Personalizacija in priporočila izdelkov

Kako priporočiti izdelke, ki jih bo kupec najverjetneje kupil

Posted on July 18, 2026 by

Izdelek, ki ga bo stranka najverjetneje kupila naslednjega, najdete tako, da se spustite po prioritetnem skladu signalov, od najmočnejšega k najšibkejšemu: nekaj, kar so si večkrat ogledali, a niso kupili, nato dopolnitev tega, kar že imajo, nato ponovitev potrošnega blaga, ki je zapadlo, nato najboljši izdelek v njihovi prednostni kategoriji in šele za vsem tem najbolje prodajani izdelek. Vsaka raven je rezerva za primer, ko tista nad njo nima odgovora. Večina trgovin to izvaja točno narobe – najbolje prodajani za vse, osebni signali prezrti – zato njihovi bloki priporočil konvertirajo kot stenska tapeta. Ta članek vam da celoten sklad, pravila izključevanja, ki mu preprečijo, da bi vas spravil v zadrego, in kako ga samodejno poganjati po vseh vaših emailih.

Oba velika vira signalov imata svoj podroben vodnik – vedenje med brskanjem in zgodovina nakupov. Ta članek govori o plasti nad njima: združevanju vsega v en odgovor na stranko.

Prava težava: ugibate na očeh javnosti

Vsak blok izdelkov v vsakem emailu, ki ga pošljete, je stava na to, kaj si bralec želi. Trgovina, ki mesečno pošlje 40.000 emailov s statičnimi mrežami izdelkov, postavlja 40.000 identičnih stav – in večino jih izgublja, ker se izpostavljeni izdelki ujemajo morda z enim bralcem od desetih.

Strošek vidite v svojih poročilih. Poglejte zemljevid klikov nedavne kampanje: če mreža izdelkov dobi le delček klikov, ki jih dobita naslovni del in naslov, bralci odpirajo, preletavajo in ne najdejo ničesar zase. Kar zavračajo, je današnje ugibanje, ne vaša trgovina.

Lastniki se običajno odzovejo z vrtenjem izdelkov – novo ugibanje, ista metoda. Metoda je težava: trgovina izbira en odgovor za vse, ko ima podatke, da bi izbrala za vsako osebo.

Zakaj so najbolje prodajani za vse najšibkejša zagovorljiva možnost

Priljubljenost je prava informacija. Vaši najbolje prodajani so najbolje prodajani, ker imajo širok privlak, spodobne strani in dokazano povpraševanje – za anonimnega prvega obiskovalca so pravilno ugibanje, zato zasidrajo dno sklada, namesto da bi jih zavrgli. Celotna primerjava je v najbolje prodajani v primerjavi s personaliziranimi priporočili.

Toda za znano stranko je najbolje prodajani izdelek odgovor, ki ga daste, ko ste prezrli vse, kar veste. Ta teden si je ogledala tri joga podloge; algoritmično pravilen izdelek zanjo ni vaša najbolje prodajana namizna svetilka. Če jo vseeno pošljete, to ni nevtralno – vsak zgrešek stane malce pozornosti, pozornost pa je vir, na katerem teče celoten seznam.

Kje se pokaže izteka

Šibka priporočila ne odpovejo glasno. Odpovejo kot niz kroničnih, nizko-stopenjskih številk:

Stopnje klikov na blok izdelkov, ki so delček vaših stopenj klikov na glavo, mesec za mesecem.
Tokovi (po nakupu, opuščanje brskanja), katerih deli z izdelki delujejo slabše od ročno izbranih pošiljanj kampanj – nasprotno od tega, kar bi se moralo zgoditi, saj tokovi vedo več o prejemniku.
Naraščajoč delež prihodka iz vaše deseterice najboljših izdelkov, medtem ko dolgi rep sedi neprodan, ker se dolgi rep nikoli ne pokaže ljudem, ki bi ga želeli. Če imate širok katalog, to tiho davi obračanje zalog.

Gruba ocena: če 30.000 mesečnih pošiljanj nosi blok izdelkov, ki konvertira pri 0,3 %, izbira za vsako osebo pa to dvigne na 0,6 % – podvojitev z nizke osnove je pogosta, kadar je bila osnova čista najbolje prodajanost –, je to 90 dodatnih naročil na mesec ob vaši povprečni vrednosti naročila, iz istih pošiljanj. (Ilustrativno; vaše številko določajo vaši obsegi.)

Prioritetni sklad: kako izbrati izdelek, za vsako osebo

Spustite se od vrha navzdol. Prva raven s podatki je vaše priporočilo; vse pod njo je rezerva.

1. Večkrat ogledan, ne kupljen. Najmočnejši nakupni signal, ki obstaja v vaših podatkih. Nekdo, ki se je v štirinajstih dneh dvakrat vrnil na isto stran izdelka, se že pogaja sam s sabo; vaša naloga je, da mu izdelek postavite nazaj pred oči, po možnosti skupaj z njegovimi sosedi.

2. Dopolnitev nedavnega nakupa. Kupili so fotoaparat – torbica, SD kartica in rezervna baterija so najverjetnejši naslednji izdelki v vsem vašem katalogu. Dopolnitve konvertirajo, ker jim potrebo nenehno oglašuje njihovo lastno življenje.

3. Zapadla obnovitev. Za potrošno blago je signal koledar: če tipična stranka vsake tri tedne ponovno naroči vašo 250-gramsko vrečko kave, je 18. dan tisti, ko ta izdelek spet postane njihov najverjetnejši nakup. Ta raven v surovi konverziji za trgovine s prevlado potrošnega blaga pogosto premaga raven 2; razvrstite ju po tem, kaj prodaja vaša trgovina.

4. Najboljši izdelek v njihovi kategoriji naklonjenosti. Brez živega signala brskanja, brez očitne dopolnitve – a njihova zgodovina pravi “vse, kar ta stranka počne, se dogaja v oddelku za tekaški tek po zahtevnem terenu”. Pokažite najboljši trenutni izdelek tam, ne zmagovalca po vsej trgovini.

5. Najbolje prodajani. Tla. Novi naročniki, kupci daril brez vzorca, redki profili. Dobra tla in razlog, zakaj sklad nikoli ne pokaže praznega bloka.

Nato izključitve, ki štejejo enako kot razvrstitev: nikoli ne priporočajte tega, kar so že kupili (razen če gre za potrošno blago ravni 3), nikoli ne priporočajte izdelkov, ki jih ni na zalogi, in spoštujte očitne trde filtre, kot je velikost in, kjer je pomembno, ustreznost na ravni kategorije. En slab slot – že lastni izdelek, razprodan izdelek – stane več zaupanja, kot ga dober slot pridobi. Ko programi priporočil propadejo, so za tem običajno izključitve, ne razvrstitev; ta obdukcija je zakaj personalizirana priporočila včasih odpovejo.

Kaj avtomatizirati: sklad kot dinamični blok

Tega ne poganjate ročno. Nastavite ga enkrat in pustite vsakemu emailu, da ga razreši za vsakega prejemnika ob času pošiljanja.

Sprožilec: noben lastni – sklad živi znotraj vaših obstoječih pošiljanj: e-novic, po nakupu, opuščanje brskanja, vrnitev.
Segment: vsi; sklad se gladko poslabša od vaših najbogatejših profilov k vašim najpraznejšim.
Časovni razpored: razrešen ob času pošiljanja, tako da blok odseva oglede tega tedna, ne prejšnjega meseca.
Kanal: email nosi blok; SMS dobi največ en izdelek, z vrha sklada te osebe, in samo znotraj tokov, ki upravičijo sporočilo.
Vsebina: tri ali štiri sloti. Prvi slot z najvišje ravni s podatki; preostali sloti z naslednjih nižjih ravni. Besedilo ostane splošno – personalizira blok, besedam ni treba tega naznanjati.
Cilj: kliki in naročila, pripisana bloku, po posameznem toku.

Vrstni red gradnje, če začenjate iz nič: najprej vklopite priporočevalnik v svojih dveh najbolj obremenjenih avtomatiziranih tokovih, nato predlogo e-novic, nato vse ostalo.

Predelan primer (ilustrativno)

Trgovina z opremo za na prosto s 600 izdelki, naročnica po imenu Marta. Njeni podatki: pred petimi tedni je kupila 45-litrski nahrbtnik, ta teden si je dvakrat ogledala en par pohodniških čevljev, brska po ženski pohodniški kategoriji, kamping ponudbe še ni nikoli videla.

Slot 1 – čevlji (raven 1: večkrat ogledani, ne kupljeni).
Slot 2 – merino pohodniške nogavice (raven 2: dopolnitev čevljev in nahrbtnika).
Slot 3 – najbolje ocenjena ženska dežna jakna (raven 4: naklonjenost kategoriji; tu ni potrošnega blaga ravni 3).
Izključeno – nahrbtnik, ki ga ima, moška linija, razprodane pohodne palice.

Poleg nje na seznamu za pošiljanje naročnik, ki se je prijavil včeraj, dobi tri najbolje prodajane. Ista predloga, ista kampanja, dve različni trgovini, kolikor lahko presodita bralca – kar je bistvo vsega.

Kako izmeriti, ali sklad deluje

Stopnja klikov na blok izdelkov v primerjavi z vašimi starimi statičnimi mrežami – prvi dokaz, viden v nekaj pošiljanjih.
Konverzija in prihodek na prejemnika pri emailih, ki nosijo blok.
Delež prihodka bloka izven vaše deseterice najboljših izdelkov – znak, da personalizacija poganja preostanek kataloga v delo, ne le ponovno prodaja uspešnice.
Uspešnost prvega slota po ravni sklada – če sloti ravni 1 niso jasno vaši najboljši konvertorji, vaši podatki o ogledih ali izključitve potrebujejo pozornost.

Kje se vključi Omnisend

Sklad je logika in izrazite ga lahko na kateri koli sposobni platformi. V mojih trgovinah teče na Omnisendu – potem ko sem ob njem preizkusil Klaviyo, sem ostal zaradi bolj neposredne nastavitve in cen. Konkretno: blok priporočevalnika izdelkov obvladuje delovne načine (nedavno ogledani, na podlagi kategorije, najbolje prodajani, novi prispeli) z izključitvami nakupov, sinhronizacija trgovine dobavlja podatke o naročilih in brskanju brez inštalacije po meri, isti blok pa se enako spusti v tokove in kampanje. Finejše ravni – čas obnovitve, preslikavo dopolnitev – približate z zamiki tokov in bloki po kategorijah, namesto da bi jih dobili povsem izdelane; to je pošteno in velja za večino orodij pri tej ceni. Popolnoma avtomatizirano razvrščanje po velikem katalogu je tam, kjer se izplačajo priporočevalniki s strojnim učenjem – kompromisi so pokriti v uporaba priporočil izdelkov z umetno inteligenco.

Vaš naslednji korak

Odprite svoje zadnje tri kampanje in preštejte klike na mrežo izdelkov v primerjavi s preostankom emaila. Če mreža hudo izgublja, jo ta teden zamenjajte z dinamičnim blokom, nastavljenim na nedavno-ogledani-z-rezervo-najbolje-prodajanih – dva konca sklada – in pustite dvema ali trem pošiljanjem, da vam povedo, koliko je vredno graditi srednje ravni.

Personalization and Product Recommendations

How to Recommend Products a Customer Is Most Likely to Buy

Posted on July 17, 2026 by

The product a customer is most likely to buy next is found by working down a priority stack of signals, from strongest to weakest: something they’ve viewed repeatedly but not bought, then a complement to what they already own, then a repeat of a consumable that’s due, then the top product in their preferred category, and only after all that, a bestseller. Each level is a fallback for when the one above it has no answer. Most stores run this exactly backwards — bestsellers for everyone, personal signals ignored — which is why their recommendation blocks convert like wallpaper. This article gives you the full stack, the exclusion rules that stop it from embarrassing you, and how to run it automatically across your emails.

The two big signal sources each have their own detailed guide — browsing behavior and purchase history. This article is about the layer above: combining everything into one answer per customer.

The real problem: you’re guessing in public

Every product block in every email you send is a bet on what the reader wants. A store sending 40,000 emails a month with static product grids is placing 40,000 identical bets — and losing most of them, because the featured products match maybe one reader in ten.

You can see the cost in your own reports. Look at the click map of a recent campaign: if the product grid gets a fraction of the clicks that the hero and headline get, readers are opening, scanning, and finding nothing for them. What they’re rejecting is today’s guess, not your store.

Owners usually respond by rotating the products — new guess, same method. The method is the problem: the store is choosing one answer for everyone when it has the data to choose per person.

Why bestsellers-for-everyone is the weakest defensible option

Popularity is real information. Your top sellers are top sellers because they have broad appeal, decent pages, and proven demand — for an anonymous first-time visitor, they’re the correct guess, which is why they anchor the bottom of the stack rather than getting thrown out. The full comparison lives in best-selling vs. personalized recommendations.

But for a known customer, a bestseller is the answer you give when you’ve ignored everything you know. She’s viewed three yoga mats this week; the algorithmically correct product for her is not your best-selling desk lamp. Sending it anyway isn’t neutral — every miss costs a little attention, and attention is the resource the whole list runs on.

Where the leak shows up

Weak recommendations don’t fail loudly. They fail as a set of chronic, low-grade numbers:

Product-block click rates a fraction of your header click rates, month after month.
Flows (post-purchase, browse abandonment) whose product sections underperform hand-picked campaign sends — backwards from what should happen, since flows know more about the recipient.
A rising share of revenue from your top ten products while the long tail sits unsold, because the long tail never gets shown to the people who’d want it. If you carry a wide catalog, this one quietly strangles inventory turns.

A rough sizing: if 30,000 monthly sends carry a product block converting at 0.3%, and per-person selection lifts that to 0.6% — doubling from a low base is common when the baseline was pure bestsellers — that’s 90 extra orders a month at your average order value, from the same sends. (Illustrative; your volumes set the number.)

The priority stack: how to pick the product, per person

Work down from the top. The first level with data is your recommendation; everything below is fallback.

1. Viewed repeatedly, not purchased. The strongest buy signal that exists in your data. Someone who returned to the same product page twice in a fortnight is already negotiating with themselves; your job is to put the product back in front of them, ideally with its neighbors alongside.

2. Complement to a recent purchase. They bought the camera — the case, the SD card, and the spare battery are the most likely next items in your entire catalog. Complements convert because the customer’s own life keeps advertising the need.

3. Replenishment that’s due. For consumables, the calendar is the signal: if the typical customer reorders your 250g coffee bag every three weeks, day 18 is when that product becomes their most-likely purchase again. This level often beats level 2 in raw conversion for consumable-heavy stores; rank them by what your store sells.

4. Top product in their affinity category. No live browse signal, no obvious complement — but their history says “everything this customer does happens in the trail-running department.” Show the best current product there, not the storewide winner.

5. Bestsellers. The floor. New subscribers, gift buyers with no pattern, sparse profiles. A good floor, and the reason the stack never shows an empty block.

Then the exclusions, which matter as much as the ranking: never recommend what they already bought (unless it’s a level-3 consumable), never recommend out-of-stock, and respect obvious hard filters like size and, where relevant, category-level fit. One bad slot — the already-owned item, the sold-out item — costs more trust than a good slot earns. When recommendation programs flop, it’s usually the exclusions, not the ranking; that post-mortem is why personalized recommendations sometimes fail.

What to automate: the stack as a dynamic block

You don’t run this by hand. You configure it once and let every email resolve it per recipient at send time.

Trigger: none of its own — the stack lives inside your existing sends: newsletters, post-purchase, browse abandonment, win-back.
Segment: everyone; the stack degrades gracefully from your richest profiles to your emptiest.
Timing: resolved at send time, so the block reflects this week’s views, not last month’s.
Channel: email carries the block; SMS gets one product maximum, from the top of that person’s stack, and only inside flows that justify a text.
Content: three or four slots. Slot one from the highest level with data; remaining slots from the next levels down. Copy stays general — the block does the personalizing, the words don’t need to announce it.
Goal: clicks and orders attributed to the block, per flow.

Build order if you’re starting from zero: turn on the recommender in your two highest-volume automated flows first, then the newsletter template, then everything else.

A worked example (illustrative)

A 600-product outdoor store, subscriber named Marta. Her data: bought a 45L backpack five weeks ago, viewed one pair of hiking boots twice this week, browses the women’s hiking category, has never seen the camping range.

Slot 1 — the boots (level 1: repeat-viewed, not bought).
Slot 2 — merino hiking socks (level 2: complement to boots and backpack).
Slot 3 — the top-rated women’s rain shell (level 4: category affinity; no level-3 consumables here).
Excluded — the backpack she owns, the men’s line, the sold-out trekking poles.

Next to her in the send list, a subscriber who signed up yesterday gets three bestsellers. Same template, same campaign, two different stores as far as the readers can tell — which is the entire point.

How to measure whether the stack is working

Product-block click rate vs. your old static grids — the first proof, visible within a couple of sends.
Conversion and revenue per recipient on emails carrying the block.
Share of block revenue from outside your top ten products — the tell that personalization is putting the rest of the catalog to work, not just re-selling the hits.
Slot-one performance by stack level — if level-1 slots aren’t clearly your best converters, your view data or exclusions need attention.

Where Omnisend fits

The stack is logic, and you can express it in any capable platform. In my own stores it runs on Omnisend — after testing Klaviyo alongside, I stayed for the more straightforward setup and pricing. Concretely: the product recommender block handles the workhorse modes (recently viewed, category-based, bestsellers, new arrivals) with purchase exclusions, the store sync supplies order and browse data without custom plumbing, and the same block drops into flows and campaigns alike. The finer levels — replenishment timing, complement mapping — you approximate with flow delays and per-category blocks rather than getting them fully off the shelf; that’s honest, and it’s true of most tools at this price point. Fully automated ranking across a big catalog is where machine-learning recommenders earn their keep — the trade-offs are covered in using AI product recommendations.

Your next step

Open your last three campaigns and count clicks on the product grid versus the rest of the email. If the grid is losing badly, replace it this week with a dynamic block set to recently-viewed-with-bestseller-fallback — the two ends of the stack — and let two or three sends tell you what the middle levels are worth building.