Avtomatizacija zapuščenega ogleda

Kako ustvariti avtomatizacijo zapuščenega ogleda za velike kataloge izdelkov

Posted on July 19, 2026 by

Za trgovino s tisoči SKU-jev je zapuščeni ogled hkrati bolj dragocen in bolj sitnostna — dragocen, ker pri ogromnem katalogu ljudje brskajo veliko več, kot kupijo, tako da je bazen za obnovitev velik; sitnost, ker ne morete ročno izdelati e-pošte na izdelek in morajo biti vaša priporočila resnično samodejna in resnično ustrezna čez razvejan asortiment. Odgovor je, da nehate razmišljati v izdelkih in začnete razmišljati v sistemih: dinamična vsebina, ki samodejno povleče ogledani artikel, logika priporočil, ki deluje čez ves katalog brez ročnih pravil, prilagajanje na ravni kategorije namesto na ravni izdelka, in čisti podatki o izdelkih, da avtomatizacija ne pokaže pokvarjenih ali nepomembnih artiklov. Zgradite napravo enkrat in obvladuje deset tisoč izdelkov tako zlahka kot deset. Takole.

Zakaj so pri velikih katalogih brskanja večja in težja

Pri velikem asortimentu je vrzel med »ogledano« in »kupljeno« ogromna — ljudje raziskujejo na desetine možnosti, tavajo čez kategorije in nenehno odhajajo. To pomeni veliko, resnično dragoceno priložnost za obnovitev brskanja. A pomeni tudi, da se naivni pristopi sesujejo. Ne morete napisati posebne e-pošte o brskanju za 5.000 izdelkov. Ne morete ročno izbrati priporočil za vsakega. In eno samo generično sporočilo »tole ste gledali in tu so uspešnice naše trgovine« prezre edino prednost, ki jo daje velik katalog: bogat vedenjski signal o tem, kaj vsako osebo dejansko zanima.

Torej je vsa igra avtomatizacija, ki se hkrati razširja in ostaja ustrezna. To vleče v nasprotni smeri, razen če jo zgradite premišljeno.

Štirje sistemi, ki ji omogočijo, da se razširi

Popolnoma dinamična vsebina ogledanega izdelka. Predloga e-pošte ima režo, ki se napolni s čimer koli, kar si je oseba ogledala — slika, ime, cena, povezava — povlečeno v živo iz kataloga. Zgradite eno predlogo; pravilno se izriše za katerega koli od vaših tisočev izdelkov. Nič ni vneseno ročno. To je osnovni pogoj za velike kataloge. (Kaj naj sporočilo ob zapuščenem ogledu pove.)
Algoritemska priporočila, ne pravila. Pri majhnem katalogu lahko ročno izberete »kupci so kupili tudi«. Pri tisočih SKU-jev potrebujete samodejno logiko priporočil — ista kategorija, pogosto skupaj ogledani ali priljubljenost znotraj kategorije — ki deluje, ne da bi napisali pravilo na izdelek. Mehanizem priporočil poskrbi za ustreznost; vi le postavite blok. (Kako uporabiti priporočila izdelkov v sporočilih ob zapuščenem ogledu.)
Prilagajanje na ravni kategorije, ne izdelka. Ne morete prikrojiti za 5.000 izdelkov, lahko pa za svojih 20 do 40 kategorij. Pomiritev, ton in podporno vsebino razvejite po kategoriji ogledanega artikla, tako da brskalec elektronike in brskalec oblačil dobita ustrezno različni e-pošti iz iste avtomatizacije. (Prilagajanje sporočil ob zapuščenem ogledu po kategoriji.)
Čisti podatki o izdelkih kot temelj. To je tisto, kar ljudje preskočijo in obžalujejo. Če ima vaš katalog manjkajoče slike, napačne kategorije, slabe cene ali ukinjene artikle, še vedno označene kot na voljo, bo dinamična e-pošta o brskanju z veseljem pokazala pokvarjen izdelek — in ne boste ga ujeli, ker ni tiste e-pošte sestavil noben človek. Pri obsegu je kakovost podatkov enako kot kakovost e-pošte.

Robni primer, ki ugrizne velike kataloge: pokvarjena dinamična e-pošta

Tu je način odpovedi, edinstven za velike, avtomatizirane kataloge, in vredno ga je poimenovati, ker je neviden, dokler ga ne vidi stranka. Ker vsake e-pošte ne sestavi oseba, se težava s podatki odpošlje naravnost v nabiralnik. Izdelku poide zaloga, a vir še vedno pravi na voljo → e-pošta se poveže z mrtvim »kupi zdaj«. Slika manjka → junaška reža je prazna. Polje cene je napačno → e-pošta navede napačno številko. Pri desetih izdelkih bi opazili. Pri desetih tisočih se te reči nenehno prikradejo skozi, razen če zgradite varovala:

Nadomestek ob razprodaji: če ogledani artikel ni na voljo, namesto njega pokažite sorodne artikle na zalogi. (Kako uporabiti uspešnice v sporočilih ob zapuščenem ogledu kot varen nadomestek.)
Zadušitev ob manjkajočih podatkih: ne pošljite (ali nadomestite), ko ogledanemu izdelku manjka slika ali cena.
Higiena vira: vir izdelkov naj se natančno usklajuje, ker se avtomatizacija nanj popolnoma zanaša.

Kje je prihodek — in kje pušča

Prednost: velik katalog ustvari velik, stalen tok dogodkov brskanja, tako da dobro zgrajena avtomatizacija smiselno obnavlja čez dolg rep izdelkov, ne le junaških artiklov. Puščanje, če ne zgradite varoval, je tišja škoda ugledu — pokvarjena e-pošta, ki odhaja v obsegu, spodkopava zaupanje in delež klikov, plus čisto izgubljen prihodek od vsakega pošiljanja z mrtvo povezavo ob razprodaji.

Ponazoritveno: če je celo 5 % ogledanih izdelkov ob pošiljanju razprodanih in nimate nadomestka, je to eno od dvajsetih sporočil o brskanju, ki se poveže z ničimer — čista zguba čez vaš največji vir sprožitev. (Številke ponazoritvene.) Popravite nadomestek in te postanejo prodaje druge priložnosti.

Konkreten primer

Splošna trgovina z izdelki za dom, približno 8.000 SKU-jev. (Ponazoritveno.) Brskalec si ogleda določen jedilni stol, ki pozneje pošije. Avtomatizacija se sproži z nadomestno logiko: ker stol ni na voljo, e-pošta vodi z »tisti je razprodan, a tu so bližnje ujemajoče se možnosti« in pokaže tri stole na zalogi v istem slogu in cenovnem razredu, povlečene samodejno. Prilagajanje po kategoriji ji da pohištvu primerno pomiritev (dostava, sestavljanje). Ena predloga, en mehanizem priporočil, pravilen izhod za izdelek, ki se ga ni dotaknil noben človek.

Kaj avtomatizirati

Dinamični blok ogledanega izdelka, ki izriše kateri koli SKU iz živega vira.
Algoritemski blok priporočil (ista kategorija / skupaj ogledani / priljubljeni v kategoriji).
Razvejanje po kategoriji za ton in pomiritev.
Varovala: nadomestek ob razprodaji, zadušitev ob manjkajočih podatkih, preverjanja usklajenosti vira.
Cilj: ustrezna, pravilna sporočila o brskanju v obsegu kataloga brez ročnega dela na izdelek.

Kako to meriti

Stopnja pokvarjenih pošiljanj — kako pogosto e-pošta odide z mrtvimi povezavami, praznimi slikami ali napačnimi cenami. Pri obsegu je to pravi KPI; poganjajte ga proti ničli.
Delež klikov na priporočila — pri velikem katalogu alternative pogosto prekašajo ogledani artikel v konverziji, zato to pozorno spremljajte.
Prihodek na prejemnika čez dolgi rep, proti zadržani skupini — potrdite, da obnavljate onkraj zgolj junaških izdelkov.

Kako pomaga Omnisend

Obnovitev brskanja pri velikem katalogu živi ali umre ob dinamični vsebini, samodejnem mehanizmu priporočil in zanesljivem viru izdelkov. Omnisend uporabljam v svojih trgovinah, potem ko sem ga preizkusil proti Klaviyu, deloma zato, ker bloki priporočil izdelkov delujejo čez ves katalog brez pravil na izdelek in ker se blok ogledanega izdelka izriše naravnost iz usklajenega vira, z vgrajenim obravnavanjem razprodaje. Pomembni deli: sinhronizacija živega kataloga, dinamični blok ogledanega izdelka in algoritemski blok priporočil, razvejanje po kategoriji in nadomestek ob razprodaji. (Omnisend je orodje, ki ga uporabljam in priporočam; vsaka partnerska povezava je razkrita — pristop deluje na kateri koli sposobni platformi s trdnim virom izdelkov.)

Vaš naslednji korak

Najprej preglejte vir izdelkov — manjkajoče slike, napačno stanje zaloge, slabe cene — ker so pri obsegu ti podatki enako kot vaša kakovost e-pošte. Nato potrdite, da vaša avtomatizacija brskanja uporablja popolnoma dinamično vsebino z nadomestkom ob razprodaji in da prilagaja po kategoriji, namesto da bi skušala doseči raven izdelka. Mehanizem priporočil postavite s kako uporabiti priporočila izdelkov v sporočilih ob zapuščenem ogledu in sloj kategorije s prilagajanje sporočil ob zapuščenem ogledu po kategoriji.

Browse Abandonment Automation

How to Create Browse Abandonment for Large Product Catalogs

Posted on July 10, 2026 by

For a catalog with hundreds or thousands of SKUs, the answer is one flow, not many: a single browse abandonment automation built on dynamic content. The email pulls in whatever product the visitor actually viewed, a recommendation block fills in related items automatically, and a category split routes your top three to five categories to slightly tailored versions while everything else hits a solid generic fallback. You maintain one automation; the catalog data does the personalizing. The two things that actually break at scale are relevance (a generic template feels random across 3,000 products) and frequency (heavy browsers trigger constantly), so this article spends most of its time on the splits and the caps that solve both.

Why big catalogs make browse abandonment feel impossible

If you sell 40 products, you know each one and could write its follow-up email by hand. At 4,000 SKUs — auto parts, fashion with size and color variants, a homeware range across twelve categories — that intimacy is gone. Merchants in this position usually do one of two bad things: they skip browse abandonment entirely (“we can’t personalize it, so why bother”), or they ship one bland template that says “you looked at something!” over whatever image the system grabs. The first leaves money on the table; the second gets deleted.

Meanwhile you’re paying for shopping campaigns and dynamic ads across the whole catalog, and every product-page exit is a visitor whose click you bought and whose interest you recorded — and then did nothing with.

Why hiring it away or discounting it away doesn’t scale either

Manual segmentation doesn’t survive a big catalog. If someone on your team builds category-specific campaigns by hand, they’ll cover five categories and quit before the sixth, and new products will arrive faster than the emails do. Blanket discounts don’t scale either — a sitewide “come back for 10% off” applied to thousands of triggers a month quietly reprices your whole store. The scalable version is structural: let product feed data, browsing events and recommendation logic do per-contact personalization that no human could keep up with.

The size of the leak, roughly

Illustrative math: a fashion store with 5,000 SKUs gets 60,000 monthly sessions and 30,000 product-page views. Say 12% of those viewers are identifiable — 3,600 potential flow entries a month. A single well-built dynamic flow converting 1.5% of entries at a EUR 55 average order is close to EUR 3,000 monthly. The same store running no browse flow captures EUR 0 of that, and the store running a bland static template captures some fraction. Invented figures, but they show why catalog size raises the stakes: more SKUs means more browse triggers, which means the same flow quality multiplies across more volume.

The build order

Verify your product feed first. Dynamic emails are only as good as titles, images and prices in the feed. Ten minutes checking your worst product data saves a month of broken-looking emails.
Ship the generic dynamic version. One flow, one email, dynamic last-viewed product plus recommendations. This alone beats nothing by a wide margin.
Add category splits for your top categories. Pull revenue by category; branch the top three to five.
Add frequency caps and exclusions. Non-negotiable at catalog scale.
Not yet: per-brand branches, price-tier branches, AI subject lines. Volume and caps first, refinement later.

The flow, precisely

Trigger: contact viewed one or more product pages, no add to cart, no purchase, session over. Segment: subscribed contacts; exclude purchasers from the last 14 days, active carts, and anyone who entered this flow within the last 5 days — that last rule matters more here than anywhere, because catalog browsers re-trigger constantly. Channel: email; add push later if you run it.

Split: after the trigger, branch on the viewed product’s category. Build dedicated branches only for categories worth it — for a fashion store maybe Dresses, Shoes and Outerwear — and route everything else to the default branch. Category-level personalization is where large-catalog flows earn most of their lift, because “New season dresses are moving fast” beats “Check out our products” without requiring per-SKU work.

Email 1 — 2 to 6 hours after the browse. Dynamic block showing the last-viewed product: image, name, price, stock. Below it, a recommendation block with three or four items — same-category recommendations work better than sitewide ones here, since a browser of hiking boots wants boots, not your bestselling blender. Recommendation blocks in browse emails deserve their own setup pass. Goal: return visit to the product or a sibling.

Email 2 — 48 hours later, only if no purchase. Widen the lens: the viewed category’s bestsellers instead of the single product, since at catalog scale many browsers rejected the specific item but not the category. Bestsellers make a strong second touch because popularity data is something a big catalog has and a small one doesn’t. Goal: convert category intent even when product intent died.

Cap: maximum one browse sequence per contact per 5 days, and suppress the flow entirely for anyone currently in your cart abandonment or post-purchase flows. One conversation at a time.

A concrete picture

Illustrative example: a car accessories store with 8,000 SKUs builds exactly this — generic dynamic branch plus dedicated branches for Roof Racks, Child Seats and Dash Cams. The child seat branch adds one extra line (“All our seats meet i-Size standards”) that the generic template can’t say. Over a month, 2,100 contacts enter the flow, the category branches convert about a third better than the generic one, and the merchant’s total build time was two afternoons. Numbers invented; the takeaway is that three tailored branches plus one fallback covered an 8,000-product catalog.

What to measure

Revenue per flow entry — overall and per branch, so you see which categories deserve the next dedicated branch.
Recommendation block click share — what portion of clicks hit recommended items versus the viewed product. High share means the block is doing real work.
Flow entry rate — entries per 1,000 product views. If it’s tiny, your identification or tracking is the bottleneck, not the emails.
Unsubscribe rate from flow emails — the early warning that your caps are too loose for heavy browsers.

Building it in Omnisend

On my own stores I run the full flow stack — welcome, abandoned cart, browse abandonment, cross-sell, win-back — and browse abandonment is the one where catalog size changes the build most. Omnisend handles the scale mechanics this article leans on: the last-viewed product comes in as a dynamic block, the recommender can pull from the viewed category, and category conditions drive the branch splits. Fair warnings: it needs a clean product feed and a verified tracking snippet, category branches are only as sensible as your category structure (a catalog where half the products sit in “Misc” can’t be branched), and none of this rescues weak product data — a dynamic email showing a EUR 0.00 price or a missing image is worse than no email.

Next step

Pull last quarter’s revenue by category and circle the top three. Those are your branches. Build the generic dynamic flow this week, add those three branches next week, and once it’s been running a month, run the full browse abandonment audit to see what to tune first.