Spletne trgovine z velikimi katalogi

Kako razširiti avtomatizacijo spletne trgovine brez ustvarjanja več sto ločenih avtomatizacij

Posted on July 18, 2026 by

Avtomatizacijo v velikem katalogu razširite tako, da zgradite peščico avtomatizacij, ki temeljijo na vedenju kupcev in izdelke vlečejo dinamično – ne pa ene avtomatizacije na vsako kategorijo, znamko ali vrsto izdelka. Sprožilec in logika sporočila ostaneta enaka; spremenijo se le izdelki v e-poštnem sporočilu, glede na to, kaj je posamezni kupec počel. Namesto ločene avtomatizacije za opuščeno košarico za čevlje, ene za torbe, ene za jakne in še štiridesetih drugih tako poganjate eno samo avtomatizacijo za opuščeno košarico, ki vstavi točno tisto, kar je kupec pustil za sabo. Ta stran govori prav o tem premiku – kako s približno osmimi do dvanajstimi avtomatizacijami pokriti več tisoč izdelkov in kje trgovci najpogosteje zaidejo, ko poskušajo to početi ročno.

Past: ena avtomatizacija na vsako situacijo

Takole se začne. Nastavite e-pošto za opuščeno brskanje za svojo najboljšo kategorijo in deluje. Zato jo klonirate za naslednjo kategorijo. Nato vas lastnik trgovine prosi za različico, namenjeno določeni znamki, in spet klonirate. Čez pol leta strmite v knjižnico s šestdesetimi avtomatizacijami, od katerih je polovica skoraj identičnih, in vsaka sprememba izdelka pomeni, da morate odpreti vsako posebej in preveriti, ali je še točna.

To sem videl dogajati v svojih lastnih trgovinah. Avtomatizacije niso pokvarjene – le nemogoče jih je vzdrževati. Spremenite politiko popustov in urejate na desetine kopij. Umaknete linijo izdelkov in nimate zanesljivega načina, da bi vedeli, katere avtomatizacije jo še omenjajo. Delo z upravljanjem avtomatizacije tiho preraste prihodek, ki ga prinaša, kar je ravno nasprotno od razloga, zaradi katerega ste sploh začeli avtomatizirati.

Zakaj pristop »naredi še več avtomatizacij« preneha delovati

Več avtomatizacij se zdi kot več natančnosti. V velikem katalogu je to večinoma le več površine, na kateri se lahko kaj pokvari.

Vsaka podvojena avtomatizacija je še eno mesto, kjer lahko pravilo zastari. Vsaka vrsta izdelka, ki jo izrežete v lastno avtomatizacijo, je še en segment, ki ga morate pravilno polniti. In donos hitro upada, kajti razlika med vašo »opuščeno košarico za čevlje« in »opuščeno košarico za torbe« skoraj nikoli ni v času ali besedilu – gre za prikazane izdelke. Ta ena sama spremenljivka ni razlog za ločeno avtomatizacijo. Je razlog za spremenljivko.

Trgovine, ki ostanejo pri zdravi pameti tudi po nekaj tisoč šifrah izdelkov, obravnavajo izbor izdelkov kot podatke, ki se dovajajo v avtomatizacijo, ne kot razlog za gradnjo nove avtomatizacije. To je eden od ključnih problemov poganjanja avtomatizacije v velikem obsegu in preden se zavežete strukturi, se splača prebrati širši pogled v izzivih avtomatizacije, značilnih za trgovine z velikimi katalogi.

Kje se izguba dejansko pokaže

Strošek ni le vaš čas. Je natančnost.

Recimo, da poganjate 40 avtomatizacij po kategorijah in izdelke posodabljate ročno. Realno boste osvežili tiste najbolj obremenjene, tiste tihe pa pustili trohneti. Kupec, ki opusti počasi prodajajočo se kategorijo, dobi e-pošto, zgrajeno okrog izdelka, ki je bil razprodan pred tremi tedni, ali opomnik »spet na zalogi« za linijo, ki ste jo ukinili. Pomnožite to z vsako zanemarjeno avtomatizacijo in zgradili ste stroj, ki samozavestno pošilja napačna sporočila v velikem obsegu – kar kupce nauči, da vašim e-poštnim sporočilom sploh nehajo zaupati.

Kratka ponazoritvena primerjava. Recimo, da ročna nastavitev z mnogo avtomatizacijami pusti, da gre 15 % avtomatiziranih e-poštnih sporočil ven z vsaj enim zastarelim ali nepomembnim izdelkom, dinamična nastavitev z eno avtomatizacijo pa to zniža na 3 %. Če avtomatizacija prinaša 8.000 € na mesec in je približno tretjina tega ogrožena zaradi nezaupanja, ki ga ustvarjajo zastarela e-poštna sporočila, gledate v pravi denar, ki uhaja ne zaradi slabega besedila, temveč zaradi slabega vzdrževanja. (Ponazoritvene številke – izmerite lastno stopnjo napak, preden predpostavite svojo.)

Praktična rešitev: avtomatizacije po vedenju, izdelki po podatkih

Avtomatizacije gradite okoli tega, kaj je kupec storil, in pustite, da podatkovni vir odloči, kaj bo videl. Delajte po tem vrstnem redu.

Naštejte vedenja, ne kategorij. Skoraj vsaka trgovina potrebuje enak osnovni nabor: dobrodošlica, opuščena košarica, opuščeno naročilo, opuščeno brskanje, po nakupu, navzkrižna prodaja, ponovna nabava, ponovna pridobitev. To je vaše število avtomatizacij – običajno osem do dvanajst. Velikost kataloga tega števila ne spremeni.
Naredite vsako avtomatizacijo neodvisno od izdelka. Besedilo govori o dejanju (»to ste si ogledovali«, »to se poda k temu, kar ste kupili«), nikoli o vkodirano zapisanem imenu izdelka. Telo e-pošte ima mesto, kamor se izdelki spustijo.
Napolnite mesto dinamično. Blok z izdelki se napolni iz kupčevih lastnih podatkov o dogodkih – ogledani izdelek, vsebina košarice, zadnje naročilo – ali iz živega pravila, kot je »najbolje prodajani v kategoriji, ki jo je brskal«.
Ločujte s pogoji, ne s kloni. Ko segment resnično potrebuje drugačno obravnavo (recimo prvi kupci v primerjavi s ponovnimi), dodajte pogojno vejo znotraj obstoječe avtomatizacije, namesto da bi zgradili vzporedno.
Centralizirajte pravila, ki se ponavljajo. Politiko popustov, logiko izključevanja, časovna okna pošiljanja – opredelite jih enkrat na mestu, na katero se lahko sklicuje vsaka avtomatizacija, tako da se ena sprememba razširi povsod.

Najtežji del je tretji korak, kajti dinamična vsebina je le tako dobra, kot so podatki o izdelkih za njo. Če je vaš vir neurejen, bodo dinamični bloki na dan privlekli napačne stvari hitreje, kot bi jih kdaj koli lahko človek. Če vire izdelkov očistite dovolj za zanesljiva priporočila, postavite temelj, ki naredi celoten pristop varen.

Kaj natančno avtomatizirati

Vzemimo opuščeno brskanje kot izdelan primer, kajti prav tu veliki katalogi najbolj čutijo bolečino.

Sprožilec: kupec si ogleda izdelek, ga v recimo nekaj urah ne doda v košarico in ima e-poštni naslov v sistemu.
Segment: vsi, ki ustrezajo sprožilcu – vnaprej ne ločujte po kategorijah.
Časovnica: prva e-pošta 4–6 ur po brskanju, druga 24–48 ur pozneje, če ni odziva.
Kanal: najprej e-pošta; SMS kot neobvezen drugi stik za privolitve dane, dragocene brskalce.
Vsebina: dinamični blok, ki prikazuje točno ogledani izdelek, plus dva ali trije sorodni izdelki, izbrani po pravilu (enaka kategorija, na zalogi, podoben cenovni razred).
Cilj: klik nazaj na izdelek, nato nakup, s pravilom o izhodu ob nakupu, tako da kupci nehajo prejemati zaporedje.

Ena avtomatizacija. Z enako logiko pokrije kupca, ki je brskal ovitek za telefon za 12 €, in kupca, ki je brskal kavč za 900 €, kajti logika nikoli ne omenja ovitkov za telefon ali kavčev – omenja »stvar, ki ste si jo ogledovali«. Da ti dinamični bloki ne uidejo iz tira, to združite z uporabo dinamične vsebine, ne da bi izgubili nadzor nad sporočilom.

Primer trgovine

Predstavljajte si trgovino z gospodinjskimi izdelki s približno 6.000 šiframi izdelkov v razsvetljavi, tekstilu, kuhinji in majhnem pohištvu. Ustanovitelj je zgradil 22 avtomatizacij – približno eno za brskanje in eno za navzkrižno prodajo na vsako večjo kategorijo – in večino tednov porabil jutro za krpanje povezav do izdelkov.

Rešitev ni bila pametno besedilo. Bila je stiskanje tistih 22 v šest avtomatizacij po vedenju, vsaka z dinamičnim blokom izdelkov, ki ga poganjata naklonjenost kategoriji in stanje zaloge. Jutro za vzdrževanje je izginilo. Kar je pomembnejše, bloki »priporočeno za vas« so začeli samodejno odražati živo zalogo, tako da je trgovina nehala ljudem pošiljati e-pošto o svetilkah, ki jih ni več imela na zalogi. (Ponazoritveni primer, izpeljan iz pogostega vzorca, ki ga vidim v kataloških trgovinah – vaše lastne številke bodo drugačne.)

Kako izmeriti, ali je konsolidacija delovala

Spremljajte to pred stiskanjem avtomatizacij in po njem:

Število avtomatizacij in čas vzdrževanja. Najbolj neposredna meritev. Manj avtomatizacij, manj tedenskega vzdrževanja.
Stopnja zastarelih izdelkov. Vzorčite poslana e-poštna sporočila in preverite, koliko jih je prikazovalo izdelek, ki ni bil na zalogi ali je bil ukinjen. To bi moralo strmo pasti.
Prihodek na prejemnika na avtomatizacijo. Konsolidacija bi to morala zadržati ali izboljšati, nikoli pogrezniti. Če združena avtomatizacija dosega slabše rezultate kot stare različice po kategorijah, ste nekje v dinamičnih pravilih izgubili relevantnost.
Stopnja klikov na blok z izdelki. Pove vam, ali so dinamično izbrani izdelki tako relevantni kot vaši nekdanji ročno izbrani.

Če prihodek na prejemnika po združevanju pade, ne hitite nazaj k mnogim avtomatizacijam – najprej revidirajte pravila, ki napajajo vaše bloke z izdelki.

Kako pomaga Omnisend

Ko je struktura pravilna, potrebujete orodje, ki omogoča enostavno upravljanje dinamičnih blokov z izdelki in pogojnih delitev na enem mestu. V svojih trgovinah za to uporabljam Omnisend, potem ko sem ga preizkusil proti Klaviyu. Njegovi bloki priporočil izdelkov vlečejo iz živih podatkov kataloga, njegov urejevalnik avtomatizacij vam omogoča, da eno avtomatizacijo razvejate po segmentih, namesto da bi jo klonirali, in ista pravila izključevanja in časovnice lahko sedijo prek avtomatizacij, namesto da bi jih znova vnašali v vsako.

Iskreno, orodje odstrani le ročno delo. Ne bo za vas zasnovalo zemljevida avtomatizacij niti očistilo vira – te odločitve so vaše in prav one dejansko določajo, ali lahko osem avtomatizacij opravi delo šestdesetih. Omnisend je partner Shopimation v pridruženem programu; priporočam ga iz vsakodnevne uporabe in poanta tu drži na kateri koli platformi s pravo dinamično vsebino.

Vaš naslednji korak

Preštejte svoje trenutne avtomatizacije in označite vsak par, ki se razlikuje le po tem, kateri izdelki se prikažejo. Vsak par je združitev, ki čaka, da se zgodi. Ko ste zarisali nabor, ki temelji na vedenju in ga dejansko potrebujete, ga od začetka do konca razporedite s praktično arhitekturo avtomatizacije za trgovino z več kot 10.000 šiframi izdelkov in vzpostavite ponavljajoče se preverjanje z revizijo avtomatiziranih sporočil v hitro spreminjajočem se katalogu.

Large Catalog Ecommerce

How to Scale Ecommerce Automation Without Creating Hundreds of Separate Flows

Posted on July 18, 2026 by

You scale automation across a big catalog by building a handful of behavior-based flows that pull products dynamically, not one flow per category, brand, or product type. The trigger and the message logic stay the same; only the products inside the email change based on what each customer did. So instead of a separate abandoned-cart flow for shoes, one for bags, one for jackets, and forty more, you run one abandoned-cart flow that inserts whatever the shopper actually left behind. This page is about that shift — how to cover thousands of products with maybe eight to twelve flows, and where merchants usually go wrong trying to do it by hand.

The trap: one flow per situation

Here’s how it starts. You set up a browse abandonment email for your best category, and it works. So you clone it for the next category. Then a store owner asks for a version aimed at a specific brand, and you clone again. Six months later you’re staring at a flow library with sixty entries, half of them near-identical, and every product change means opening each one to check whether it’s still accurate.

I’ve watched this happen in my own stores. The flows aren’t broken — they’re just impossible to maintain. Change a discount policy and you’re editing dozens of copies. Retire a product line and you have no reliable way to know which flows still mention it. The work of running automation quietly overtakes the revenue it brings in, which is the opposite of why you automated in the first place.

Why “just make more flows” stops working

More flows feels like more precision. In a large catalog it’s mostly more surface area for things to break.

Every duplicated flow is another place a rule can drift out of date. Every product type you carve into its own automation is another segment you have to keep populated correctly. And the payoff shrinks fast, because the difference between your “shoes abandoned cart” and your “bags abandoned cart” is almost never the timing or the copy — it’s the products shown. That single variable is no reason for a separate flow. It’s a reason for a variable.

The stores that stay sane past a few thousand SKUs treat product selection as data fed into a flow, not as a reason to build another flow. This is one of the defining problems of running automation at scale, and it’s worth reading the wider view in the automation challenges unique to stores with large catalogs before you commit to a structure.

Where the loss actually shows up

The cost isn’t only your time. It’s accuracy.

Say you run 40 category-specific flows and update products manually. Realistically you’ll refresh the busy ones and let the quiet ones rot. A shopper who abandons a slow-moving category gets an email built around a product that sold out three weeks ago, or a “back in stock” nudge for a line you discontinued. Multiply that by every neglected flow and you’ve built a machine that sends confidently wrong messages at scale — which trains customers to stop trusting your emails at all.

A quick illustrative comparison. Suppose a manual, many-flows setup lets 15% of automated emails go out with at least one stale or irrelevant product, and a dynamic single-flow setup cuts that to 3%. If automation drives €8,000 a month and roughly a third of that is at risk from the mistrust stale emails create, you’re looking at real money leaking not from bad copy but from bad maintenance. (Illustrative figures — measure your own error rate before assuming yours.)

The practical solution: flows by behavior, products by data

Build your flows around what a customer did, and let a data source decide what they see. Work in this order.

List the behaviors, not the categories. Almost every store needs the same core set: welcome, abandoned cart, abandoned checkout, browse abandonment, post-purchase, cross-sell, replenishment, win-back. That’s your flow count — usually eight to twelve. Catalog size doesn’t change this number.
Make each flow product-agnostic. The copy talks about the action (“you were looking at this,” “this pairs with what you bought”), never a hard-coded product name. The email body has a slot where products drop in.
Feed the slot dynamically. The product block populates from the shopper’s own event data — the item viewed, the cart contents, the last order — or from a live rule like “top sellers in the category they browsed.”
Split with conditions, not clones. When a segment genuinely needs different treatment (say, first-time buyers versus repeat customers), add a conditional branch inside the existing flow instead of building a parallel one.
Centralize the rules that repeat. Discount policy, exclusion logic, send-time windows — define them once where every flow can reference them, so one change propagates everywhere.

The hard part is step three, because dynamic content is only as good as the product data behind it. If your feed is messy, dynamic blocks will surface the wrong things faster than any human ever could. Getting the product feeds clean enough for reliable recommendations is the groundwork that makes the whole approach safe.

What to automate, precisely

Take browse abandonment as the worked example, because it’s where large catalogs feel the pain most.

Trigger: customer views a product, doesn’t add to cart within, say, a few hours, and has an email on file.
Segment: everyone who fits the trigger — you do not pre-split by category.
Timing: first email 4–6 hours after the browse, a second 24–48 hours later if no action.
Channel: email first; SMS as an optional second touch for consented, high-value browsers.
Content: a dynamic block showing the exact product viewed, plus two or three related items pulled by a rule (same category, in stock, similar price band).
Goal: a click back to the product, then a purchase, with an exit-on-purchase rule so buyers stop receiving the sequence.

One flow. It covers a shopper who browsed a €12 phone case and a shopper who browsed a €900 sofa with the same logic, because the logic never mentions phone cases or sofas — it mentions “the thing you looked at.” To keep those dynamic blocks from going off-script, pair this with using dynamic content without losing control of the message.

A store example

Picture a homeware store with about 6,000 SKUs across lighting, textiles, kitchen, and small furniture. The founder had built 22 flows — roughly one browse and one cross-sell per major category — and spent a morning most weeks patching product links.

The fix wasn’t clever copy. It was collapsing those 22 into six behavior flows, each with a dynamic product block driven by category affinity and stock status. The maintenance morning disappeared. More to the point, the “recommended for you” blocks started reflecting live inventory automatically, so the store stopped emailing people about lamps it no longer stocked. (Illustrative example, drawn from the common pattern I see in catalog stores — your own numbers will differ.)

How to measure whether the consolidation worked

Watch these before and after you collapse your flows:

Flow count and maintenance time. The bluntest metric. Fewer flows, less weekly upkeep.
Stale-product rate. Sample sent emails and check how many showed an out-of-stock or discontinued item. This should fall sharply.
Revenue per recipient per flow. Consolidation should hold or improve this, never tank it. If a merged flow underperforms its old category versions, you’ve lost relevance somewhere in the dynamic rules.
Click rate on the product block. Tells you whether the dynamically chosen products are as relevant as your old hand-picked ones.

If revenue per recipient drops after merging, don’t rush back to many flows — audit the rules feeding your product blocks first.

How Omnisend helps

Once the structure is right, you want a tool that makes dynamic product blocks and conditional splits easy to manage in one place. In my stores I use Omnisend for this, after testing it against Klaviyo. Its product recommendation blocks pull from live catalog data, its automation editor lets you branch a single flow by segment instead of cloning it, and the same exclusion and timing rules can sit across flows rather than being re-entered in each.

Honestly, the tool only removes the manual labor. It won’t design your flow map or clean your feed for you — those decisions are yours, and they’re what actually determine whether eight flows can do the work of sixty. Omnisend is an affiliate partner of Shopimation; I recommend it from daily use, and the point here holds on any platform with real dynamic content.

Your next step

Count your current flows and mark every pair that differs only by which products appear. Each pair is a merge waiting to happen. Once you’ve mapped the behavior-based set you actually need, lay it out end to end with a practical automation architecture for a store with 10,000+ SKUs, and put a recurring check in place with how to audit automated messages in a fast-changing catalog.