Priporočila se seštevajo z življenjsko vrednostjo stranke, ki je širša slika v kako z email avtomatizacijo povečati življenjsko vrednost stranke.

Kako pomaga Omnisend

Omnisend za to uporabljam, ker njegov priporočevalnik izdelkov bere živi katalog WooCommerce in lahko bloke napolni po pravilu — uspešnice, sorodni izdelki ali izbori, vezani na vedenje stranke — znotraj katerekoli avtomatizacije. Logiko nastavite enkrat na tok in ta personalizira za vsakega prejemnika, z rezervami, tako da se bloki nikoli ne izrišejo prazni. V kombinaciji s segmentacijo in podatki o izdelkih, obravnavanimi drugje v tej skupini člankov, lahko izvajate resnično različna priporočila glede na fazo življenjskega cikla, ne da bi za vsako gradili ločen email.

Poštena omejitev: kakovost priporočil je odvisna od vaših podatkov. Majhen katalog ali nizka količina naročil dasta logiki “kupljeno skupaj” malo za delo, razmetan katalog pa na dan prinese razmetane pare — čiste kategorije izdelkov in dovolj zgodovine naročil sta tisto, kar samodejne izbore naredi dobre. Omnisend je partner Shopimation prek partnerskega programa; priporočam ga iz vsakodnevne uporabe, brezplačni paket pa omogoča, da preizkusite blok priporočil na enem toku, preden ga razširite na vse.

Vaš naslednji korak

Ta teden v svoj email po nakupu dodajte en blok priporočil — pravilo dopolnil, tri izdelke, z rezervo uspešnic — in mesec dni spremljajte stopnjo pripenjanja. Ta ena sprememba je običajno priporočilo z najvišjim donosom, ki ga lahko naredite. Nato odločite, kdo naj sploh vidi katere izdelke: uporaba podatkov o naročilih WooCommerce za segmentacijo emailov.

WooCommerce Email Marketing

How to Recommend WooCommerce Products Automatically by Email

Posted on July 18, 2026 by

To recommend WooCommerce products automatically by email, you pick a rule that decides what each customer sees — related products, frequently-bought-together, category bestsellers, or picks based on their own order history — and let your email platform fill the block from live catalog and customer data at send time. No hand-picking per customer. The recommendation logic runs once and personalizes for everyone. The trick is choosing the right rule for each email: a post-purchase email wants complements to what they just bought, a win-back email wants their favorite category’s newest arrivals, and a first-timer wants your proven bestsellers. This guide is about that logic — which recommendation strategy fits which moment. Getting the raw product fields into an email at all is a separate step, covered in how to use WooCommerce product data in automated emails.

The real problem: the same “bestsellers” grid on every email

Most stores that do recommendations at all use one lazy version: a static grid of five bestsellers, dropped into the footer of every automated email, identical for everyone. It’s better than nothing. It’s also leaving most of the upside on the table.

A blanket bestseller grid ignores everything you know. It shows a repeat customer the product they bought last month. It shows a dog owner your top-selling cat toy. It recommends a €200 item to someone who’s only ever spent €25. The recommendation is technically “automatic,” but it’s not relevant, and irrelevant recommendations get scrolled past.

Why “add more products to the email” doesn’t help

The instinct is to widen the net — show ten products instead of five, cover more categories, hope something sticks. It backfires. A wall of unrelated products is harder to scan and easier to ignore than three genuinely relevant ones. You’re not increasing the odds; you’re increasing the noise.

Relevance beats quantity every time. Three products chosen by a rule that actually fits the customer’s situation will out-click a grid of twelve random bestsellers. The goal isn’t more recommendations. It’s recommendations the customer half-wants already.

Where the revenue leaks: cross-sell and repeat orders you never asked for

The leak here is quiet: it’s the second and third orders that never happen because you never suggested the obvious next thing.

An illustrative example. Say 300 customers a month buy a product that has a natural companion — a camera and a memory card, a printer and ink, a jacket and its matching scarf. If a post-purchase email recommended that companion and even 6% took it, that’s 18 extra orders a month you weren’t getting, at near-zero marginal cost, aimed at customers who already trust you. Skip the recommendation and that revenue simply doesn’t exist. Nobody’s angry; the orders just never appear. That’s the most expensive kind of leak because it’s invisible.

The practical solution: match the recommendation rule to the moment

Different emails call for different logic. Here’s how I map them.

Post-purchase → complements (cross-sell). Right after someone buys, recommend what pairs with it, not more of the same. “Frequently bought together” or a manual complement rule works well. Someone who bought a tent is a strong candidate for a sleeping bag, not another tent. This is the engine behind a good WooCommerce post-purchase flow.

Browse/cart abandonment → the exact item plus close alternatives. Lead with what they looked at, then a couple of similar products in case that one wasn’t quite right. Related-products logic (same category, similar price) fills the alternatives.

Win-back / lapsed → newest arrivals in their favorite category. For someone who’s drifted, “what’s new since you left” in the category they actually buy from is the strongest re-open. This leans on their order history — the segmentation side of that is using WooCommerce order data for email segmentation.

First-time buyer / new subscriber → proven bestsellers, optionally in a category they showed interest in. When you don’t yet know someone, popularity is your best signal. This is the one time a bestseller grid is the right call.

Replenishment → the same consumable again. For consumables, the best “recommendation” is a reorder of exactly what they bought, timed to when they’ll run low.

The pattern: history-rich customers get history-based picks; unknown customers get popularity-based picks; everyone gets fewer, better options.

What to automate: trigger, rule, fallback, goal

For each recommendation block, define four things — and don’t skip the fallback.

Trigger: the event or flow step the email fires on.
Rule: the logic that selects products (related, bought-together, category-bestseller, history-based, newest-in-category).
Fallback: what shows when the rule returns nothing — a new subscriber has no history, a niche product has no “bought together” data. Without a fallback (usually store-wide or category bestsellers), the block renders empty and the email looks broken.
Goal: the specific order type you want — cross-sell, reorder, reactivation.

The fallback is the part people forget, and it’s what separates a recommendation system that runs cleanly from one that occasionally sends blank grids.

Don’t over-automate the judgment calls

One honest warning from running these in my own stores: fully automatic recommendation rules occasionally surface things you wouldn’t. A “frequently bought together” algorithm might pair a premium item with a clearance oddity just because two people once bought both. Bought-together and related-product logic is only as smart as your order volume and catalog structure — thin data produces weird pairings.

So for your highest-traffic flows, glance at what the rule is actually recommending before you trust it fully. On a large or messy catalog you may need category rules and exclusions to keep low-margin or discontinued lines out of recommendations — that guardrail work is building WooCommerce automations for a large product catalog. Automatic doesn’t mean unsupervised.

A store example (illustrative)

Say you sell outdoor gear. A customer buys a two-person tent. Three days later, your post-purchase email recommends a sleeping bag, a groundsheet sized to that tent, and a lantern — a complement rule, not “here are more tents.” A different customer, lapsed for five months, gets a win-back email showing the three newest items in “hiking footwear,” the only category she’s ever bought from. Same automation platform, same afternoon, two completely different sets of products, zero manual picking. (Illustrative — use your own catalog and numbers.)

How to measure whether recommendations earn their place

Recommendation click-through rate — are people clicking the recommended products, or scrolling past?
Attributed revenue from recommendation blocks vs. the rest of the email. Most platforms can tell you which product a converting click came from.
Cross-sell / attach rate on post-purchase flows — the share of buyers who take a recommended companion.
Revenue per recipient, compared between a smart-rule version and a plain bestseller grid. If the smart rule doesn’t win, the rule is wrong for that moment.

Test one rule change at a time so you know what moved the number. Recommendations compound with customer lifetime value, which is the bigger picture in how to use email automation to increase customer lifetime value.

How Omnisend helps

I use Omnisend for this because its product recommender reads the live WooCommerce catalog and can populate blocks by rule — bestsellers, related products, or picks tied to a customer’s behavior — inside any automation. You set the logic once per flow and it personalizes for every recipient, with fallbacks so blocks never render empty. Combined with the segmentation and product data covered elsewhere in this cluster, you can run genuinely different recommendations per lifecycle stage without building a separate email for each.

The honest limit: recommendation quality depends on your data. A small catalog or low order volume gives the “bought together” logic little to work with, and a messy catalog surfaces messy pairings — clean product categories and enough order history are what make the automatic picks good. Omnisend is an affiliate partner of Shopimation; I recommend it from daily use, and the free tier lets you test a recommendation block on one flow before rolling it across all of them.

Your next step

Add one recommendation block to your post-purchase email this week — a complement rule, three products, with a bestseller fallback — and watch the attach rate for a month. That single change is usually the highest-return recommendation you can make. Then decide who should see which products in the first place: using WooCommerce order data for email segmentation.