Personalizacija in priporočila izdelkov

Kako z boljšimi podatki izboljšati ustreznost priporočil

Posted on July 18, 2026 by

Ustreznost priporočil je najprej problem podatkov in šele nato problem algoritma. Da jo izboljšate, po vrsti predelajte pet vhodnih virov: prepoznajte več svojih obiskovalcev, da se njihovo vedenje dejansko zabeleži, počistite svoj katalog izdelkov (kategorije, oznake, atributi — to je besedišče, v katerem razmišlja mehanizem), zajemite brskanje in dejavnost v košarici, ne le naročil, dajte večjo težo svežim signalom kot zastarelim in vzdržujte podatke za izključevanje, da mehanizem ve, česa naj ne prikaže. Naredite teh pet stvari in isti mehanizem za priporočila, ki ga imate danes, bo ustvarjal vidno boljše izbore. Ta članek vas popelje skozi vsak vhodni vir in kako izgleda “dovolj dobro”. Če še niste prepričani, ali so podatki vaše ozko grlo, začnite z diagnozo v članku zakaj personalizirana priporočila izdelkov včasih ne delujejo in se vrnite.

Težava: vaš mehanizem ve manj, kot mislite

Lastniki trgovin domnevajo, da mehanizem za priporočila vidi vse, kar se dogaja v trgovini. Običajno vidi le del.

Tipična postavitev beleži naročila — ker naročila ustvarijo račune strank — in malo drugega. Obiskovalec, ki je včeraj dvajset minut brskal po vaši zbirki svetil? Anonimen, neviden, izginil. Stranka, ki je enkrat kupila prek gostujoče blagajne in zdaj bere vsako e-poštno sporočilo? Njeni kliki se morda sploh ne povežejo nazaj s profilom. Tako mehanizem sprejema odločitve z uporabo morda 10–20 % vedenja, ki se je dejansko zgodilo, njegovi izbori pa se zdijo generični, ker so z njegovega vidika večina vaših strank neznanci.

To je preobrat perspektive: ustreznost se ne izboljša z uglaševanjem prebrisanosti algoritma. Izboljša se z razširjanjem tega, kar algoritem sploh lahko vidi.

Zakaj “več zgodovine bo to popravilo” ne drži

Pasivna rešitev je čakanje — nabere se več naročil, mehanizem se uči, ustreznost se izboljša sama od sebe. Deloma res, boleče počasno in nikoli ne odpravi strukturnih vrzeli.

Podatki o naročilih imajo sami po sebi dve omejitvi. Večina vašega seznama pred kratkim ni naročila, zato zgodovina nakupov ne pove ničesar o tem, kaj želijo zdaj. In v trgovinah, kjer stranke kupijo enkrat ali dvakrat na leto, so celo zgodovina zveste stranke tri podatkovne točke. S čakanjem se iz tega ne morete rešiti. Signal, ki ga potrebujete — trenutni interes — živi v vedenju pri brskanju in klikanju e-pošte in se zajame le, če vzpostavite zajemanje.

Kje se izgublja ustreznost: pet podatkovnih vrzeli

Vrzel 1: Anonimni obiskovalci

Skripte za spletno sledenje lahko vedenje pripnejo na profil šele, ko je obiskovalec prepoznan — z naročilom, prijavo ali klikom iz e-pošte, ki ste jo poslali. Do takrat se seje kopičijo brez pripisa.

Vaš delež prepoznanih zvišujejo tri vzvodi. Prijavni obrazec, ki ponuja nekaj, kar je vredno e-poštnega naslova. Pošiljanje kampanj in potekov iz iste platforme, ki sledi vašemu spletnemu mestu, tako da vsak klik na e-pošto prepozna prihodnje seje tega obiskovalca na tej napravi. In kjer vaša platforma to podpira, prepoznavanje, ki obstane prek piškotkov med obiski — en klik lahko vklopi nenehno sledenje vedenju za to osebo. Veljajo opozorila glede piškotkov: nastavitve privolitve, potek veljavnosti in vrzeli med napravami pomenijo, da to nikoli ni 100-odstotno. Ni treba, da je. Premik vašega deleža prepoznanih med vračajočimi se obiskovalci z, recimo, 10 % na 30 % (ponazoritveno — izmerite svoje) potroji vedenjski vhod, ki ga dobi vaš mehanizem, in to naredi tiho.

Vrzel 2: Neurejen katalog

Mehanizmi se močno opirajo na metapodatke izdelkov. “Ljudje, ki so kupili X, kupijo Y” potrebuje obseg; mehanizmi manjših trgovin večinoma sklepajo skozi kategorije in atribute. Če polovica vaših izdelkov sedi v vseobsegajoči kategoriji, če so oznake nedosledne (“moski” tukaj, “moški” tam), če so variante navedene kot ločeni izdelki — mehanizmov zemljevid vaše trgovine je napačen, njegovi izbori pa podedujejo zmedo.

Rešitev je neblesteča: eno popoldne v preglednici s katalogom izdelkov. Vsak izdelek v pravi kategoriji. Dosledne oznake za atribute, ki v vaši trgovini narekujejo nakupne odločitve — material, prostor, raven znanja, kar koli je pomembno. Za trgovino s 300 izdelki je to nekaj ur. Poplača se naenkrat na vsaki površini s priporočili in je temelj za kasnejše ciljanje po afiniteti do kategorij.

Vrzel 3: Ni vedenjskih signalov

Zgodovina nakupov pove, kdo je nekdo bil. Brskanje pove, kdo je ta teden. Stranka, katere vsa naročila so kuhinjska oprema, a je včeraj preživela v vaši kategoriji za vrt, bi morala dobivati izbore za vrt — in jih bo, le če ogledi strani in dogodki v košarici tečejo v njen profil. Večina platform za e-poštno trženje v e-trgovini to zajame, ko je njihova koda nameščena in so obiskovalci prepoznani, zato je Vrzel 1 na prvem mestu. Kaj storiti s signalom, ko ga imate — pragovi, čas, katera vedenja štejejo — je tema zase: kako uporabiti vedenje pri brskanju za boljša priporočila izdelkov.

Vrzel 4: Zastareli signali, obravnavani kot sveži

Podatki imajo rok trajanja, mehanizmi pa ga naravno ne spoštujejo. Ogled iz marca ne bi smel oblikovati priporočil julija; tako intenziven interes se je bodisi pretvoril v nakup bodisi zamrl. Podatki o nakupih se starajo počasneje, a se tudi starajo — zlasti interes na ravni kategorij v trgovinah, kjer prevladujejo darila. Kjer vaše orodje razkriva okna za pregled nazaj, jih skrajšajte: signale brskanja merite v dnevih ali nekaj tednih, ne v mesecih. Personalizacija na podlagi nakupov ima drugačna pravila in daljšo razpolovno dobo — to je opisano v članku personalizacija e-pošte na podlagi zgodovine nakupov.

Vrzel 5: Manjkajoči podatki za izključevanje

Ustreznost je tudi v tem, kaj se ne pojavi. Izdelki brez zaloge, ukinjene linije in izdelki, ki jih stranka že ima, potrebujejo vsak svoj vir podatkov: sprotno sinhronizacijo zaloge, oznako “arhivirano”, ki jo vaši bloki spoštujejo, in zgodovino naročil, uporabljeno kot filter. Filter za že kupljeno je dovolj pomemben, da si zasluži svoj članek — kako se izogniti priporočanju izdelkov, ki jih je stranka že kupila — ker vas napaka pri tem (filtriranje potrošnega materiala, ki bi ga bilo treba znova priporočiti) stane resnični prihodek od ponovnih naročil.

Vrstni red operacij

Če se tega lotite kot projekta, ga razvrstite po vplivu:

1. teden: čiščenje kataloga. Kategorije, oznake, struktura variant. Vse nadaljnje bere to.
1.–2. teden: preverite sledenje. Koda nameščena, ogledi strani in dogodki v košarici pristajajo na prepoznanih profilih. Preizkusite sami: kliknite eno svojih e-poštnih sporočil, prebrskajte tri izdelke, preverite svoj profil.
2. teden: zvišajte prepoznavanje. Preglejte pretvorbo svoje prijavne ponudbe, poskrbite, da vsaka povezava v e-pošti teče prek vaše domene za sledenje.
3. teden: nastavite izključitve in okna svežine. Konfiguracijski prehod.
Nenehno: mesečno preverjanje podatkov. Deset minut: delež prepoznanih obiskovalcev, sledenje še vedno deluje, odstopanje kataloga zaradi novih izdelkov.

Opazite, česa ni na seznamu: menjava algoritmov, nakup namenskega orodja za personalizacijo. Za trgovino z manj kot nekaj tisoč naročili na mesec te odločitve pridejo šele po tem, ko so podatki urejeni, če sploh.

Prikaz na primeru (ponazoritveno)

Trgovina z izdelki za dom, 400 izdelkov, 50.000 € na mesec. Prej: priporočila črpana samo iz zgodovine naročil, 8 % sej na spletnem mestu prepoznanih, ena napihnjena kategorija “Dodatki za dom”, ki drži tretjino kataloga. Bloki s priporočili vsem prikazujejo skoraj enake izbore.

Katalog razdelijo na devet pravih kategorij, preverijo kodo za sledenje in prenovijo prijavno ponudbo. Dva meseca kasneje je 25 % vračajočih se sej prepoznanih, mehanizem pa lahko zdaj loči brskalca po svetilih od brskalca po tekstilu in izbira znotraj prave kategorije. Izbori nehajo delovati naključno ne zato, ker se je izboljšal algoritem, ampak ker ima končno besedišče in signal. (Ponazoritvene številke — prenaša se vzorec, ne številke.)

Kako izmeriti izboljšavo

Delež prepoznanih sej ali klikačev e-pošte — vodilni kazalnik; premakne se prvi.
Stopnja klikov na blok s priporočili, prej proti potem, isti poteki.
Stopnja nadomestnih izborov: delež prejemnikov, ki dobijo generične najbolje prodajane izdelke, ker je njihov profil tanek. Ta bi se moral stalno zmanjševati.
Pripisani prihodek od klikov na priporočila — številka, ki upraviči projekt.

Kje se umesti Omnisend

Razlog, da v svojih trgovinah uporabljam Omnisend (testiran proti Klaviyu; ostal zaradi cene in samopostrežne postavitve), je tu pomemben: združuje kodo za spletno sledenje, mehanizem prepoznavanja prek klika na e-pošto, zgodovino brskanja in košarice na ravni profila ter bloke s priporočili na enem mestu, tako da je zgornjih pet vrzeli en sistem za popravilo namesto treh orodij za usklajevanje. Poštena meja: ne more počistiti vašega kataloga namesto vas, njegovo sledenje pa je podvrženo istim omejitvam privolitve in piškotkov kot pri vseh drugih. Omnisend je partner Shopimation v pridruženem programu; priporočam, kar uporabljam.

Vaš naslednji korak

Izvedite dvajsetminutni pregled: odprite pogled profila v svoji platformi za tri resnične stranke — stalno stranko, enkratnega kupca prek gostujoče blagajne in nedavnega naročnika, ki še ni kupil. Poglejte, kaj za vedenjske podatke vsak profil dejansko drži. Prazni profili pomenijo Vrzel 1 ali 3; polni profili, a slabi izbori, pomenijo Vrzel 2, 4 ali 5. Popravljajte po tem vrstnem redu in nato preverite, da se je poplačalo, s člankom kako izmeriti vpliv personalizacije na prihodek.

Personalization and Product Recommendations

How to Improve Recommendation Relevance With Better Data

Posted on July 17, 2026 by

Recommendation relevance is a data problem before it’s an algorithm problem. To improve it, work through five inputs in order: identify more of your visitors so their behavior actually gets recorded, clean up your product catalog (categories, tags, attributes — that’s the vocabulary the engine thinks in), capture browsing and cart activity rather than just orders, weight recent signals over stale ones, and maintain exclusion data so the engine knows what not to show. Do those five things and the same recommendation engine you have today will produce visibly better picks. This article walks through each input and what “good enough” looks like. If you’re not yet sure whether data is your bottleneck, start with the diagnosis in why personalized product recommendations sometimes fail and come back.

The problem: your engine knows less than you think

Store owners assume the recommendation engine sees everything that happens in the store. It usually sees a fraction.

A typical setup records orders — because orders create customer accounts — and little else. The visitor who browsed your lamp collection for twenty minutes yesterday? Anonymous, invisible, gone. The customer who bought once by guest checkout and now reads every email? Their clicks may not connect back to a profile at all. So the engine makes decisions using maybe 10–20% of the behavior that actually occurred, and its picks feel generic because, from its point of view, most of your customers are strangers.

That’s the reframe: relevance doesn’t improve by tuning the algorithm’s cleverness. It improves by widening what the algorithm can see.

Why “more history will fix it” doesn’t hold

The passive fix is waiting — more orders accumulate, the engine learns, relevance improves on its own. Partially true, painfully slow, and it never fixes the structural gaps.

Order data alone has two built-in limits. Most of your list hasn’t ordered recently, so purchase history says nothing about what they want now. And in stores where customers buy once or twice a year, even a loyal customer’s history is three data points. You can’t wait your way out of that. The signal you need — current interest — lives in browsing and email-click behavior, and it only gets captured if you set up the capture.

Where relevance is lost: the five data gaps

Gap 1: Anonymous visitors

Web tracking scripts can only attach behavior to a profile once a visitor is identified — by subscribing, logging in, or clicking through from an email you sent. Until then, sessions pile up unattributed.

Three levers raise your identified share. A signup form that offers something worth an email address. Sending your campaigns and flows from the same platform that tracks your site, so every email click identifies that visitor’s future sessions on that device. And where your platform supports it, identification that persists via cookies across visits — one click can switch on ongoing behavioral tracking for that person. Cookie caveats apply: consent settings, expiry, and cross-device gaps mean this is never 100%. It doesn’t need to be. Moving your identified share of returning visitors from, say, 10% to 30% (illustrative — measure your own) triples the behavioral input your engine gets, and does it silently.

Gap 2: A messy catalog

Engines lean hard on product metadata. “People who bought X buy Y” needs volume; smaller stores’ engines mostly reason through categories and attributes instead. If half your products sit in a catch-all category, if tags are inconsistent (“mens” here, “men’s” there), if variants are listed as separate products — the engine’s map of your store is wrong, and its picks inherit the confusion.

The fix is unglamorous: one afternoon in a product-catalog spreadsheet. Every product in a real category. Consistent tags for the attributes that drive buying decisions in your store — material, room, skill level, whatever applies. For a 300-product store this is a few hours. It pays off across every recommendation surface at once, and it’s the groundwork for category-affinity targeting later on.

Gap 3: No behavioral signals

Purchase history tells you who someone was. Browsing tells you who they are this week. A customer whose orders are all kitchen gear but who spent yesterday in your garden category should be getting garden picks — and will be, only if page views and cart events flow into their profile. Most ecommerce email platforms capture this once their snippet is installed and visitors are identified, which is why Gap 1 comes first. What to do with the signal once you have it — thresholds, timing, which behaviors matter — is its own topic: how to use browsing behavior for better product recommendations.

Gap 4: Stale signals treated as fresh

Data has a shelf life and engines don’t naturally respect it. A view from March shouldn’t shape recommendations in July; interest that intense either converted or died. Purchase data ages more slowly but it ages too — especially category-level interest in gift-heavy stores. Where your tool exposes lookback windows, shorten them: browse signals measured in days or a few weeks, not months. Purchase-based personalization has different rules and a longer half-life — covered in personalizing emails based on purchase history.

Gap 5: Missing exclusion data

Relevance is also about what doesn’t appear. Out-of-stock items, discontinued lines, and products the customer already owns each need a data source: live inventory sync, an “archived” flag your blocks respect, and order history applied as a filter. The already-bought filter matters enough to get its own article — avoiding recommending products a customer already bought — because getting it wrong (filtering consumables that should be re-recommended) costs real reorder revenue.

The order of operations

If you do this as a project, sequence it by impact:

Week 1: catalog cleanup. Categories, tags, variant structure. Everything downstream reads this.
Week 1–2: confirm tracking. Snippet installed, page views and cart events landing on identified profiles. Test it yourself: click one of your own emails, browse three products, check your profile.
Week 2: raise identification. Review your signup offer’s conversion, make sure every email link runs through your tracking domain.
Week 3: set exclusions and recency windows. The configuration pass.
Ongoing: monthly data check. Ten minutes: identified-visitor share, tracking still firing, catalog drift from new products.

Notice what’s not on the list: switching algorithms, buying a dedicated personalization tool. For a store under a few thousand orders a month, those decisions come after the data is fixed, if at all.

A worked example (illustrative)

A home-goods store, 400 products, €50,000 a month. Before: recommendations sourced from order history only, 8% of site sessions identified, one bloated “Home Accessories” category holding a third of the catalog. Recommendation blocks show near-identical picks to everyone.

They split the catalog into nine real categories, verify the tracking snippet, and rework the signup offer. Two months later 25% of returning sessions are identified, and the engine can now distinguish a lighting browser from a textiles browser and pick within the right category. The picks stop feeling random not because the algorithm improved but because it finally has vocabulary and signal. (Illustrative numbers — the pattern is what transfers, not the figures.)

How to measure the improvement

Identified share of sessions or of email clickers — the leading indicator; it moves first.
Recommendation block click rate, before vs. after, same flows.
Fallback rate: the share of recipients getting generic bestsellers because their profile is thin. This should fall steadily.
Attributed revenue from recommendation clicks — the number that justifies the project.

Where Omnisend fits

The reason I run Omnisend in my own stores (tested against Klaviyo; stayed for the pricing and the self-serve setup) is relevant here: it bundles the web tracking snippet, the identification-via-email-click mechanism, profile-level browse and cart history, and the recommendation blocks in one place, so the five gaps above are one system to fix instead of three tools to reconcile. The honest limit: it can’t clean your catalog for you, and its tracking is subject to the same consent and cookie constraints as everyone else’s. Omnisend is an affiliate partner of Shopimation; I recommend what I use.

Your next step

Run the twenty-minute audit: open your platform’s profile view for three real customers — a regular, a one-time guest-checkout buyer, a recent subscriber who hasn’t bought. Look at what behavioral data each profile actually holds. Empty profiles mean Gap 1 or 3; full profiles but bad picks mean Gap 2, 4, or 5. Fix in that order, then verify it paid off with how to measure the revenue impact of personalization.