Personalizacija in priporočila izdelkov

Kako personalizirati marketing za velike kataloge izdelkov

Posted on July 18, 2026 by

Pri velikem katalogu personalizacija ni več lepa dodatna možnost, ampak postane edini način, da sploh lahko tržite – 5.000 SKU-jev preprosto ne morete ročno pokriti s kampanjami. Rešitev je sprememba enote: nehajte tržiti izdelke in začnite tržiti afinitetam. Očistite podatke o kategorijah in atributih, stranke združite po kategorijah in cenovnih razredih, s katerimi se dejansko ukvarjajo, nato pa naj dinamični bloki priporočil vsak email samodejno napolnijo iz kataloga, pri čemer pravila izključevanja skrbijo za kakovost. Vaš trud pri urejanju ponudbe gre v pravila, ne v izbiranje. Ob pravilni izvedbi se velik katalog iz komunikacijske težave prevesi v prednost: skoraj za vsako stanje stranke imate relevanten naslednji izdelek – večina trgovin ga le nikoli ne pokaže.

Pravi problem: 5.000 izdelkov, vsak email pa prikaže istih osem

Takole je pri skoraj vsaki trgovini z velikim katalogom, ki sem si jo ogledal. Katalog ima na tisoče živih SKU-jev. Newsletter, dvakrat na teden, izpostavi tisto, kar je izbral lastnik ali oseba za marketing: nove izdelke, uspešnice, promocijo tega meseca. To pomeni, da morda 40 izdelkov na mesec sploh dobi kakšno izpostavljenost v emailu. Preostalih 98 % kataloga – izdelki, ki ste jih fotografirali, opisali, kupili na zalogo – se ni nikoli pojavilo v nikogaršnjem predalu.

Medtem stranka, ki je trikrat kupila vosek za tek na smučeh, dobi enak email kot tista, ki kupuje samo otroške kolesarske čelade. Obe dobita promocijo za SUP-deske, ker je junij in SUP-deske so promocija.

Zakaj običajne rešitve ne skalirajo

Nagonski odzivi vsak trči ob zid:

Več kampanj. Razdelitev newsletterja na tri kategorijske izdaje potroji produkcijsko delo in še vedno pokrije le drobec kataloga. Ročno urejanje ponudbe ima trdno mejo – ena oseba lahko na teden uredi ponudbo za desetine izdelkov, ne tisoče.

Uspešnice povsod. Nastavitev vsakega bloka izdelkov na najbolje prodajane deluje varno in res konvertira – nekaj časa. A strankam kaže tisto, kar so že videle na domači strani in v zadnjih štirih emailih, ter strada dolgi rep, ki sploh upravičuje vodenje globokega kataloga. Ali bolje konvertirajo uspešnice ali personalizirani izbori, je resnično vprašanje s preverljivim odgovorom, a pri obsegu kataloga strategija samih uspešnic tudi tiho omeji, koliko vaše zaloge lahko marketing premakne.

Zaposlovanje. Merchandiser pomaga, a plačevali bi plačo za to, da nekdo nepopolno počne tisto, kar pravila in vedenjski podatki počnejo neprestano.

Kje pri velikem katalogu odteka prihodek

Dve odtekanji, in ti se seštejeta.

Prvo je neizpostavljena zaloga. Vzemimo ilustrativno trgovino z 8.000 SKU-ji, kjer email ustvari 20.000 € na mesec, skoraj vse od ~50 promoviranih izdelkov. Če bi tudi skromen delež preostalega kataloga ustrezal izkazanemu interesu obstoječe stranke – kupec muharjenja, ki mu nikoli niste pokazali oddelka za vezanje muh –, je to povpraševanje, ki ste ga že plačali za pridobitev, a ostaja nepostreženo. Počasi obračajoča se zaloga veže denar prav zato, ker nič v vašem marketingu nikoli ne usmeri prave osebe k njej.

Drugo je razpad relevantnosti. Vsak nerelevanten email o SUP-deski kupcu čelade nauči še eno stranko, da vas preleti. Veliki katalogi naredijo neciljan email bolj nerelevanten na pošiljko kot majhni, ker verjetnost, da naključno promoviran izdelek ustreza kateremu koli bralcu, upada, ko katalog raste.

Praktična rešitev, po vrsti

1. Popravite podatke o izdelkih, preden se dotaknete kateregakoli emaila. To je neprivlačen korak, ki ga vsi preskočijo in nato plačajo zanj. Dinamična priporočila so dobra le toliko kot vaša taksonomija: dosledne kategorije, pravilni atributi (velikost, namen uporabe, združljivost), točno stanje zaloge in nobenih osirotelih izdelkov zunaj vsake kategorije. Če je »Dodatki« odlagališče za 900 nepovezanih artiklov, vsako pravilo, zgrajeno na njem, podeduje ta nered. Predvidite prave ure tukaj – za resnično razmetan katalog s 5.000 SKU-ji so to dnevi dela, in to je del celotnega projekta z najvišjim donosom.

2. Zgradite afinitetne segmente, ne izdelčnih. Segmentov na izdelek pri tem obsegu ne boste nikoli vzdrževali. Namesto tega združujte po ukvarjanju s kategorijo: kupil ali večkrat brskal kategorijo v zadnjih N mesecih. Peščica vrhnjih afinitet (v športnem primeru: kolo, smuči, voda, tek, otroci) pokrije večino seznama. Mehanika je razložena v uporabi afinitete do kategorije izdelkov v marketingu e-trgovine.

3. Ročno izbrane mreže izdelkov zamenjajte z dinamičnimi bloki. Ena predloga kampanje, en email v toku – blok izdelkov v njem se za vsakega prejemnika napolni iz njegove afinitete in vedenja. To je poteza, ki vaš trud loči od velikosti kataloga. Podatki o brskanju so najmočnejši vhod, ki ga za to imate; kako uporabiti vedenje pri brskanju za boljša priporočila izdelkov pokrije, kaj zajeti in kako to uporabiti.

4. Zapišite pravila izključevanja – to je vaš nadzor kakovosti. Pri obsegu kataloga je tisto, česar ne prikažete, enako pomembno kot tisto, kar prikažete: izključite izdelke, ki niso na zalogi, izključite že kupljene izdelke (rešena težava, a le če jo rešite – glejte izogibanje priporočanju izdelkov, ki jih je stranka že kupila), izključite razprodajne artikle iz mest za priporočila po polni ceni in nastavite pravilo cenovnega razreda, da stranke s povprečjem 30 € ne vodite z artikli za 400 €.

5. Šele nato razmislite o algoritmičnih priporočilih. Bloki afinitet na podlagi pravil vam prinesejo večino vrednosti. Priporočilni sistemi na osnovi umetne inteligence si zaslužijo svoj denar prav pri obsegu velikega kataloga, kjer kombinatorika premaga vsak nabor pravil – a ojačajo tisto kakovost podatkov, ki jo imate, zato so peti korak in ne prvi. Kako uporabiti priporočila izdelkov z umetno inteligenco v e-trgovini pokrije, kdaj se nadgradnja splača.

Kaj avtomatizirati najprej

Trije tokovi, po vrsti prioritete, vsak se opira na globino kataloga:

Opuščanje brskanja. Sprožilec: v eni seji si je ogledal 2 ali več izdelkov v kategoriji, brez nakupa. Zamik: ~24 ur. Vsebina: dinamični blok artiklov iz te kategorije, filtriran po cenovnem razredu in zalogi obiskovalca. Cilj: vrnitveni obisk. Ta tok je tam, kjer veliki katalogi zablestijo – skoraj vedno imate pet dodatnih dobrih možnosti v kateri koli niši, ki jo je raziskoval.
Dopolnitev po nakupu. Sprožilec: naročilo dostavljeno. Zamik: 5–7 dni. Vsebina: dodatki in potrošni material, preslikani na kupljeno kategorijo – kupec čelade vidi luči in rokavice, ne še ene čelade. Cilj: drugo naročilo.
Novi izdelki po afiniteti. Sprožilec: izdelki dodani v kategorijo v zadnjih 14 dneh. Segment: samo afinitetna skupina te kategorije. Vsebina: dinamični blok novosti. Cilj: ponovni obiski vaših najbolj zainteresiranih kupcev – in samodejna prva izpostavljenost sveže zaloge, kar noben ročni newsletter nikoli ne zmore dosledno.

Primer trgovine (ilustrativno)

Športni trgovec od prej: 8.000 SKU-jev, 40.000 naročnikov, 70.000 € na mesec. Predelava: dva tedna čiščenja taksonomije, pet afinitetnih segmentov, zgornji trije tokovi, dvakrat tedenski newsletter zmanjšan na enkrat – a z mrežo izdelkov, narejeno dinamično po afiniteti.

Strukturna sprememba je bistvo (številke so ilustrativne): produkcijski čas za email pade, ker izdelkov nihče več ne izbira ročno, delež kataloga, ki prejme klike iz emaila, gre z manj kot 2 % na pomemben delež, kupec smučarskega voska pa novembra končno dobi smučarsko vsebino namesto SUP-desk junija. Nič od tega ni zahtevalo več pošiljk – isti obseg je zgolj nehal biti zamenljiv.

Kako to meriti

Prihodek na prejemnika na dinamičnih emailih proti vašim starim statičnim – primarni semafor.
Pokritost kataloga: kolikšen odstotek aktivnih SKU-jev je ta mesec dobil vsaj en klik iz emaila. Edinstveno pomembno za velike kataloge; nihče drug tega ne spremlja, neposredno pa odseva odtekanje dolgega repa.
Stopnja klikov na dinamičnih blokih proti ročno izbranim blokom na istem položaju v predlogi.
Pritožbe o priporočilih, ki jih lahko vidite: odjave pri emailih iz tokov in kakršenkoli porast po spremembi pravila – običajno znak, da se je pravilo izključevanja pokvarilo.

Kje se vključi Omnisend

Razlog, da lahko celoten sistem zgradi lastnik trgovine in ne razvojna ekipa, je, da težko delo opravi platforma: Omnisendov priporočilnik vleče naravnost iz vašega sinhroniziranega kataloga Shopify ali WooCommerce, tako da so dinamični bloki (uspešnice, novi izdelki, personalizirani izbori) s filtriranjem po stanju zaloge element, ki ga povlečeš noter, ne projekt. Segmenti po afiniteti do kategorije se gradijo iz dogodkov naročil in brskanja v urejevalniku segmentov, zgornji trije tokovi pa so standardni sprožilci. Svoje trgovine sem preselil v Omnisend, potem ko sem vzporedno preizkusil Klaviyo – pri samoupravljani trgovini se je razlika pokazala natanko tukaj, v tem, koliko tega teče, ne da bi se dotaknil API-ja.

Poštene omejitve: nobena platforma za vas ne popravi taksonomije – prvi korak je še vedno vaš – priporočilnik, hranjen z razmetanimi kategorijami, pa bo z zaupanjem priporočal neumnosti. Predvidite čiščenje, preden sodite orodje.

Vaš naslednji korak

Ta teden poženite eno poizvedbo: koliko vaših aktivnih SKU-jev se je pojavilo v katerem koli emailu v zadnjih 90 dneh? Ta številka je vaše izhodišče pokritosti kataloga, in za večino trgovin z velikim katalogom je neprijetno majhna. Nato začnite pri prvem koraku – izberite svoje najhujše kategorijsko odlagališče in ga očistite – ker vsak avtomatiziran blok, ki ga zatem zgradite, podeduje to delo. Ko tokovi tečejo, je naslednje vprašanje, kaj vam personalizacija dejansko prinaša: kako meriti vpliv personalizacije na prihodek.

Personalization and Product Recommendations

How to Personalize Marketing for Large Product Catalogs

Posted on July 17, 2026 by

With a large catalog, personalization stops being a nice-to-have and becomes the only way to market at all — you physically cannot write campaigns for 5,000 SKUs by hand. The fix is a change of unit: stop marketing products and start marketing to affinities. Clean your category and attribute data, group customers by the categories and price bands they actually engage with, then let dynamic recommendation blocks fill each email from the catalog automatically, with exclusion rules doing the quality control. Your merchandising effort goes into the rules, not the picks. Done right, a big catalog flips from a communication problem into an advantage: you have a relevant next product for almost every customer state — most stores just never show it.

The real problem: 5,000 products, and every email shows the same eight

Here’s the pattern in nearly every large-catalog store I’ve looked at. The catalog has thousands of live SKUs. The newsletter, twice a week, features whatever the owner or the marketing person picked: new arrivals, the bestsellers, this month’s promo. Which means maybe 40 products a month get any email exposure at all. The other 98% of the catalog — the products you photographed, described, bought inventory for — has never appeared in anyone’s inbox.

Meanwhile a customer who has bought cross-country ski wax three times gets the same email as one who only ever buys kids’ bike helmets. Both get the paddleboard promo, because it’s June and paddleboards are the promo.

Why the usual fixes don’t scale

The instinctive responses each hit a wall:

More campaigns. Splitting the newsletter into three category editions triples the production work and still covers a sliver of the catalog. Manual curation has a hard ceiling — one person can merchandise dozens of products a week, not thousands.

Bestsellers everywhere. Defaulting every product block to top sellers feels safe, and it does convert — for a while. But it shows customers what they’ve already seen on the homepage and in the last four emails, and it starves the long tail that justifies carrying a deep catalog in the first place. Whether bestsellers or personalized picks convert better is a real question with a testable answer, but at catalog scale the bestseller-only strategy also quietly caps how much of your inventory marketing can move.

Hiring it away. A merchandiser helps, but you’d be paying a salary to do imperfectly what rules and behavioral data do continuously.

Where the revenue leaks in a big catalog

Two leaks, and they compound.

The first is unexposed inventory. Take an illustrative store with 8,000 SKUs where email drives €20,000 a month, almost all of it from the ~50 promoted products. If even a modest slice of the remaining catalog matched an existing customer’s demonstrated interest — the fly-fishing buyer who’s never been shown your fly-tying section — that’s demand you already paid to acquire, going unserved. Slow-moving inventory ties up cash precisely because nothing in your marketing ever points the right person at it.

The second is relevance decay. Every irrelevant paddleboard email to the helmet buyer trains one more customer to skim past you. Large catalogs make untargeted email more irrelevant per send than small catalogs do, because the odds that a randomly promoted product matches any given reader shrink as the catalog grows.

The practical fix, in order

1. Fix the product data before touching any email. This is the unglamorous step everyone skips and then pays for. Dynamic recommendations are only as good as your taxonomy: consistent categories, correct attributes (size, use-case, compatibility), accurate stock status, and no orphan products sitting outside any category. If “Accessories” is a dumping ground for 900 unrelated items, every rule built on it inherits the mess. Budget real hours here — for a genuinely messy 5,000-SKU catalog this is days of work, and it’s the highest-ROI part of the whole project.

2. Build affinity segments, not product segments. You’ll never maintain per-product segments at this scale. Group by category engagement instead: bought or repeatedly browsed a category in the last N months. A handful of top-level affinities (in the sports example: bike, ski, water, run, kids) covers most of the list. The mechanics are laid out in using product category affinity in ecommerce marketing.

3. Replace hand-picked product grids with dynamic blocks. One campaign template, one flow email — the product block inside it populates per recipient from their affinity and behavior. This is the move that decouples your effort from your catalog size. Browsing data is the strongest input you have for it; how to use browsing behavior for better product recommendations covers what to capture and how to use it.

4. Write the exclusion rules — this is your quality control. At catalog scale, what you don’t show matters as much as what you do: exclude out-of-stock items, exclude already-purchased products (a solved problem, but only if you solve it — see avoiding recommending products a customer already bought), exclude clearance items from full-price recommendation slots, and set a price-band rule so the €30-average customer isn’t led with €400 items.

5. Only then consider algorithmic recommendations. Rule-based affinity blocks get you most of the value. AI-driven recommenders earn their keep specifically at large-catalog scale, where the combinatorics beat any rule set — but they amplify whatever data quality you have, which is why they’re step five and not step one. How to use AI product recommendations in ecommerce covers when the upgrade is worth it.

What to automate first

Three flows, in priority order, each one leaning on the catalog’s depth:

Browse abandonment. Trigger: viewed 2+ products in a category, no purchase, within one session. Delay: ~24 hours. Content: dynamic block of items from that category, filtered by the viewer’s price band and stock. Goal: return visit. This flow is where big catalogs shine — you nearly always have five more good options in whatever niche they explored.
Post-purchase complementary. Trigger: order delivered. Delay: 5–7 days. Content: accessories and consumables mapped to the purchased category — the helmet buyer sees lights and gloves, not another helmet. Goal: second order.
New-arrivals by affinity. Trigger: products added to a category in the last 14 days. Segment: that category’s affinity group only. Content: dynamic new-in block. Goal: repeat visits from your most interested buyers — and automatic first exposure for fresh inventory, which no manual newsletter ever manages consistently.

A store example (illustrative)

The sports retailer from earlier: 8,000 SKUs, 40,000 subscribers, €70,000 a month. The rework: two weeks cleaning taxonomy, five affinity segments, the three flows above, and the twice-weekly newsletter cut to once — but with its product grid made dynamic per affinity.

The structural change is the point (the numbers are illustrative): email production time drops because nobody hand-picks products anymore, the share of catalog receiving clicks from email goes from under 2% to a meaningful fraction, and the ski-wax customer finally gets ski content in November instead of paddleboards in June. Nothing about this required more sends — the same volume simply stopped being interchangeable.

How to measure it

Revenue per recipient on dynamic emails vs. your old static ones — the primary scoreboard.
Catalog coverage: what percentage of active SKUs got at least one email click this month. Uniquely important for large catalogs; nobody else tracks it and it directly reflects the long-tail leak.
Click rate on dynamic blocks vs. hand-picked blocks in the same template position.
Recommendation complaints you can see: unsubscribes on flow emails, and any uptick after a rule change — usually a sign an exclusion rule broke.

Where Omnisend fits

The reason this whole system is buildable by a store owner rather than a dev team is that the platform does the heavy lifting: Omnisend’s product recommender pulls straight from your synced Shopify or WooCommerce catalog, so dynamic blocks (bestsellers, new arrivals, personalized picks) with stock-status filtering are a drag-in element, not a project. Category-affinity segments build from order and browsing events in the segment editor, and the three flows above are standard triggers. I moved my own stores to Omnisend after testing Klaviyo side by side — for a self-managed store, the difference showed exactly here, in how much of this runs without touching an API.

The honest limits: no platform fixes your taxonomy for you — step one is still yours — and a recommender fed messy categories will confidently recommend nonsense. Budget the cleanup before you judge the tool.

Your next step

Run one query this week: how many of your active SKUs appeared in any email in the last 90 days? That number is your catalog-coverage baseline, and for most large-catalog stores it’s uncomfortably small. Then start at step one — pick your worst category dumping ground and clean it — because every automated block you build afterward inherits that work. When the flows are live, the next question is what personalization is actually earning you: how to measure the revenue impact of personalization.