Personalizacija in priporočila izdelkov

Kako v spletni trgovini uporabiti priporočila izdelkov z umetno inteligenco

Posted on July 18, 2026 by

Priporočila izdelkov z umetno inteligenco uporabite tam, kjer ročno kuriranje ne dohaja: pri avtomatiziranih e-poštnih sporočilih, ki odhajajo neprekinjeno, v trgovinah z več izdelki, kot jih zmorete ročno pariti, in pri strankah, katerih interesov ne morete spremljati po vrsti. Praktično to pomeni, da algoritmu dovolite izbrati izdelke v vaših e-poštnih sporočilih po nakupu, o zapuščeni košarici, o opuščenem brskanju in za ponovno pridobitev — človeški nadzor pa obdržite nad pravili, po katerih deluje: kaj je izključeno, kateri cenovni razpon velja, kateri izdelki si zaslužijo prednost. UI izbere izdelek za osebo; vi postavite meje. Ta članek govori o tem, kje si priporočila z UI zaslužijo svoje mesto, kaj potrebujejo od vaše trgovine, da delujejo, kako jih uvesti potek za potekom in kje obdržati roke na krmilu.

Kaj “priporočila z UI” dejansko pomenijo pri vašem obsegu

Odstranite trženjski jezik in mehanizem za priporočila z UI opravlja eno nalogo: napove, katere od vaših izdelkov bo dana oseba najverjetneje kupila, z uporabo vzorcev iz nakupov, brskanja, dejavnosti v košarici in razmerij med izdelki — ter te napovedi nenehno prerazvršča, ko prihaja novo vedenje.

Ta zadnji del je prava razlika od blokov na podlagi pravil, ki jih morda že uporabljate. Blok “najbolje prodajani izdelki” je statična poizvedba. Blok “sorodni izdelki” sledi parom, ki jih je nekdo enkrat določil. Blok z UI se za vsako osebo in vsako pošiljanje odloči na novo. Dve stranki sprožita isti potek za zapuščeno košarico in dobita različne spremljevalne izdelke, ker se njuni zgodovini razlikujeta.

Vredno je povedati naravnost: za trgovino, ki ustvari 20.000–100.000 € na mesec, “UI” tu pomeni funkcijo priporočil znotraj platforme, ki jo že plačujete — ne projekt podatkovne znanosti, ne namenskega ponudnika personalizacije. Ta raven orodij obstaja, a je smiselna pri obsegu, ki ga večina bralcev te strani ni dosegla in ne potrebuje sprenevedanja o njem.

Težava, ki jo rešuje: kuriranje se ne raztegne dlje od vas

Ročno izbiranje izdelkov krasno deluje v eni kampanji. Zlomi se čez sistem avtomatizacije.

Recimo, da vodite pet ključnih potekov, vsak z dvema ali tremi e-poštnimi sporočili, vsako sporočilo z blokom izdelkov. To je okoli ducat blokov. Kurirajte jih ročno in zamrznili ste presojo svoje trgovine v trenutku, ko ste zgradili potek: izbori se postarajo, novosti nikoli ne vstopijo, spremembe zaloge jih ne zanimajo. Šest mesecev kasneje vaše e-poštno sporočilo o zapuščeni košarici zvesto promovira lansko zimsko kolekcijo. Pomnožite s katalogom 200, 500, 2.000 izdelkov — samo delo parjenja (ta članek se navezuje na širši izziv v kako personalizirati trženje za velike kataloge izdelkov) — in ročno kuriranje tiho postane stvar, za katero nihče nima časa. Kar v praksi pomeni, da je nihče ne vzdržuje.

Alternativa, pri kateri pristane večina trgovin, je statična mreža najbolje prodajanih izdelkov povsod. Varno, malo truda — in vsaki stranki kaže isti obraz. Ali vas to v vaši trgovini dejansko stane pretvorb, je mogoče preizkusiti in vredno preizkusiti: najbolje prodajani izdelki proti personaliziranim priporočilom: kaj bolje pretvarja.

Kaj algoritem potrebuje, preden lahko pomaga

Priporočila z UI so zadnji korak v verigi, veriga pa so podatki. Mehanizem, hranjen le s številom naročil, bo izpljunil najbolje prodajane izdelke z dodatnimi koraki. Preden pričakujete kaj več, potrebujete tri stvari:

Sledenje, ki vidi vedenje. Ogledi strani, dogodki v košarici in kliki na e-pošto, ki pristajajo na prepoznanih profilih strank — ne izhlapevajo z anonimnimi sejami.
Čist katalog. Prave kategorije, dosledne oznake, smiselna struktura variant. Mehanizem sklepa skozi te metapodatke, zlasti v manjših trgovinah, kjer so čisti podatki o nakupnih vzorcih tanki.
Nekaj zgodovine. Vsaj nekaj sto naročil, preden napovedi za posamezno osebo premagajo spodobno najbolje prodajano po kategoriji. Pod tem so mehanizmovi nadomestni izbori pošteno rečeno približno tako dobri kot njegovi “personalizirani”.

Če je kaj od tega majavo, to najprej popravite — kako, je v članku kako z boljšimi podatki izboljšati ustreznost priporočil. Vklop UI nad slabimi podatki avtomatizira proizvodnjo neustreznih izborov.

Kje ga uvesti: potek za potekom

Uvajajte v tem vrstnem redu. Vsak korak je en e-poštni blok, zamenjan iz statičnega v algoritemskega, zato je vsak povraten.

1. Po nakupu. Začnite tukaj: največ naklonjenosti, najjasnejši signal (pravkar so nekaj kupili), najmanjše tveganje. Sprožilec: oddano naročilo. Čas: v potrditvi ali v nadaljnjem sporočilu čez dva ali tri dni. Blok: dopolnila h kupljenemu izdelku, z izključenim že kupljenim. Cilj: pripeti drugi izdelek, dokler je pozornost topla.

2. Zapuščena košarica. Vsebina košarice zasidra e-pošto; blok z UI igra vlogo podpore spodaj — alternative in dopolnila k temu, kar je v košarici. Uporabno predvsem, ko je oklevanje glede tega izdelka in ne glede nakupa nasploh; dobro izbrana alternativa lahko reši naročilo, ki bi ga glavni gumb za akcijo izgubil.

3. Opuščeno brskanje. Sprožilec: ogledani izdelki, brez košarice, izhod. Tu blok z UI v bistvu je e-pošta — ogledani izdelek plus napovedani izbori okoli njega. Personalizacija opravi glavno delo, ker imate interes, a nobene zaveze.

4. Ponovna pridobitev. Sprožilec: brez nakupa v vašem oknu neaktivnosti (običajno 90–180 dni, določeno z vašim ciklom ponovnega naročanja). Okusi stranke so se morda spremenili, zato mešajte: napovedani izbori, uteženi proti njenim preteklim kategorijam, plus novosti. Zgolj zgodovina lahko deluje kot muzej tega, kdo je bila stranka nekoč.

5. E-novice, nazadnje. Kampanje so tam, kjer vaš lastni merchandising glas šteje najbolj — lansiranja, sezonske zgodbe, mnenjski izbori. Dinamičen blok pod pregibom, kuriranje nad njim.

Dve strukturni opombi, ki veljata povsod. Prvič, vedno nastavite nadomestni izbor: ko je profil stika pretanek, naj se blok spusti na najbolje prodajane izdelke po kategoriji, nikoli naj ne bo prazen. Pomemben delež vašega seznama bo dobil nadomestno vsebino — to je normalno, delež pa se manjša, ko se vaši podatki izboljšujejo. Drugič, če je cilj poteka napovedati en sam najverjetnejši naslednji nakup namesto zapolnjevanja mreže, je to ostrejše vprašanje s svojim priročnikom: kako priporočiti izdelke, ki jih bo stranka najverjetneje kupila.

Te odločitve naj ostanejo človeške

Algoritem napove verjetnost nakupa. Ne ve ničesar o vaših maržah, vašem skladišču ali vaši blagovni znamki.

Izključitve: že kupljeni netrošni izdelki, izdelki brez zaloge, ukinjeni izdelki, razprodaja, ki je ne želite znova prikazovati, darilne kartice.
Spodnje meje cen in marže: če jih pustimo pri miru, mehanizmi zaidejo k poceni priljubljenim izdelkom, ker ti dobijo klike. Če vaše orodje podpira cenovna pravila, ohranite izbore v razponu, ki varuje povprečno vrednost naročila.
Realnost zaloge: dvanajst kosov najbolje prodajanega izdelka je ostalo? Algoritem ga bo z veseljem promoviral desettisoč ljudem. Preveč zaloge, ki se je želite znebiti? Tudi tega ne ve. Ročno pripnite in poudarite, ko posel to zahteva.
Občutljive kategorije: vse, česar stranka morda ne želi, da se sklepa in ji odseva nazaj. Odločitev po presoji, vedno vaša.

Kje natanko potegniti to črto — kaj prepustiti, kaj preglasiti, kako pogosto pregledovati — je dovolj veliko vprašanje, da sem ga obravnaval ločeno v članku kako pri personalizaciji uravnotežiti avtomatizacijo in človeško presojo.

Kako izmeriti, ali si UI zasluži svoje mesto

Primerjajte s prejšnjimi statičnimi bloki, ne z ničlo:

Stopnja klikov na blok v vsakem pretvorjenem poteku, prej proti potem, ko ste opravili zamenjavo.
Prihodek, pripisan klikom na priporočila — pošten seštevek.
Stopnja pripenjanja pri po nakupu: delež naročil, ki jim v 30–60 dneh sledi drugo naročilo.
Delež nadomestnih izborov: koliko prejemnikov dobi generične izbore. Trend navzdol pomeni, da se sistem uči.

Vsakemu poteku dajte mesec podatkov, preden sodite. In če v katerem poteku zmaga statični blok — obdržite statični blok. Bistvo je prihodek, ne uporaba UI same zaradi sebe.

Kje se umesti Omnisend

V mojih trgovinah to teče na Omnisendu — Klaviyo sem testiral ob njem in ostal pri Omnisendu zaradi enostavnejše postavitve in boljše cene. Tu pomembne funkcije: bloki s priporočili, ki jih spustite v katero koli e-poštno sporočilo in črpajo iz osebne zgodovine, najbolje prodajanih izdelkov ali novosti; sledenje in profili, ki jih hranijo, živijo v istem sistemu; zamenjava statičnega bloka za algoritemskega pa je sprememba v urejevalniku, ne ponovna gradnja. Omejitev, povedana pošteno: lahek mehanizem znotraj e-poštne platforme ni namenski komplet za personalizacijo, prvi dan — preden ima vaše podatke — pa bodo njegovi izbori nezanimivi. Boljši postaja, ker postajajo boljši vaši podatki.

Vaš naslednji korak

Izberite en potek — po nakupu je pravi prvi kandidat — zamenjajte njegov statični blok izdelkov za algoritemskega z nastavljenimi izključitvami in v koledar vpišite pregled čez 30 dni, da primerjate klike na blok in pripisani prihodek s prejšnjim mesecem. En potek, en mesec, ena številka. Razširite le, če vam številka to narekuje.

Personalization and Product Recommendations

How to Use AI Product Recommendations in Ecommerce

Posted on July 17, 2026 by

Use AI product recommendations where manual curation can’t keep up: automated emails that go out around the clock, stores with more products than you can hand-pair, and customers whose interests you can’t track one by one. Practically, that means letting an algorithm choose the products inside your post-purchase, abandoned cart, browse abandonment, and win-back emails — and keeping human control over the rules it operates under: what’s excluded, what price range applies, which products deserve priority. AI picks the product for the person; you set the boundaries. This article covers where AI recommendations earn their keep, what they need from your store to work, how to roll them out flow by flow, and where to keep your hands on the wheel.

What “AI recommendations” actually means at your scale

Strip the marketing language and an AI recommendation engine does one job: it predicts which of your products a given person is most likely to buy, using patterns across purchases, browsing, cart activity, and product relationships — and it re-ranks those predictions continuously as new behavior arrives.

That last part is the real difference from the rule-based blocks you may already use. A “bestsellers” block is a static query. A “related products” block follows pairings someone defined once. An AI block re-decides per person, per send. Two customers trigger the same abandoned cart flow and get different supporting products, because their histories differ.

Worth saying plainly: for a store doing €20,000–100,000 a month, “AI” here means the recommendation feature inside a platform you already pay for — not a data-science project, not a dedicated personalization vendor. That tier of tooling exists, but it makes sense at a scale most readers of this site haven’t reached and don’t need to fake.

The problem it solves: curation doesn’t scale past you

Hand-picking products works beautifully in one campaign. It collapses across an automation system.

Say you run five core flows, each with two or three emails, each email with a product block. That’s around a dozen blocks. Curate them manually and you’ve frozen your store’s judgment at the moment you built the flow: the picks go stale, new arrivals never enter, stock changes ignore them. Six months later your abandoned cart email is faithfully promoting last winter’s lineup. Multiply by a catalog of 200, 500, 2,000 products — the pairing work alone (this article maps to the wider challenge in how to personalize marketing for large product catalogs) — and manual curation quietly becomes the thing nobody has time to maintain. Which means, in practice, nobody maintains it.

The alternative most stores land on is a static bestsellers grid everywhere. Safe, low effort — and it shows every customer the same face. Whether that actually costs you conversions in your store is testable, and worth testing: best-selling vs personalized recommendations: which converts better.

What the algorithm needs before it can help

AI recommendations are the last step of a chain, and the chain is data. An engine fed only order counts will output bestsellers with extra steps. Before expecting much, you want three things in place:

Tracking that sees behavior. Page views, cart events, and email clicks landing on identified customer profiles — not evaporating with anonymous sessions.
A clean catalog. Real categories, consistent tags, sane variant structure. The engine reasons through this metadata, especially in smaller stores where pure purchase-pattern data is thin.
Some history. A few hundred orders at minimum before per-person predictions beat a decent category bestseller. Below that, the engine’s fallback picks are honestly about as good as its “personalized” ones.

If any of those are shaky, fix them first — the how is in how to improve recommendation relevance with better data. Turning on AI over bad data automates the production of irrelevant picks.

Where to deploy it: flow by flow

Roll out in this order. Each step is one email block swapped from static to algorithmic, so each is reversible.

1. Post-purchase. Start here: highest goodwill, clearest signal (they just bought something), lowest risk. Trigger: order placed. Timing: in the confirmation or a follow-up two or three days later. The block: complements to the purchased item, with already-bought excluded. Goal: attach a second product while attention is warm.

2. Abandoned cart. The cart contents anchor the email; the AI block plays support underneath — alternatives and complements to what’s in the cart. Useful specifically when the hesitation is about this product rather than buying at all; a well-picked alternative can save the order the main CTA would have lost.

3. Browse abandonment. Trigger: viewed products, no cart, exited. Here the AI block basically is the email — the viewed item plus predicted picks around it. Personalization does the heavy lifting because you have interest but no commitment.

4. Win-back. Trigger: no purchase in your lapsed window (commonly 90–180 days, set by your reorder cycle). The customer’s tastes may have drifted, so blend: predicted picks weighted toward their historical categories, plus new arrivals. Pure history can feel like a museum of who they used to be.

5. Newsletters, last. Campaigns are where your own merchandising voice matters most — launches, seasonal stories, opinionated picks. A dynamic block below the fold, curation above it.

Two structural notes that apply everywhere. First, always configure the fallback: when a contact’s profile is too thin, the block should degrade to category bestsellers, never sit empty. A meaningful share of your list will get fallback content — that’s normal, and the share shrinks as your data improves. Second, if the flow’s goal is predicting the single most-likely next purchase rather than filling a grid, that’s a sharper question with its own playbook: how to recommend products a customer is most likely to buy.

Keep these decisions human

The algorithm predicts likelihood of purchase. It knows nothing about your margins, your stock room, or your brand.

Exclusions: already-bought non-consumables, out-of-stock, discontinued, clearance you’d rather not resurface, gift cards.
Price and margin floors: left alone, engines drift toward cheap popular items because those get clicks. If your tool supports price rules, keep picks in a range that protects average order value.
Inventory reality: twelve units left of a bestseller? The algorithm will happily promote it to ten thousand people. Overstock you need gone? It doesn’t know that either. Pin and boost by hand when the business needs it.
Sensitive categories: anything a customer might not want inferred and echoed back. Judgment call, always yours.

Where exactly to draw this line — what to delegate, what to override, how often to review — is a big enough question that I’ve covered it separately in how to balance automation and human judgment in personalization.

How to measure whether the AI is earning its slot

Compare against your previous static blocks, not against zero:

Block click rate in each converted flow, before vs. after the swap.
Revenue attributed to recommendation clicks — the honest scoreboard.
Attach rate on post-purchase: share of orders followed by a second order within 30–60 days.
Fallback share: how many recipients get generic picks. Trending down means the system is learning.

Give each flow a month of data before judging. And if the static block wins in some flow — keep the static block. The point is revenue, not using AI for its own sake.

Where Omnisend fits

In my own stores this runs on Omnisend — I tested Klaviyo alongside it and stayed with Omnisend for the simpler setup and better price. The relevant features here: recommendation blocks you drop into any email and source from personal history, bestsellers, or new arrivals; the tracking and profiles that feed them live in the same system; and swapping a static block for an algorithmic one is an editor change, not a rebuild. The limitation, stated honestly: a lightweight engine inside an email platform is not a dedicated personalization suite, and on day one — before it has your data — its picks will be unremarkable. It gets better because your data does.

Your next step

Pick one flow — post-purchase is the right first candidate — swap its static product block for an algorithmic one with exclusions configured, and calendar a check-in 30 days out to compare block clicks and attributed revenue against the prior month. One flow, one month, one number. Expand only if the number says to.