Umetna inteligenca v marketingu spletne trgovine

Kako z umetno inteligenco ustvariti pravila za priporočila izdelkov

Posted on July 18, 2026 by

Umetno inteligenco uporabite, da svoje prodajne podatke spremenite v pravila v preprostem jeziku — kaj priporočiti, komu in kdaj — nato pa ta pravila prevedete v pogoje, ki jih vaše e-poštno orodje ali sistem trgovine lahko izvaja. V praksi to pomeni, da modelu podate zgodovino naročil in katalog izdelkov ter ga vprašate: kateri izdelki se kupujejo skupaj, kateri nakup zanesljivo vodi do drugega in kaj naj kupcu izdelka X pokažemo naslednjič? Nazaj dobite osnutek pravilnika — “kupci začetnega kompleta znova naročijo kapsule v 30 dneh”, “vsak, ki je kupil okvir, potrebuje nosilec za pritrditev” — ki ga preverite z realnostjo in naložite v svoje avtomatizacije. Model predlaga logiko. Vi jo odobrite in odločite, kje je človeško priporočilo še vedno boljše od algoritma.

To je del o mehaniki: pisanje pravil. Če se še odločate, ali so priporočila, ki jih poganja umetna inteligenca, sploh vredna, začnite s kako lahko umetna inteligenca spletnim trgovinam pomaga pri personalizaciji priporočil izdelkov in se vrnite sem, da jih zgradite.

Pravi problem: bloki priporočil, ki ne priporočajo nič uporabnega

Večina trgovin nekje že prikazuje “morda vam bo tudi všeč”. Težava je, kaj to zapolni. Prepogosto je to naključna mreža najbolje prodajanih izdelkov ali “kupci so si ogledali tudi”, pripeto zraven in nikoli uglašeno. Kupec, ki je pravkar kupil velik boks za psa, dobi prikazane še tri bokse za psa. Nihče ne kupi drugega boksa ta teden. Mesto ne prinese ničesar.

Nagon je kriviti funkcijo. Pravi problem je, da zanjo nihče ni napisal smiselnih pravil. “Prikaži povezane izdelke” je nastavitev, ne strategija. Povezane kako? Kupljeni skupaj, dopolnilni, nadgradnja, dopolnjevanje zaloge, naslednji v seriji — to je pet različnih logik in trgovina, ki jih obravnava kot eno, dobi zmešnjavo.

Zakaj generični pripomočki za priporočila prinesejo premalo

Standardni bloki “pogosto kupljeno skupaj” se opirajo na obseg. Prikažejo tisto, kar se pri vseh kupcih najpogosteje pojavlja skupaj, kar pri majhnem ali srednje velikem katalogu pogosto pomeni, da se vaši dva ali trije najbolje prodajani izdelki znajdejo poleg vsega, relevantno ali ne. To je v redu za Amazonovo količino podatkov. Pri 10.000 naročilih to proizvede samozavestno nesmiselnost — pari, ki so pogosti, ker so ti izdelki pogosti, ne ker sodijo skupaj.

Pripomoček tudi ne more poznati namena. Nekdo, ki je kupil ohišje fotoaparata, in nekdo, ki je kupil ovitek za telefon, oba sprožita “dodatke”, a prvi je zgodaj v sestavljanju opreme, vrednem več sto evrov, drugi pa je tako rekoč končal. Ista funkcija, silno različna priložnost. Dobra pravila to razliko zajamejo. Privzeti pripomočki jo sploščijo.

Obstaja tudi tišja cena. Ko so priporočila očitno neumna, kupci bloku popolnoma prenehajo zaupati — naučijo se ga preskočiti, tako kot so se naučili preskočiti pasice z oglasi. To pozornost pozneje povrniti je težje, kot pa jo enkrat prislužiti z izbori, ki so dejansko smiselni.

Kje odteka prihodek

Navzkrižna prodaja in dopolnjevanje zaloge sta običajno najcenejši prihodek, ki ga trgovina ima, ker vam kupec že dovolj zaupa, da je enkrat plačal. Ponazoritveni izračun:

500 naročil na mesec, povprečno 50 €
Dobro usmerjeno priporočilo po nakupu pretvori, denimo, 4 % kupcev v drugo majhno naročilo, povprečno 25 €
To je 20 naročil, 500 € na mesec, od ljudi, ki so že na vašem seznamu

Zamudite to — ker vaš blok prikazuje nepomembne izdelke ali ker pravil nikoli niste zgradili — in teh 500 € odide. V letu dni je to pravi denar, ki ste ga pustili na mizi, medtem ko za nov promet plačujete polno ceno.

Praktična rešitev: pravilnik gradite v plasteh

1. Izvlecite surovino. Izvozite zgodovino naročil (kaj se je prodalo s čim in v kakšnem zaporedju), katalog izdelkov s kategorijami in lastnostmi ter morebitne podatke o marži. Zaporedje je pomembno tako kot par — umetna inteligenca lahko opazi, da izdelku A tedne pozneje običajno sledi izdelek B, kar je pravilo dopolnjevanja zaloge ali naslednjega nakupa, ne pravilo kupljeno skupaj.

2. Model prosite za kandidatna pravila, z dokazi. Poziv, kot je: “Iz teh podatkov o naročilih naštej pare izdelkov in zaporedja nakupov, ki jih je vredno spremeniti v pravila za priporočila. Za vsakega navedi pravilo v preprostem jeziku, kako pogosto se pojavlja, tipičen časovni razmik in ali je dopolnilno, nadgradnja ali ponovni nakup. Označi vsak par, ki je videti močan le zato, ker je eden od izdelkov najbolje prodajan.” Ta zadnji del se neposredno spopade s problemom pristranskosti do obsega.

3. Pravila razvrstite po vrsti, ker vsako poganja drugo avtomatizacijo:

Dopolnilna (kupljeno skupaj): prikažite ob nakupu ali takoj po njem. Okvir → nosilec.
Potrošno / dopolnjevanje zaloge: sproženo časovno, preden zmanjka. Kapsule 25 dni po aparatu.
Nadgradnja / naslednja stopnja: za ponovne kupce, ki so prerasli začetni izdelek.
Širitev v kategorijo: kupci ene linije, ki se statistično premikajo v sosednjo.

4. Dodajte človeška preverjanja, ki jih podatki ne morejo zagotoviti. Umetna inteligenca vidi korelacijo. Ne ve, da nosilca ni na zalogi, da se dva izdelka pogosto pojavljata skupaj le zato, ker sta bila v istem lansirnem paketu, ali da priporočanje cenejšega dodatka spodkoplje boljšo nadprodajo. Prekrijte to z maržo, zalogo in presojo blagovne znamke. Nekatera pravila boste ubili, čeprav so številke navdušene nad njimi.

5. Vsako pravilo zapišite v obliki, pripravljeni za orodje. “Kupci začetnega kompleta znova naročijo kapsule v ~30 dneh” spremenite v dejanski pogoj: segment = kupil SKU 1024, časovni okvir = 25 dni po naročilu, prikaži = SKU 1109, izključi = vse, ki so že znova naročili. Ta prevod je bistvo vsega — pravilo, ki ga ne morete izraziti kot pogoje, ni pravilo, je želja.

Kaj avtomatizirati

Za pravilo dopolnjevanja zaloge kot izdelan primer:

Sprožilec: naročilo, ki vsebuje potrošni izdelek.
Segment: prvi in ponovni kupci tega SKU, ki še niso znova naročili.
Časovni okvir: nekaj dni pred pričakovanim iztekom zaloge (iz modelove številke tipičnega razmika, zmanjšane za rezervo).
Kanal: e-pošta, s SMS-om kot možnostjo za časovno občutljiva ponovna naročila.
Vsebina: konkreten izdelek, ponovno naročilo z enim klikom in resničen razlog za takojšnje ukrepanje (zaloga poteka, ne lažni rok).
Cilj: stopnja ponovnih naročil in stopnja drugega nakupa, ne odpiranja.

Primer iz trgovine

Trgovina z opremo za kavo izvozi leto naročil. Umetna inteligenca opozori, da kupci aparatov, ki so kupili tudi mlinček, znova naročijo zrna v približno treh do petih tednih, kupci zgolj aparata pa redko znova naročijo karkoli. Iz tega izpadeta dve pravili: tok dopolnjevanja zrn, časovno nastavljen na 21 dni za segment lastnikov mlinčkov, in navzkrižna prodaja mlinčka za kupce zgolj aparata najprej, saj se brez njega prihodek od dopolnjevanja nikoli ne udejanji. Nobeno pravilo ni očitno iz strmenja v katalog. Oba sta očitna, ko so podatki o zaporedju razvrščeni. (Ponazoritveni primer — vaša zaporedja bodo drugačna.)

Kako meriti

Stopnja klikov in konverzije priporočil, ločeno po vrsti pravila — dopolnjevanje zaloge in navzkrižna prodaja se bosta vedla zelo različno.
Stopnja drugega nakupa in čas med prvim in drugim naročilom.
Prihodek na prejemnika za tokove, ki jih poganja posamezno pravilo.
Marža, spremljana ob prihodku — pravilo, ki dvigne naročila, a potiska dodatke z nizko maržo, vas lahko stane denarja, medtem ko je videti kot zmaga.

Ubijte ali prepišite vsako pravilo, ki po poštenem zagonu prinese premalo. Pravilnik je namenjen obrezovanju.

Kje se vključi Omnisend

Pisanje pravil je ena stvar; njihovo izvajanje je tam, kjer orodje šteje. Potrebujete pritekajoče podatke o izdelkih, segmente, ki se posodabljajo, ko ljudje kupujejo, in bloke priporočil ali avtomatizacije, ki se sprožijo ob pogojih, ki ste jih določili. Omnisend za to uporabljam v svojih trgovinah — avtomatizacije na osnovi izdelkov, dinamični bloki priporočil in pogoji segmentov se čisto ujemajo z zgornjo vrsto pravilnika, po tem ko sem ga preizkusil proti Klaviyu, pa se mi je zdela nastavitev hitrejša in cene prijaznejše za vitko trgovino. Ne bo si izmislil vaših pravil in namesto vas ne bo preglasil slabega. Bo pa dobra izvajal, ne da bi se jih dotaknili. Omnisend je pridruženi partner Shopimationa; brezplačni paket zadostuje za izgradnjo in preizkus prvega pravila.

Vaš naslednji korak

Izvozite leto naročil in ta teden poženite en prehod “kandidatna pravila z dokazi”. Izberite eno pravilo z najjasnejšim zaporedjem in ga zgradite prvo. Da ga vključite v resnični tok, si oglejte kako z umetno inteligenco graditi e-poštne avtomatizacije za določene izdelke; da zagotovite, da z njim ciljate na prave kupce, se z njim naravno ujema kako z umetno inteligenco analizirati segmente kupcev v spletni trgovini. Ko ste pripravljeni povezati besedilo priporočila z vedenjskim sprožilcem, kako združiti ustvarjanje vsebine z umetno inteligenco z vedenjsko avtomatizacijo pokaže povezavo, kako z e-poštno avtomatizacijo povečati življenjsko vrednost kupca pa postavi vse skupaj v sliko zadrževanja.

AI for Ecommerce Marketing

How to Use AI to Create Product Recommendation Rules

Posted on July 18, 2026 by

Use AI to turn your own sales data into plain-English rules for what to recommend, to whom, and when — then you translate those rules into the conditions your email tool or store engine can run. In practice that means handing a model your order history and product catalog and asking: which products get bought together, which purchase reliably leads to a second one, and what should we show a buyer of X next? What comes back is a draft rulebook — “buyers of the starter kit reorder pods within 30 days,” “anyone who bought the frame needs the mounting bracket” — that you check against reality and load into your automations. The model proposes the logic. You approve it, and you decide where a human recommendation still beats an algorithm.

This is the mechanics piece: writing the rules. If you’re still deciding whether AI-driven recommendations are worth it at all, start with how AI can help ecommerce stores personalize product recommendations and come back here to build them.

The real problem: recommendation blocks that recommend nothing useful

Most stores already show “you might also like” somewhere. The trouble is what fills it. Too often it’s a random bestseller grid, or “customers also viewed,” bolted on and never tuned. A customer who just bought a large dog crate gets shown three more dog crates. Nobody buys a second crate that week. The slot earns nothing.

The instinct is to blame the feature. The real issue is that no one wrote sensible rules for it. “Show related products” is a setting, not a strategy. Related how? Bought-together, complementary, upgrade, replenishment, next-in-a-series — those are five different logics, and a store that treats them as one gets mush.

Why generic recommendation widgets underdeliver

Off-the-shelf “frequently bought together” blocks lean on volume. They surface whatever co-occurs most across all customers, which on a small or mid-size catalog often means your two or three bestsellers show up next to everything, relevant or not. That’s fine for Amazon’s data scale. On 10,000 orders it produces confident nonsense — pairings that are common because those items are common, not because they belong together.

And a widget can’t know intent. Someone who bought a camera body and someone who bought a phone case both trigger “accessories,” but the first is early in a build-out worth hundreds more and the second is basically done. Same feature, wildly different opportunity. Good rules encode that difference. Default widgets flatten it.

There’s a quieter cost, too. When recommendations are visibly dumb, customers stop trusting the block entirely — they learn to skip it, the way they learned to skip banner ads. Recovering that attention later is harder than earning it once with picks that actually make sense.

Where the revenue leaks

Cross-sell and replenishment are usually the cheapest revenue a store has, because the customer already trusts you enough to have paid once. Illustrative math:

500 orders a month, average €50
A well-targeted post-purchase recommendation converts, say, 4% of buyers into a second small order averaging €25
That’s 20 orders, €500 a month, from people already in your list

Miss it — because your block shows irrelevant items or you never built the rules — and that €500 walks. Over a year it’s real money you left on the table while paying full price for new traffic.

The practical solution: build the rulebook in layers

1. Pull the raw material. Export order history (what sold with what, and in what sequence), your product catalog with categories and attributes, and any margin data. The sequence matters as much as the pairing — AI can spot that product A tends to be followed by product B weeks later, which is a replenishment or next-purchase rule, not a bought-together one.

2. Ask the model for candidate rules, with evidence. A prompt like: “From this order data, list product pairings and purchase sequences worth turning into recommendation rules. For each, state the rule in plain English, how often it occurs, the typical time gap, and whether it’s complementary, an upgrade, or a repeat purchase. Flag any pairing that only looks strong because one item is a bestseller.” That last clause fights the volume-bias problem head-on.

3. Sort rules by type, because each drives a different automation:

Complementary (bought-together): show at or right after purchase. Frame → bracket.
Consumable / replenishment: time-triggered before they run out. Pods 25 days after the machine.
Upgrade / next-tier: for repeat buyers who’ve outgrown the entry product.
Category expansion: buyers of one line who statistically move into an adjacent one.

4. Add human sense-checks the data can’t provide. AI sees correlation. It doesn’t know the bracket is out of stock, that two items pair often only because they were in the same launch bundle, or that recommending the cheaper accessory undercuts a better upsell. Overlay margin, stock, and brand judgment. Some rules you’ll kill even though the numbers love them.

5. Write each rule in tool-ready form. Turn “starter kit buyers reorder pods in ~30 days” into the actual condition: segment = bought SKU 1024, timing = 25 days after order, show = SKU 1109, exclude = anyone who already reordered. That translation is the whole point — a rule you can’t express as conditions isn’t a rule, it’s a wish.

What to automate

For a replenishment rule as the worked example:

Trigger: order containing the consumable product.
Segment: first-time and repeat buyers of that SKU who haven’t reordered.
Timing: a few days before the expected run-out (from the model’s typical-gap figure, minus a buffer).
Channel: email, with SMS as an option for time-sensitive reorders.
Content: the specific product, one-click reorder, and a genuine reason to act now (running low, not a fake deadline).
Goal: reorder rate and second-purchase rate, not opens.

A store example

A coffee equipment store exports a year of orders. AI flags that machine buyers who also bought a grinder reorder beans within roughly three to five weeks, while machine-only buyers rarely reorder at all. Two rules fall out: a bean-replenishment flow timed to 21 days for the grinder-owning segment, and a grinder cross-sell for machine-only buyers first, since without it the replenishment revenue never materializes. Neither rule is obvious from staring at the catalog. Both are obvious once the sequence data is grouped. (Illustrative example — your sequences will differ.)

How to measure

Recommendation click and conversion rate, split by rule type — replenishment and cross-sell will behave very differently.
Second-purchase rate and time between first and second order.
Revenue per recipient for the flows driven by each rule.
Margin, tracked alongside revenue — a rule that lifts orders but pushes low-margin add-ons can lose you money while looking like a win.

Kill or rewrite any rule that underperforms after a fair run. A rulebook is meant to be pruned.

Where Omnisend fits

Writing rules is one thing; running them is where a tool matters. You need product data flowing in, segments that update as people buy, and recommendation blocks or automations that fire on the conditions you defined. I use Omnisend for this in my own stores — product-based automations, dynamic recommendation blocks, and segment conditions map cleanly onto the kind of rulebook above, and after testing it against Klaviyo I found the setup quicker and the pricing friendlier for a lean store. It won’t invent your rules, and it won’t overrule a bad one for you. It runs the good ones without you touching them. Omnisend is an affiliate partner of Shopimation; the free tier is enough to build and test a first rule.

Your next step

Export one year of orders and run a single “candidate rules with evidence” pass this week. Pick the one rule with the clearest sequence and build it first. To wire it into a real flow, see how to use AI to build product-specific email automations; to make sure you’re targeting the right buyers with it, how to use AI to analyze ecommerce customer segments pairs naturally with the rulebook. When you’re ready to connect the recommendation copy to the behavioral trigger, how to combine AI content creation with behavioral automation shows the join, and how to use email automation to increase customer lifetime value puts the whole thing in the retention picture.