Ponovna zaloga in ponovni nakupi

Kako s pogostostjo nakupov napovedati naslednje naročilo

Posted on July 19, 2026 by

Najhitrejši način, da napoveste kupčevo naslednje naročilo, je pogledati, kako pogosto je kupil ta konkretni kupec, ne kako pogosto kupuje povprečni. Vzemite njegova pretekla naročila, poiščite povprečno število dni med njimi, ta razmik prištejte datumu njegovega zadnjega naročila in imate napovedan datum naslednjega naročila. To naredite za vsakega kupca, označite tiste, katerih napovedan datum je blizu, in imate seznam »kmalu pripravljen na nakup«, ki mu lahko pošljete sporočilo, preden odplava stran. To je napoved na ravni kupca in se razlikuje od izračunavanja idealnega intervala ponovnega naročila izdelka — to je izračun na ravni izdelka s svojim vodnikom. Tukaj uporabljamo lasten nakupni ritem vsakega kupca.

Začnite z resničnim vprašanjem, ne z nadzorno ploščo

Večina trgovin že ima podatke, da odgovori »komu bo kmalu zmanjkalo?« — le da vprašanja nikoli ne postavijo tako. Gledajo skupna naročila, prihodek, morda stopnjo ponovnih nakupov. Koristno, a zazrto nazaj.

Napovedno vprašanje je enostavnejše in bolj dragoceno: od vseh, ki so že kupili, čigar naslednje naročilo verjetno prihaja v naslednjem tednu ali dveh? Odgovorite na to in lahko postavite opomnik pred nekoga v trenutku, ko je dejansko pripravljen, namesto da bombardirate cel seznam po urniku, ki nikomur ne ustreza.

Gonilo za tem je pogostost nakupov, merjena po posameznem kupcu.

Zakaj vas povprečje za celotno trgovino zavaja

Tu je past. Izračunate, da vaš povprečni kupec ponovno naroči vsakih 45 dni, zato nastavite vsak opomnik, da se sproži na dan 40. Zdi se, da temelji na podatkih. V resnici je topo orodje.

Povprečja skrivajo razpon. Recimo, da tri stranke kupujejo vašo kavo. Ena ponovno naroči vsakih 20 dni, ena vsakih 45, ena vsakih 90. Povprečje trgovine je okoli 52 dni — številka, ki ne opisuje nobene od njih. Sprožite opomnik na dan 40 in za hitrega pivca zamujate dva tedna, za počasnega ste tri tedne prezgodnji, za srednjega pa ste le približno pravi. Dva od treh opomnikov prispeta ob napačnem času in oba napačna časa vas stanejo: prezgodaj deluje kot nadlegovanje, prepozno pomeni, da mu je že zmanjkalo in je morda kupil drugje.

Pogostost je lastnost posameznega kupca. Če jo obravnavate kot eno konstanto za celotno trgovino, zavržete prav tisti signal, zaradi katerega napoved deluje.

Kaj »pogostost nakupov« tukaj dejansko pomeni

Dve povezani številki, namerno ločeni.

Povprečno število dni med naročili (na kupca): za kupca z več naročili je to povprečen razmik med zaporednimi nakupi. Kupec, ki je naročil na dan 0, 30 in 62, ima razmika 30 in 32, torej približno 31 dni.
Dni od zadnjega naročila: današnji datum minus datum njegovega zadnjega naročila.

Napovedan datum naslednjega naročila = datum zadnjega naročila + njegov povprečni razmik. Signal nujnosti pa je: dni od zadnjega naročila ÷ njegov povprečni razmik. Ko se to razmerje približa 1, je pripravljen. Če ga preseže, zamuja — točka, kjer se opomnik iz koristnega spremeni v reševalno akcijo.

To je zamisel RFM (nedavnost, pogostost, denarna vrednost), uporabljena za konkretno nalogo. Pogostost vam pove ritem; nedavnost vam pove, kje v njem je prav zdaj.

Zanka, ki je nihče ne omeni: en nakup vam pove skoraj nič

Za merjenje razmika potrebujete vsaj dve naročili, resnično pa hočete tri ali več, preden številki zaupate. Eno samo naročilo vam ne da nobenega intervala — le začetni datum.

Vaša baza kupcev se torej razdeli na dve skupini, ki potrebujeta popolnoma različno obravnavo:

Ponovni kupci z zgodovino — te lahko napoveste z njihovim lastnim razmikom. Tu na napovedi, ki temelji na pogostosti, zablesti.
Enkratni kupci — brez osebnega ritma. Zanje se zatečete k tipičnemu intervalu ponovnega naročila izdelka ali povprečju segmenta, dokler vam ne dajo druge podatkovne točke.

Če to delitev prezrete, so vaše »napovedi« za enkratne kupce le povprečje trgovine v preobleki. Bodite pošteni glede tega, katere kupce lahko dejansko napoveste in katere ugibate. Spreminjanje prvih kupcev v ponovne je samostojen projekt — vreden truda, a ne pretvarjajte se, da prvo naročilo vsebuje signal pogostosti, ki ga ne more.

Predelan primer (za ponazoritev)

Kupec, ki kupuje beljakovinski prah:

Naročilo 1: 1. marec
Naročilo 2: 2. april (razmik: 32 dni)
Naročilo 3: 6. maj (razmik: 34 dni)
Povprečni razmik: 33 dni
Danes: 3. junij → 28 dni od zadnjega naročila

28 ÷ 33 ≈ 0,85. Je pri 85 % svojega običajnega cikla — blizu, ne zamuja. Opomnik v naslednjih 3–4 dneh prispe ravno, ko strga po dnu lončka. Primerjajte to s togim opomnikom na dan 40, ki bi ga dosegel cel teden po tem, ko bi običajno že ponovno naročil.

Zdaj to razširite. Zaženite ta izračun čez vsakega ponovnega kupca, razvrstite po razmerju in vsak teden dobite čist seznam »pripravljen zdaj«. Ta seznam, ne koledar, naj poganja vaša pošiljanja.

Kaj avtomatizirati

Tega ne želite preračunavati ročno. Zgradite kot segment plus sprožen potek.

Sprožilec: kupec prečka prag svojega lastnega cikla — na primer, dni od zadnjega naročila doseže ~85–90 % njegovega povprečnega razmika. Mnoga orodja neposredno prikažejo »napovedan datum naslednjega naročila«; če vaše to zna, sprožite nekaj dni pred njim.
Segment: ponovni kupci (2+ naročila), katerih napovedan datum je v naslednjih 7 dneh IN ki še niso ponovno naročili. Enkratni kupci gredo na ločeno, intervalno pot.
Časovna umeščenost: prvo sporočilo umerite rahlo pred napovedan datum, da prispe, ko jim zmanjkuje, ne po tem.
Kanal: e-pošta za večino; SMS le za nujne, privoljene, malo premišljene dopolnitve.
Vsebina: njihov izdelek, enostavno ponovno naročilo, brez vsiljenega popusta. Izdelek jim je že všeč — prihranjate jim opravilo, ne prodajate.
Cilj: ponovno naročilo, oddano na napovedan datum ali pred njim, s pravilom zaviranja, tako da vsak, ki kupi, takoj izpade iz poteka.

Posamično najpomembnejši varovalka: nehajte pošiljati sporočila v trenutku, ko ponovno naroči. Napovedni potek, ki še naprej spodbuja nekoga, ki je že kupil, je slabši kot noben potek — zapravlja zaupanje in ljudi uči, naj vas prezrejo.

Kako izmeriti, ali napoved deluje

Preizkušate točnost napovedi, ne le stopnjo odpiranja.

Stopnja zadetkov napovedi: od kupcev, označenih »pripravljen«, kolikšen delež jih je dejansko ponovno naročil v, recimo, tednu od napovedanega datuma? Naraščajoča točnost pomeni, da vaša računica razmika ustreza resničnemu vedenju.
Stopnja ponovnih naročil za označene proti neoznačenim ponovnim kupcem — ali segment »pripravljen zdaj« pretvarja bolje kot je enoten urnik?
Dni prezgodaj/prepozno: spremljajte razmik med napovedanimi in dejanskimi datumi ponovnih naročil. Dosleden odklon (vedno 6 dni prezgodaj) je popravljiv zamik, ne neuspeh.
Prihodek na prejemnika pri napovednem poteku proti staremu koledarskemu opomniku.

Če je točnost slaba za določene izdelke, je to signal, da imajo ti izdelki neenakomerne cikle, ki jih pogostost sama ne more modelirati — druga težava s svojim pristopom.

Kako pomaga Omnisend

Napovedovanje časovne umeščenosti po kupcu je koristno le, če orodje dejansko zna po tem segmentirati in sprožati sporočila. Zagnal sem tako Klaviyo kot Omnisend, preden sem se poenotil na Omnisend po vseh svojih trgovinah, deloma zato, ker gradnja vedenjsko utemeljenih segmentov — »ponovni kupci, pripravljeni na ponovno naročilo v naslednjih nekaj dneh« — ni zahtevala podatkovne ekipe. Segmentirate lahko po številu naročil in datumu zadnjega naročila, poganjate potek za ponovni nakup na podlagi teh pogojev in v poročilih berete prihodek na prejemnika na posamezen potek. Nekatere platforme prikažejo tudi napovedan datum naslednjega naročila, iz katerega lahko neposredno sprožite.

Razkritje partnerstva: prejmemo provizijo, če se prijavite prek naših povezav, in to ne spremeni, kaj bi priporočil. Poštena omejitev: napoved je natanko tako dobra kot vaša zgodovina naročil. Skopi podatki, veliko enkratnih kupcev ali skrajno neenakomerni izdelki, in celo dobro orodje ugiba. Napoved po pogostosti nagradi trgovine z resničnim ponovnim vedenjem, iz katerega se lahko uči — ne more izdelati vzorca, ki ga ni.

Vaš naslednji korak

Izvozite kupce z 2+ naročili in dodajte en stolpec: povprečno število dni med njihovimi naročili. Razvrstite po dnevih od zadnjega naročila kot deležu tega razmika. Vrstice blizu ali nad 1,0 so vaš seznam za ponovna naročila ta teden — začnite tam, še danes popoldne.

Nato pojdite globlje s kako izračunati najboljši čas ponovnega naročila za vsak izdelek za stran računice na ravni izdelka, uporaba segmentov kupcev za izboljšanje ponovnega nakupa za nadaljnje rezanje baze, kako zgraditi avtomatiziran potek za ponovni nakup, da ga poganjate na avtopilotu, in kdaj poslati opomnik za ponovni nakup, da zaklenete natančen trenutek.

Replenishment and Repeat Purchase

How to Use Purchase Frequency to Predict the Next Order

Posted on July 10, 2026 by

To predict a customer’s next order, take their own purchase history first: measure the gaps between their orders of the same product, use the median gap as their personal reorder interval, and expect the next order around last purchase date plus that interval. When a customer has only one order, fall back to the product-level median — the typical gap between repeat orders of that product across all your customers. Then trigger a reminder a few days before the predicted date. That’s the whole method. You don’t need machine learning or a data scientist; you need your order export, a spreadsheet, and about an hour per product category.

The problem: you’re guessing, and the guess is expensive

Most stores doing €20,000–100,000 a month sit on two or three years of order data and still send reminders on a gut-feel schedule — “30 days sounds right” — or worse, wait for the customer to remember on their own. Meanwhile the ad account quietly does the remembering for you: retargeting campaigns win back customers who would have reordered anyway, and you pay €3–8 in ad costs for a “conversion” that a free, well-timed email could have produced.

The frustrating part is that the answer is already in your database. Every repeat customer has told you, through their order dates, exactly how fast they consume your product. A customer who buys protein powder every 26 days is not a mystery. Two people buying the same tub might go through it in three weeks or three months, and both patterns are sitting in your order history, ignored.

Why the usual fixes miss the point

When repeat revenue is soft, the reflex is to push harder: more retargeting budget, a monthly newsletter blast, a sitewide discount weekend. All three treat every customer as if they’re in-market right now. Most aren’t. A discount email that lands 40 days before someone needs the product either gets ignored or, worse, gets used — pulling a full-price future order forward at 15% off. Frequency prediction flips this: instead of shouting at everyone, you whisper to the handful of people whose predicted reorder date is this week. Timing beats volume, which is also why reminders that arrive too early or too late underperform even when the copy is fine.

How much a bad guess leaks

Illustrative numbers to show the shape of the leak — replace them with yours. Imagine 300 customers a month due to reorder a €40 product. With no prediction, suppose 30% come back on their own and another 10% return via paid retargeting at €5 average cost per returning customer: 120 orders, minus €150 in ad spend. With predicted-date reminders, suppose organic-plus-email return rises to 45% with no ad cost for that segment: 135 orders, €600 more revenue, €150 less spend. That’s €750 a month — €9,000 a year — from sorting one spreadsheet column. The invented percentages don’t matter; the structure does: prediction converts paid and missed reorders into free ones.

The method, in order

Step 1: Export and compute product-level intervals (do this first)

Export two years of orders with customer ID, product, and date. For each consumable product, list every case where the same customer bought it twice or more, compute the day gaps between consecutive orders, and take the median across all those gaps. Use the median, not the average — one customer who reordered after 300 days will wreck an average. A product needs roughly 30+ repeat gaps before the number is trustworthy; below that, group similar products together.

Step 2: Layer on personal intervals for repeat customers

For customers with 3+ orders of a product, their own median gap beats the product median. This is where prediction gets noticeably better: the every-26-days customer gets a day-22 reminder, the every-60-days customer gets a day-55 one, and neither feels spammed. With only 2 orders you have a single gap — use it, but blend it toward the product median rather than trusting it fully.

Step 3: Adjust for quantity

Someone who bought three tubs will not reorder on the one-tub schedule. Multiply the interval by units purchased as a starting point. Multi-quantity buyers need their own handling, but the crude multiplication already removes the worst mistakes.

Step 4: Set the reminder to fire before the predicted date, not on it

Shipping takes 2–4 days and people need a day or two to act. Trigger at predicted date minus 5 as a default. What you don’t need yet: seasonality corrections, churn probability models, or per-customer send-time optimization. Get the basic interval math live first; refine with an A/B test on timing once the flow has a few hundred sends behind it.

What exactly to automate

Precision matters here, so here’s the full spec for the core automation:

Trigger: order placed containing product X (or product category X).
Delay: that product’s median interval minus 5 days; where your platform supports it, use the customer’s personal interval instead.
Segment split: branch on order count. First-time buyers get a softer message (they may not have liked the product); 3+ order customers get a direct reorder prompt.
Channel: email for the main reminder. Consider SMS later for urgent, short-cycle products.
Message: name the product, reference their rhythm (“you usually reorder around now”), one reorder button to a pre-filled cart. No discount by default.
Exit condition: any new order containing the product removes the customer from the flow immediately.
Goal: reorder within 7 days of the message.

If you’re unsure this beats a generic schedule, the broader question of when a store should send a replenishment reminder covers the timing logic in more depth.

A concrete example: coffee subscriptions without the subscription

Illustrative example with invented numbers. A store sells 500 g coffee bags at €14. The product-level median gap is 24 days. Customer A has ordered five times with personal gaps of 19, 21, 20, and 22 days — median 20.5, so her reminder fires at day 16 after each order. Customer B bought once, so he gets the product default: day 19. Customer C bought three bags at once; his delay is roughly 3 × 20 = 60 days, reminder at day 55. Three customers, three different send dates, one automation. That per-customer precision is what a fixed “day 30” campaign can never do, and it compounds when you start using customer segments to improve replenishment further.

Four numbers that tell you if the prediction works

Prediction accuracy: share of reorders landing within ±7 days of the predicted date. If under half, your intervals need rework.
Reminder conversion rate: orders within 7 days of send, per recipient.
Repeat purchase rate for customers in the flow vs. a holdout group — the cleanest proof of incremental revenue.
Time between orders, tracked quarterly. If the flow works, this number shrinks.

Where Omnisend fits

You can compute the intervals in any spreadsheet; the tool question is only about execution. I run this exact setup on my own stores in Omnisend after trying Klaviyo as well — Omnisend won for me on price and on how quickly I could self-manage flow changes without re-reading documentation. The relevant pieces: purchase-triggered flows with custom delays per product, order-count splits for the segment branching, and automatic flow exit on a new order. The honest limitations: Omnisend won’t calculate your median intervals for you — that spreadsheet hour is still yours — and if your order data is messy (duplicate customer accounts, POS orders not synced), the predictions inherit the mess. Clean the data first.

Your next step

Export your last 24 months of orders today and compute the median reorder gap for your single best-selling consumable. That one number is the seed of the whole system — once you have it, the first flow takes an afternoon to build.