Personalisierung und Produktempfehlungen

Bestseller vs. personalisierte Empfehlungen: Was konvertiert besser?

Veröffentlicht am July 19, 2026 von

Personalisierte Empfehlungen konvertieren besser als Bestseller-Blöcke – aber nur bei Kontakten, zu denen Sie tatsächlich Daten haben. Für einen Abonnenten mit Browsing-Historie und früheren Bestellungen wird ein Block, der auf seinem Verhalten aufbaut, fast immer ein generisches „Unsere beliebtesten Produkte”-Raster schlagen, weil er die Frage beantwortet, die er sich ohnehin schon stellt. Für einen brandneuen Abonnenten, über den Sie nichts wissen, gilt das Gegenteil: Personalisierung hat nichts, womit sie arbeiten kann, und Bestseller tragen echten Social Proof. Die ehrliche Antwort ist also nicht, einen Gewinner zu küren. Sie ist, eine Fallback-Reihenfolge zu bauen: personalisiert zuerst, Bestseller, wenn die Daten ausgehen. Dieser Artikel behandelt, wann jede Variante gewinnt, wo jede leise scheitert und wie Sie diesen Fallback so einrichten, dass jede E-Mail den stärksten Block zeigt, den sie kann.

Die eigentliche Frage hinter diesem Vergleich

Wenn Sie diese beiden Optionen abwägen, starren Sie wahrscheinlich auf ein E-Mail-Template mit einem Produktraster-Platz und fragen sich, was Sie hineinsetzen sollen. Willkommens-E-Mail, Nach-dem-Kauf-Nachfassen, monatliche Kampagne – jedes Mal dasselbe Dilemma.

Es steht mehr auf dem Spiel, als es aussieht. Dieses Raster ist oft das einzige Merchandising in der E-Mail, und für einen Shop mit 40.000 € im Monat ist ein Empfehlungsblock, der 2 % statt 4 % klickt, ein stetiges, unsichtbares Leck. Niemand beschwert sich darüber. Die E-Mail „funktioniert” weiterhin. Sie verkaufen nur weniger, als Sie könnten, Monat für Monat, und sehen das Gegenszenario nie.

Warum „einfach überall die Bestseller zeigen” sicher wirkt, es aber nicht ist

Bestseller sind die Voreinstellung, weil sie einfach sind: eine Liste, null Pflege, und sie können nicht auf peinliche Weise falschliegen. Ein Bestseller-Raster zeigt einem Kunden nie Hundefutter, wenn er eine Katze hat.

Aber zwei Probleme bauen sich leise auf.

Erstens: Wiederholung. Ihre Bestseller-Liste ändert sich von Woche zu Woche kaum, sodass Ihre engagiertesten Abonnenten – die Leute, die alles öffnen – in jeder E-Mail dieselben acht Produkte sehen. Der Block trainiert sie, ihn zu überspringen. Die Kunden, die am ehesten kaufen, sind genau die, die Sie am meisten langweilen.

Zweitens ist die Liste selbst weniger vertrauenswürdig, als sie aussieht. Ein Bestseller-Ranking ist eine Rückkopplungsschleife: Produkte werden beworben, weil sie sich verkaufen, und verkaufen sich, weil sie beworben werden. Fahren Sie eine aggressive Rabattkampagne, und der rabattierte Artikel kann wochenlang an der Spitze Ihrer „beliebtesten” Liste stehen und Aufmerksamkeit auf ein Produkt ziehen, das sich nur je bei 30 % Rabatt gut verkauft hat. Ich habe das in meinen eigenen Shops ertappt – das „Bestseller”-Raster war in Wahrheit ein „kürzlich rabattiert”-Raster mit einem hübscheren Namen.

Und es gibt einen Margen-Aspekt, den fast niemand prüft: Bestseller-Rankings sortieren nach Stückzahl oder Umsatz, nie nach Gewinn. Ihr Topseller kann leicht Ihr margenschwächstes Produkt sein. Personalisierte Blöcke verteilen die Aufmerksamkeit zumindest über den Katalog, statt sie auf das zu konzentrieren, was zufällig billig und beliebt ist.

Wo personalisierte Empfehlungen gewinnen – und wo sie auf die Nase fallen

Für einen Kontakt mit echter Historie schlagen verhaltensbasierte Vorschläge die Beliebtheit. Jemand, der Ihre Trailrunning-Schuhe zweimal angesehen hat, braucht nicht Ihre meistverkaufte Yogamatte; er braucht die Schuhe, plus vielleicht Socken und eine Bewertung, um ihn über die Kante zu kippen. Wie man Browsing-Signale in solche Vorschläge verwandelt, behandelt wie man Browsing-Verhalten für bessere Produktempfehlungen nutzt.

Aber Personalisierung hat Fehlermodi, die Bestseller nicht haben:

Dünne Daten. Ein Seitenaufruf ist kein Profil. Eine Personalisierungs-Engine, die mit fast nichts arbeiten muss, produziert Vorschläge, die zufällig wirken – was schlechter ankommt als generisch.
Veraltete Signale. Den Wintermantel, den jemand im Januar angesehen hat, im Juni in sein Postfach zu empfehlen.
Bereits gekaufte Artikel. Der Klassiker: genau das Produkt zu empfehlen, das der Kunde letzte Woche gekauft hat. Behebbar, aber nur, wenn Sie Ausschlussregeln einrichten – die meisten Shops tun das nie.

Wenn Personalisierung danebengeht, unterperformt sie nicht nur, sie signalisiert Nachlässigkeit. Ein generisches Bestseller-Raster ist vergessbar; ein falscher persönlicher Vorschlag ist auffällig. Eine ausführlichere Aufschlüsselung dieser Fehlermodi steht in warum personalisierte Produktempfehlungen manchmal scheitern.

Die Entscheidungsregel: den Block auf das abstimmen, was Sie wissen

Lassen Sie das Entweder-oder. Entscheiden Sie pro Kontakt, basierend auf der Datentiefe:

Kaufhistorie vorhanden → empfehlen Sie rund um das Gekaufte: Ergänzungen, Nachschub, nächste Schritte. Das ist Ihr stärkstes Signal.
Browsing- oder Warenkorbaktivität vorhanden, kein Kauf → empfehlen Sie rund um das Angesehene: die Produkte selbst, nahe Alternativen, die Kategorie, zu der sie immer wieder zurückkehrten.
Nur E-Mail-Adresse, sonst nichts → Bestseller, idealerweise eingegrenzt durch alles, was Sie doch wissen (Anmeldequelle, eine beim Opt-in gewählte Präferenz, ihr erster Klick).
Gar kein Engagement nach mehreren E-Mails → Bestseller mit Rotation, damit der Block wenigstens nicht jedes Mal identisch ist.

Die Stufen 1 und 2 sind, wo die Conversion lebt. Stufe 3 ist, wo die meisten Willkommens-E-Mails sitzen, und das ist in Ordnung – für einen Erst-Abonnenten ist „das lieben alle” wirklich nützlich, weshalb Bestseller weiterhin in E-Mails für Erstbesucher gehören. Der Fehler ist, Kontakte auf Stufe-3-Behandlung zu belassen, nachdem sie Ihnen Stufe-1-Daten gegeben haben.

Was Sie automatisieren sollten

Sie setzen das nicht um, indem Sie pro E-Mail Produkte von Hand auswählen. Sie richten die Fallback-Logik einmal ein:

Auslöser: jede E-Mail mit einem Empfehlungsblock – Willkommensstrecke, Nach-dem-Kauf, Browse Abandonment, reguläre Kampagnen.
Segment: für den Block selbst keines nötig; die Logik verzweigt automatisch je nach verfügbaren Daten pro Kontakt.
Inhaltsregel: personalisierte Empfehlungen (zuerst kaufbasiert, dann browsingbasiert) mit Bestsellern als Fallback, wenn die Engine nichts hat. Schließen Sie bereits gekaufte Artikel und ausverkaufte Produkte aus.
Timing: browsingbasierte Vorschläge sollten sich auf jüngste Aktivität stützen – Verhalten der letzten paar Wochen, nicht des letzten Jahres.
Ziel: jeder Kontakt sieht den spezifischsten Block, den seine Daten hergeben, ohne dass Sie etwas anfassen müssen.

Wenn Sie tiefer in die Ranking-Logik selbst einsteigen möchten – was „am ehesten kaufen” tatsächlich bedeutet und wie Engines es bewerten – ist das ein eigenes Thema: wie man Produkte empfiehlt, die ein Kunde am ehesten kauft.

Ein konkretes Beispiel (beispielhaft)

Nehmen Sie einen Shop, der Kaffee-Zubehör verkauft, 12.000 Abonnenten. Grob gesprochen – und diese Anteile sind beispielhaft, Ihre werden abweichen – haben vielleicht 3.000 Kontakte schon einmal bestellt, weitere 3.000 haben gebrowst, aber nie gekauft, und 6.000 sind reine E-Mail-Anmeldungen aus einem Popup.

Mit einem einzigen Bestseller-Raster bekommen alle 12.000 dieselbe French Press und dieselben zwei Mühlen. Mit Fallback-Logik sehen die 3.000 Käufer Nachfüllungen, Filter und Upgrades passend zu ihren Maschinen; die 3.000 Browser sehen die Produkte, um die sie kreisten; nur die kalten 6.000 sehen Bestseller. Die Hälfte der Liste ist gerade von generisch zu spezifisch gewandert, und die andere Hälfte hat nichts verloren.

So messen Sie, was in Ihrem Shop gewinnt

Entscheiden Sie das nicht per Meinung. Testen Sie es:

Klickrate auf den Empfehlungsblock (nicht die ganze E-Mail) – das sauberste Signal dafür, ob die gezeigten Produkte interessant sind.
Conversion-Rate und Umsatz pro Empfänger für E-Mails mit jedem Blocktyp, aufgeteilt nach Datenstufe. Personalisiert gegen Bestseller über Ihre gesamte Liste zu vergleichen ist irreführend, weil Personalisierung überhaupt nur für die warme Hälfte gilt.
Zerfall bei wiederholter Einblendung – rutscht die Klickrate des Bestseller-Blocks über die fünfte, zehnte, fünfzehnte E-Mail eines Kontakts ab? Das ist die Langeweile-Steuer, die in den Daten auftaucht.

Fahren Sie den Vergleich ein paar Wochen, bevor Sie urteilen, und lesen Sie die Ergebnisse als Umsatz, nicht als Klicks. Das umfassendere Mess-Setup behandelt wie man die Umsatzwirkung von Personalisierung misst.

Das in Omnisend einrichten

Ich fahre dieses Fallback-Muster in meinen eigenen Shops mit Omnisend, das ich nach dem Test beider Tools Klaviyo vorgezogen habe – vor allem, weil es so wenig Babysitting braucht. Der Produktempfehlungs-Block im E-Mail-Editor bietet Modi für Bestseller, neueste Produkte und personalisierte Vorschläge, und der personalisierte Modus übernimmt den Fallback automatisch: Kontakte mit Historie bekommen verhaltensbasierte Produkte, Kontakte ohne bekommen beliebte Artikel. Sie richten es einmal pro Template ein, und die Verzweigung geschieht pro Empfänger zum Sendezeitpunkt.

Was das Tool nicht für Sie tut: Es kann Ihnen nicht sagen, dass Ihre Bestseller-Liste durch den Rabatt des letzten Monats verzerrt ist, und es kennt keine Produktbeziehungen, die Sie nie in Ihrer Katalogstruktur ausgedrückt haben. Die Logik ist automatisch; das Urteil bleibt bei Ihnen.

Ihr nächster Schritt

Öffnen Sie die letzten drei E-Mails, die Sie gesendet haben, und schauen Sie sich das Produktraster in jeder an. Wenn alle drei allen dieselben Produkte zeigen, fügen Sie Ihrer volumenstärksten Automatisierung – meist der Willkommensstrecke – einen personalisierten Block mit Bestseller-Fallback hinzu und vergleichen Sie die Blockklicks nach zwei Wochen. Diese eine Änderung gibt den meisten Shops die Antwort auf die Frage dieses Artikels mit ihren eigenen Zahlen, und das schlägt jeden Benchmark.

Personalizacija in priporočila izdelkov

Najbolje prodajani ali personalizirani predlogi: kaj bolje ustvarja konverzije?

Veröffentlicht am July 18, 2026 von

Personalizirani predlogi ustvarjajo več konverzij kot bloki z najbolje prodajanimi izdelki – a le pri stikih, o katerih dejansko imate podatke. Za naročnika z zgodovino brskanja in preteklimi nakupi bo blok, zgrajen okoli njegovega vedenja, skoraj vedno prekašal generično mrežo »naši najbolj priljubljeni izdelki«, saj odgovarja na vprašanje, ki si ga kupec že postavlja. Za povsem novega naročnika, o katerem ne veste ničesar, velja obratno: personalizacija nima s čim delati, najbolje prodajani izdelki pa nosijo pravo družbeno dokazilo. Iskreni odgovor torej ni izbira zmagovalca. Gre za vzpostavitev zaporedja rezerv: najprej personalizirano, najbolje prodajani izdelki pa takrat, ko podatkov zmanjka. Ta članek pojasnjuje, kdaj vsak pristop zmaga, kje vsak tiho odpove in kako vzpostaviti to zaporedje rezerv, da vsak email prikaže najmočnejši blok, ki ga zmore.

Pravo vprašanje, ki se skriva za to primerjavo

Če tehtate med tema dvema možnostma, verjetno strmite v predlogo emaila z enim mestom za mrežo izdelkov in razmišljate, kaj vanj vstaviti. Pozdravni email, sporočilo po nakupu, mesečna kampanja – vsakič ista dilema.

Vložek je večji, kot se zdi. Ta mreža je pogosto edino trženje v emailu, in za trgovino, ki mesečno ustvari 40.000 €, je blok s priporočili, ki prejme 2 % klikov namesto 4 %, stalno, nevidno puščanje. Nihče se ne pritožuje. Email še vedno »deluje«. Le prodate manj, kot bi lahko, mesec za mesecem, in nikoli ne vidite tega, kar bi lahko bilo.

Zakaj se zdi »povsod pokaži najbolje prodajane« varno, pa ni

Najbolje prodajani izdelki so privzeta izbira, ker so preprosti: en seznam, nič vzdrževanja in ne morejo biti napačni na sramoten način. Mreža najbolje prodajanih izdelkov kupcu, ki ima mačko, nikoli ne prikaže pasje hrane.

A tiho se nabirata dve težavi.

Prvič, ponavljanje. Vaš seznam najbolje prodajanih izdelkov se iz tedna v teden komaj spremeni, zato vaši najbolj vpeti naročniki – ljudje, ki odprejo vse – v vsakem emailu vidijo istih osem izdelkov. Blok jih izuri, da ga preskočijo. Kupce, ki bodo najverjetneje kupili, najbolj dolgočasite.

Drugič, sam seznam je manj zanesljiv, kot je videti. Razvrstitev najbolje prodajanih izdelkov je povratna zanka: izdelki so izpostavljeni, ker se prodajajo, in se prodajajo, ker so izpostavljeni. Izvedite eno agresivno akcijo s popusti in znižani izdelek lahko tedne kraljuje na vrhu vašega seznama »najbolj priljubljenih« in vleče pozornost k izdelku, ki se je dobro prodajal le pri 30-odstotnem popustu. To sem ujel v svojih trgovinah – mreža »najbolje prodajanih« je bila v resnici mreža »nedavno znižanih« pod lepšim imenom.

Obstaja pa še vidik marže, ki ga skoraj nihče ne preverja: razvrstitve najbolje prodajanih izdelkov razvrščajo po kosih ali prihodku, nikoli po dobičku. Vaš najbolje prodajani izdelek je zlahka izdelek z najtanjšo maržo. Personalizirani bloki vsaj razporedijo pozornost po katalogu, namesto da jo skoncentrirajo na tisto, kar je pač poceni in priljubljeno.

Kje personalizirani predlogi zmagajo – in kje se povsem polomijo

Za stik s pravo zgodovino izbire, ki temeljijo na vedenju, prekašajo priljubljenost. Nekdo, ki je dvakrat pregledoval vaše tekaške copate za trail, ne potrebuje vaše najbolje prodajane joga podloge; potrebuje copate, morda še nogavice in oceno, ki ga prepriča. Kako signale brskanja spremeniti v takšne izbore, je opisano v kako uporabiti vedenje pri brskanju za boljša priporočila izdelkov.

A personalizacija ima načine odpovedi, ki jih najbolje prodajani izdelki nimajo:

Skopi podatki. En ogled strani ni profil. Personaliziran mehanizem, prisiljen delati s skoraj ničimer, ustvari izbore, ki delujejo naključno, kar učinkuje slabše kot generično.
Zastareli signali. Priporočanje zimskega plašča, ki ga je nekdo pregledoval januarja, v njegov nabiralnik junija.
Že kupljeni izdelki. Klasika: priporočanje točno tistega izdelka, ki ga je kupec kupil prejšnji teden. To je rešljivo, a le, če vzpostavite pravila izključevanja – večina trgovin tega nikoli ne stori.

Ko personalizacija zgreši, ne le da slabše deluje, temveč signalizira površnost. Generična mreža najbolje prodajanih izdelkov je pozabljiva; napačna osebna izbira je opazna. Podrobnejši pregled teh načinov odpovedi je v zakaj personalizirana priporočila izdelkov včasih odpovejo.

Pravilo odločanja: uskladi blok s tem, kar veš

Preskočite dilemo eno-ali-drugo. Odločite se za vsak stik posebej, glede na globino podatkov:

Obstaja zgodovina nakupov → priporočajte okoli tega, kar so kupili: dopolnila, obnavljanje zaloge, izdelke za naslednji korak. To je vaš najmočnejši signal.
Obstaja aktivnost brskanja ali dodajanja v košarico, brez nakupa → priporočajte okoli tega, kar so si ogledali: same izdelke, bližnje alternative, kategorijo, h kateri so se vračali.
Le email naslov, nič drugega → najbolje prodajani izdelki, po možnosti zoženi s čimerkoli, kar veste (vir prijave, preferenca, ki so jo izbrali ob prijavi, njihov prvi klik).
Sploh nobene vpetosti po več emailih → najbolje prodajani izdelki z rotacijo, da vsaj blok ni vsakič enak.

Ravni 1 in 2 sta tam, kjer živi konverzija. Raven 3 je tam, kjer sedi večina pozdravnih emailov, in to je v redu – za prvič prijavljenega naročnika je »tole imajo vsi radi« resnično koristno, zato najbolje prodajani izdelki še vedno sodijo v emaile za prve obiskovalce. Napaka je, če stike pustite na obravnavi ravni 3, potem ko so vam že dali podatke ravni 1.

Kaj avtomatizirati

Tega ne izvajate z ročnim izbiranjem izdelkov za vsak email. Logiko rezerv nastavite enkrat:

Sprožilec: vsak email s priporočilnim blokom – pozdravni tok, po nakupu, opuščeno brskanje, redne kampanje.
Segment: za sam blok ni potreben; logika se glede na razpoložljive podatke za vsak stik razveji samodejno.
Vsebinsko pravilo: personalizirani predlogi (najprej na podlagi nakupov, nato brskanja), z najbolje prodajanimi izdelki kot rezervo, ko mehanizem nima ničesar. Izključite že kupljene in razprodane izdelke.
Časovanje: izbori na podlagi brskanja naj se opirajo na nedavno aktivnost – vedenje iz zadnjih nekaj tednov, ne lanskega.
Cilj: vsak stik vidi najbolj specifičen blok, ki ga njegovi podatki podpirajo, ne da bi se vi česarkoli dotaknili.

Če se želite poglobiti v samo logiko razvrščanja – kaj »najverjetneje bo kupil« sploh pomeni in kako to mehanizmi ocenjujejo – je to svoja tema: kako priporočiti izdelke, ki jih bo kupec najverjetneje kupil.

Konkreten primer (ilustrativno)

Vzemimo trgovino, ki prodaja opremo za kavo, s 12.000 naročniki. Približno – in ta razmerja so ilustrativna, vaša bodo drugačna – morda je 3.000 stikov že naročilo, drugih 3.000 je brskalo, a ni nikoli kupilo, in 6.000 je zgolj email prijav iz pojavnega okna.

Z eno samo mrežo najbolje prodajanih izdelkov vseh 12.000 dobi isti francoski vrč in ista dva mlinčka. Z logiko rezerv 3.000 kupcev vidi dodatke, filtre in nadgradnje, povezane z njihovimi aparati; 3.000 brskalcev vidi izdelke, okoli katerih so krožili; le hladnih 6.000 vidi najbolje prodajane izdelke. Polovica seznama se je pravkar premaknila z generičnega na specifično, druga polovica pa ni izgubila ničesar.

Kako v svoji trgovini izmeriti, kdo zmaguje

Tega ne razrešite z mnenjem. Preizkusite:

Stopnja klikov na priporočilnem bloku (ne celotnega emaila) – najčistejši signal, ali so prikazani izdelki zanimivi.
Stopnja konverzije in prihodek na prejemnika za emaile z vsako vrsto bloka, razdeljeno po ravni podatkov. Primerjava personalizirano proti najbolje prodajanim po celotnem seznamu je zavajajoča, ker personalizirano velja le za toplo polovico.
Upad ob ponovni izpostavljenosti – ali stopnja klikov bloka najbolje prodajanih izdelkov drsi čez peti, deseti, petnajsti email stika? To je davek dolgčasa, ki se pokaže v podatkih.

Primerjavo izvajajte nekaj tednov, preden sodite, in rezultate berite kot prihodek, ne klike. Širša postavitev merjenja je opisana v kako izmeriti vpliv personalizacije na prihodek.

Vzpostavitev v Omnisendu

Ta vzorec rezerv v svojih trgovinah poganjam v Omnisendu, ki sem ga po testiranju obeh izbral pred Klaviyem – predvsem zaradi tega, kako malo nadzora zahteva. Blok s priporočilom izdelkov v urejevalniku emailov ponuja načine za najbolje prodajane, najnovejše in personalizirane izbore, personalizirani način pa rezervo obravnava samodejno: stiki z zgodovino dobijo izdelke na podlagi vedenja, stiki brez nje pa priljubljene izdelke. Nastavite ga enkrat na predlogo, razvejanje pa se ob pošiljanju zgodi za vsakega prejemnika posebej.

Česar orodje ne bo storilo namesto vas: ne more vam povedati, da je vaš seznam najbolje prodajanih izdelkov popačen zaradi lanskomesečnega popusta, in ne bo poznalo razmerij med izdelki, ki jih niste nikoli izrazili v strukturi svojega kataloga. Logika je samodejna; presoja ostaja vaša.

Vaš naslednji korak

Odprite zadnje tri emaile, ki ste jih poslali, in poglejte mrežo izdelkov v vsakem. Če vsi trije vsem prikazujejo iste izdelke, dodajte en personaliziran blok z rezervo najbolje prodajanih izdelkov v svojo avtomatizacijo z največjim obsegom – običajno pozdravni tok – in po dveh tednih primerjajte klike na bloku. Ta ena sprememba večini trgovin da odgovor na vprašanje tega članka z njihovimi lastnimi številkami, kar prekaša vsakršno merilo.

Personalization and Product Recommendations

Best-Selling vs Personalized Recommendations: Which Converts Better

Veröffentlicht am July 17, 2026 von

Personalized recommendations convert better than bestseller blocks — but only for contacts you actually have data on. For a subscriber with browsing history and past orders, a block built around their behavior will almost always outperform a generic “our most popular products” grid, because it answers the question they’re already asking. For a brand-new subscriber you know nothing about, the reverse is true: personalization has nothing to work with, and bestsellers carry real social proof. So the honest answer isn’t picking a winner. It’s building a fallback order: personalized first, bestsellers when the data runs out. This article covers when each one wins, where each one quietly fails, and how to set up that fallback so every email shows the strongest block it can.

The real question behind this comparison

If you’re weighing these two options, you’re probably staring at an email template with one product-grid slot and wondering what to put in it. Welcome email, post-purchase follow-up, monthly campaign — same dilemma every time.

The stakes are higher than they look. That grid is often the only merchandising in the email, and for a store doing €40,000 a month, a recommendation block that clicks 2% instead of 4% is a steady, invisible leak. Nobody complains about it. The email still “works.” You just sell less than you could, month after month, and never see the counterfactual.

Why “just show the bestsellers everywhere” feels safe but isn’t

Bestsellers are the default because they’re easy: one list, zero maintenance, and they can’t be wrong in an embarrassing way. A bestseller grid never shows a customer dog food when they own a cat.

But two problems build up quietly.

First, repetition. Your bestseller list barely changes week to week, so your most engaged subscribers — the people who open everything — see the same eight products in every email. The block trains them to skip it. The customers most likely to buy are the ones you’re boring most.

Second, the list itself is less trustworthy than it looks. A bestseller ranking is a feedback loop: products get promoted because they sell, and sell because they’re promoted. Run one aggressive discount campaign and the discounted item can sit at the top of your “most popular” list for weeks, pulling attention toward a product that only ever sold well at 30% off. I’ve caught this in my own stores — the “bestseller” grid was really a “recently discounted” grid wearing a nicer name.

And there’s a margin angle almost nobody checks: bestseller rankings sort by units or revenue, never by profit. Your top seller can easily be your thinnest-margin product. Personalized blocks at least spread attention across the catalog instead of concentrating it on whatever happens to be cheap and popular.

Where personalized recommendations win — and where they fall on their face

For a contact with real history, behavior-based picks beat popularity. Someone who has browsed your trail-running shoes twice doesn’t need your bestselling yoga mat; they need the shoes, plus maybe socks and a review to tip them over. The mechanics of turning browsing signals into picks like that are covered in how to use browsing behavior for better product recommendations.

But personalization has failure modes bestsellers don’t:

Thin data. One pageview isn’t a profile. A personalized engine forced to work with almost nothing produces picks that look random, which reads worse than generic.
Stale signals. Recommending the winter coat someone browsed in January to their inbox in June.
Already-bought items. The classic: recommending the exact product the customer purchased last week. Fixable, but only if you set up exclusion rules — most stores never do.

When personalization misfires it doesn’t just underperform, it signals carelessness. A generic bestseller grid is forgettable; a wrong personal pick is noticeable. There’s a fuller breakdown of these failure modes in why personalized product recommendations sometimes fail.

The decision rule: match the block to what you know

Skip the either/or. Decide per contact, based on data depth:

Purchase history exists → recommend around what they bought: complements, replenishment, next-step products. This is your strongest signal.
Browsing or cart activity exists, no purchase → recommend around what they viewed: the products themselves, close alternatives, the category they kept returning to.
Email address only, nothing else → bestsellers, ideally narrowed by anything you do know (signup source, a preference they picked at opt-in, their first click).
No engagement at all after several emails → bestsellers with rotation, so at least the block isn’t identical every time.

Levels 1 and 2 are where conversion lives. Level 3 is where most welcome emails sit, and that’s fine — for a first-time subscriber, “here’s what everyone loves” is genuinely useful, which is why bestsellers still belong in emails for first-time visitors. The mistake is leaving contacts at level 3 treatment after they’ve given you level 1 data.

What to automate

You don’t implement this by hand-picking products per email. You set fallback logic once:

Trigger: any email with a recommendation block — welcome flow, post-purchase, browse abandonment, regular campaigns.
Segment: none needed for the block itself; the logic branches on available data per contact automatically.
Content rule: personalized recommendations (purchase-based first, then browse-based) with bestsellers as the fallback when the engine has nothing. Exclude already-purchased items and out-of-stock products.
Timing: browse-based picks should lean on recent activity — behavior from the last couple of weeks, not last year.
Goal: every contact sees the most specific block their data supports, without you touching anything.

If you want to go deeper on the ranking logic itself — what “most likely to buy” actually means and how engines score it — that’s its own topic: how to recommend products a customer is most likely to buy.

A concrete example (illustrative)

Take a store selling coffee gear, 12,000 subscribers. Roughly speaking — and these proportions are illustrative, yours will differ — maybe 3,000 contacts have ordered before, another 3,000 have browsed but never bought, and 6,000 are email-only signups from a popup.

With a single bestseller grid, all 12,000 get the same French press and the same two grinders. With fallback logic, the 3,000 buyers see refills, filters, and upgrades tied to their machines; the 3,000 browsers see the products they were circling; only the cold 6,000 see bestsellers. Half the list just moved from generic to specific, and the other half lost nothing.

How to measure which is winning in your store

Don’t settle this with opinion. Test it:

Click rate on the recommendation block (not the whole email) — the cleanest signal of whether the products shown are interesting.
Conversion rate and revenue per recipient for emails with each block type, split by data level. Comparing personalized-vs-bestseller across your whole list is misleading, because personalized only even applies to the warm half.
Repeat exposure decay — does the bestseller block’s click rate slide across a contact’s fifth, tenth, fifteenth email? That’s the boredom tax showing up in data.

Run the comparison for a few weeks before judging, and read the results as revenue, not clicks. The wider measurement setup is covered in how to measure the revenue impact of personalization.

Setting this up in Omnisend

I run this fallback pattern in my own stores on Omnisend, which I picked over Klaviyo after testing both — mostly for how little babysitting it needs. The product recommender block in the email editor offers modes for bestsellers, newest products, and personalized picks, and the personalized mode handles the fallback automatically: contacts with history get behavior-based products, contacts without it get popular items. You set it once per template and the branching happens per recipient at send time.

What the tool won’t do for you: it can’t tell you your bestseller list is skewed by last month’s discount, and it won’t know product relationships you never expressed in your catalog structure. The logic is automatic; the judgment stays yours.

Your next step

Open the last three emails you sent and look at the product grid in each. If all three show the same products to everyone, add one personalized block with a bestseller fallback to your highest-volume automation — usually the welcome flow — and compare block clicks after two weeks. That single change gives most stores their answer to this article’s question with their own numbers, which beats anyone’s benchmark.