Od prvega do drugega nakupa

Kako prvi nakup uporabiti za napoved naslednjega najboljšega izdelka

Posted on July 18, 2026 by

Prvi izdelek, ki ga kupec kupi, je najboljši napovednik tega, kaj bo želel naslednje — boljši od njegove demografije, vira prometa ali česarkoli, na kar je kliknil. Da ga izkoristite, iz svoje zgodovine naročil zgradite preproste vzorce “kupil je X, nato kupil Y”, svoje vstopne izdelke združite v peščico predvidljivih poti in najverjetnejši naslednji izdelek vnesete v svoja priporočila po nakupu. Za začetek ne potrebujete strojnega učenja. Potrebujete pogledati, kaj so vaši obstoječi ponovni kupci dejansko počeli po prvem naročilu, in nehati vsakemu novemu kupcu prikazovati isto splošno mrežo najbolje prodajanih izdelkov. Ta stran govori o tem, kako signal prvega naročila spremeniti v napoved naslednjega izdelka, na katero lahko ukrepate.

Zakaj vam prvi nakup pove tako veliko

Prvo naročilo je kupec, ki vam z denarjem pove, kateri problem rešuje in kakšen okus ima. Nekdo, ki kupi tekaške čevlje, je verjetno na trgu za nogavice, vložke ali drugi par kasneje — ne za vrtno pohištvo. To se sliši očitno. Manj očitno je, koliko trgovin ta signal zavrže in vsem priporoča ista najbolje prodajana izdelka po celotni trgovini, ne glede na to, kaj so pravkar kupili.

Napoved, za katero vam gre, ima specifično obliko: glede na to, da je bil kupčev prvi nakup izdelek (ali kategorija) X, kateri izdelek Y bo najverjetneje kupil naslednje in najhitreje? Odgovorite na to za vsak vstopni izdelek in vaše e-pošte po nakupu nehajo ugibati.

Zakaj splošna mreža najbolje prodajanih izdelkov ni dovolj dobra

Privzeti blok priporočil — “naši najbolje prodajani” — se zdi varen. Napolni se samodejno, nikoli ni prazen in tehnično prikazuje izdelke. Težava je ustreznost. Vaši najbolje prodajani izdelki so najbolje prodajani, ker privlačijo široko, kar pomeni, da so najmanj prilagojena stvar, ki bi jo lahko prikazali določenemu kupcu, ki vam je pravkar povedal točno, kaj ga zanima.

Kupcu, ki je kupil litoželezno ponev, prikažite mrežo svojih splošnih najbolje prodajanih izdelkov in morda izpostavite steklenico za vodo in stojalo za telefon. Prikažite mu olje za nego litega železa, strgalo za ponev in kuharsko knjigo in nagovarjate odločitev, ki jo je pravkar sprejel. Isti prostor v e-pošti, divje različne možnosti klika. Več priporočil tega ne popravi — dvanajst splošnih izdelkov pretvarja slabše kot dva ustrezna, ker ustreznost, ne količina, je tisto, kar prisluži drugo naročilo.

Tudi dvig izdatkov za oglase ali izstreljevanje več promocij zgreši poanto. Kupec je že vaš. Vzvod tukaj je poznati ga dovolj dobro, da predlagate pravo naslednjo stvar, ne plačati, da ga znova dosežete.

Kje se skriva zamujeni prihodek

Izguba je vrzel med tem, kaj bi lahko napovedali, in tem, kar dejansko priporočite. Vsaka e-pošta po nakupu, ki prikaže splošno mrežo kupcu, čigar naslednji najboljši izdelek je bilo mogoče poznati, je majhna, ponavljajoča se izguba.

Hiter način, da jo ocenite: pridobite svoje ponovne kupce in poglejte zaporedja dveh naročil. Če je jasen del ljudi, ki so kupili izdelek X, kasneje kupil izdelek Y, vaše e-pošte pa kupcev X nikoli niso usmerile k Y, lahko ocenite, koliko več prodaj Y bi lahko prineslo ciljano priporočilo. Že skromen dvig — recimo, da ustrezna priporočila pretvarjajo nekaj odstotnih točk bolje kot splošna mreža — se sešteva čez vsakega kupca ob prvem nakupu, mesec za mesecem, na prometu, za katerega ste že plačali.

Obstaja sorodno, globlje vprašanje, vredno ločitve. Onkraj tega, kaj ljudje kupijo naslednje, leži vprašanje, kateri vstopni izdelki vodijo do najbolj zvestih kupcev nasploh. To je svoja analiza — kako ugotoviti, kateri prvi izdelki ustvarjajo najbolj zveste kupce — in spremeni, katere vstopne izdelke bi želeli pridobivati več, poleg tega, kar priporočite za njimi.

Kako zgraditi napoved iz svojih podatkov

Prvo različico lahko naredite v preglednici. Cilj je iskalna tabela: za vsak vstopni izdelek ali kategorijo eden ali dva najboljša “naslednja” izdelka.

1. korak — Izvozite kupce z dvema naročiloma. Pridobite vsakogar z vsaj dvema naročiloma in zabeležite njegov prvi in drugi izdelek. Potrebujete le zgodovino naročil, ki jo že imate.

2. korak — Preštejte prehode. Za vsak prvi izdelek X preštejte, kaj so ljudje kupili kot drugo naročilo. Najpogostejše vrednosti Y so vaše kandidatne napovedi. To naredite tudi na ravni kategorije, saj posamezni izdelki hitro postanejo redki — “prvič kupil iz Kave, naslednjič kupil iz Dodatkov” je bolj stabilno kot ena specifična vrečka k enemu specifičnemu mlinčku.

3. korak — Preverite z logiko izdelkov. Sami podatki lahko zavajajo. Če je prehod pogost le zato, ker je Y najbolje prodajan izdelek po celotni trgovini, ki ga kupijo vsi, potem X v resnici ne napoveduje — je le priljubljen. Dajte prednost prehodom, ki so smiselni tudi kot dopolnila ali naravni naslednji koraki (dopolnitev potrošnega izdelka, ujemajoč dodatek, naslednja stopnja višje). Kjer je vstopni izdelek sam najbolje prodajan, ima logika “kaj naslednje” nekaj posebnosti, vrednih svojega branja: kaj ponuditi, potem ko kupec kupi najbolje prodajan izdelek.

4. korak — Obravnavajte primer trpežnega blaga. Če je prvi nakup enkraten kos trpežnega blaga (vzmetnica, zimski plašč), naslednji najboljši izdelek skoraj nikoli ni ista kategorija. Vaša tabela naj te kupce usmeri k dopolnilom in potrošnim izdelkom, ne k ponovitvi izdelka.

5. korak — Zapišite jo v svoja priporočila. Tabelo spremenite v pravila: če je prvi izdelek v kategoriji X, blok po nakupu prikaže Y. Začnite s svojimi petimi najboljšimi vstopnimi izdelki — pokrili bodo večino vaših kupcev ob prvem nakupu.

Eno opozorilo glede matematike za vsakim samodejnim strojem “kupci so kupili tudi”: korelacija ni namera. Orodje lahko izpostavi, da se X in Y pojavljata skupaj, ne da bi vedelo zakaj. Vaša presoja izdelka je filter, ki ohranja napoved pošteno — obravnavajte to kot trditev, ki jo je treba preveriti proti resničnim dopolnilom, ne kot črno škatlo, ki ji slepo zaupate.

Kaj avtomatizirati

Ko imate iskalno logiko, je tok preprost:

Sprožilec: oddano prvo naročilo.
Segment: po vstopnem izdelku ali kategoriji tega prvega naročila — to je celotna ideja. Vsak segment dobi drugačen priporočen naslednji izdelek.
Časovnica: usklajena z vašim oknom po nakupu, po pomirjujočih sporočilih, ne preden je izdelek sploh prispel. Kdaj natanko nekoga spustiti v tok navzkrižne prodaje, je svoja odločitev — kdaj naj kupec ob prvem nakupu vstopi v tok navzkrižne prodaje.
Kanal: e-pošta za priporočilo, z napovedanim izdelkom, ki je že naložen in povezan.
Vsebina: eden ali dva res ustrezna naslednja izdelka z razlogom (“gre skupaj z [izdelkom], ki ste ga kupili”), ne mreža.
Cilj: drugi nakup iz predloga, ki ga kupec prepozna kot ustreznega.

Pravilo, ki šteje: priporočilo razvejite po vstopnem izdelku. Če vaš tok prikaže isti blok kupcu ponve in kupcu kave, ste avtomatizirali splošno mrežo, le z dodatnimi koraki.

Primer iz trgovine

Predstavljajte si trgovino s kuhinjsko opremo. (Ilustrativne številke.) Njihova zgodovina naročil kaže, da je od kupcev, katerih prvi nakup je bila litoželezna ponev, velik delež kupil olje za negovanje ali strgalo za ponev kot drugo naročilo — običajno v enem mesecu, saj je ponev potrebovala nego. Medtem je splošna e-pošta trgovine po nakupu vsem novim kupcem prikazovala kuhinjski robot, njihov splošni najbolje prodajan izdelek.

Razvejijo ga: kupci ponve zdaj dobijo “poskrbite, da bo vaša ponev srečna” z oljem za negovanje in strgalom. Če je 200 kupcev ponve na mesec prej videlo mrežo z robotom in pretvorilo pri 2 %, ciljana e-pošta za nego pa pretvarja pri 6 % na 12 € ustreznih dodatkov, je to približno 8 dodatnih drugih naročil in okoli 100 € več na mesec iz enega vstopnega izdelka — ponavljajoče se in pomnoženo čez vsak drug vstopni izdelek, ki ga preslikate. Številke so ilustrativne; mehanizem je resničen.

Kako izmeriti, ali napoved deluje

Stopnja pretvorbe drugega nakupa: e-pošta z napovedanim izdelkom proti splošni mreži. Poganjajte ju vzporedno. To je neposreden test tega, ali vaša napoved premaga privzeto možnost.
Stopnja klikov na priporočilo, ki vam pove, ali je predlagani izdelek ustrezen, še preden kdorkoli kupi.
Vrednost dodatnega/drugega naročila — ali napovedana priporočila dvigujejo, kolikor ljudje potrošijo pri drugem naročilu?
Pokritost — kolikšen delež vaših kupcev ob prvem nakupu pade v preslikan segment vstopnega izdelka? Nizka pokritost pomeni, da bi morali preslikati več vstopnih izdelkov.

Če napovedana pot preneha pretvarjati, se je vzorec morda premaknil (izdelek so ukinili, okusi so se premaknili) — prehode preštejte občasno, namesto da zaupate lanskoletni tabeli.

Kako pomaga Omnisend

Na dva načina. Prvič, segmentiranje po izdelku ali kategoriji prvega nakupa in ustrezno razvejanje toka je vgrajeno — nastavite pogoj vstopnega izdelka in vsaka veja prikaže svoj priporočen naslednji izdelek. Drugič, njegovi bloki priporočil izdelkov lahko samodejno napolnijo sorodne izdelke, kar je spodobno izhodišče, ko so vaši lastni podatki o prehodih redki. Omnisend uporabljam v svojih trgovinah, potem ko sem ga preizkusil proti Klaviyu, in izgradnja logike “če je bil prvi izdelek X, prikaži Y” je vzela popoldne, ne pa podatkovnega projekta.

Iskren del: samodejni stroj za priporočila je le tako dober kot logika in katalog za njim. Lahko izpostavi sopojavljanje, a ne more vedeti, da je Y slab predlog, ker ga v kupčevi regiji ni na zalogi, ali da je vaš pravi najboljši naslednji izdelek tisti, ki ste ga pravkar lansirali brez zgodovine. Vaša presoja ostane v zanki. Omnisend je partner Shopimationa v okviru partnerskega programa; priporočam ga iz vsakodnevne rabe, brezplačni paket pa zadostuje za izgradnjo razvejanega toka priporočil po vstopnem izdelku za vaše najbolje prodajane izdelke.

Vaš naslednji korak

Ta teden izvozite svoje kupce z dvema naročiloma in zgradite tabelo prehodov za svojih pet največjih vstopnih izdelkov — ta ena preglednica vam pove več o tem, kaj priporočiti, kot kateri koli algoritem, ki bi ga lahko kupili. Nato razvejite eno samo e-pošto po nakupu po prvem izdelku in jo testirajte proti svoji splošni mreži. Ko pretvarja, odločite pravi trenutek za pošiljanje z kdaj naj kupec ob prvem nakupu vstopi v tok navzkrižne prodaje.

First-to-Second Purchase

How to Use the First Purchase to Predict the Next Best Product

Posted on July 18, 2026 by

The first product a customer buys is the single best predictor you have of what they’ll want next — better than their demographics, their traffic source, or anything they clicked. To use it, you build simple “bought X, then bought Y” patterns from your own order history, group your entry products into a handful of predictable paths, and feed the most likely next product into your post-purchase recommendations. You don’t need machine learning to start. You need to look at what your existing repeat customers actually did after their first order, and stop showing every new buyer the same generic bestseller grid. This page is about turning that first-order signal into a next-product prediction you can act on.

Why the first purchase tells you so much

A first order is a customer telling you, with their money, what problem they’re solving and what taste they have. Someone who buys running shoes is probably in the market for socks, insoles, or a second pair down the line — not garden furniture. That sounds obvious. What’s less obvious is how many stores throw the signal away and recommend the same store-wide bestsellers to everyone, regardless of what they just bought.

The prediction you’re after has a specific shape: given that a customer’s first purchase was product (or category) X, which product Y are they most likely to buy next, and soonest? Answer that per entry product and your post-purchase emails stop guessing.

Why the generic bestseller grid isn’t good enough

The default recommendation block — “our top sellers” — feels safe. It’s populated automatically, it’s never empty, and it technically shows products. The problem is relevance. Your top sellers are top sellers because they appeal broadly, which means they’re the least tailored thing you could show a specific customer who just told you exactly what they’re into.

Show a new customer who bought a cast-iron skillet a grid of your overall bestsellers and you might surface a water bottle and a phone stand. Show them cast-iron seasoning oil, a pan scraper, and a recipe book, and you’re speaking to the decision they just made. Same email slot, wildly different odds of a click. More recommendations don’t fix this — twelve generic products convert worse than two relevant ones, because relevance, not volume, is what earns the second order.

Raising ad spend or blasting more promotions also skips the point. The customer is already yours. The lever here is knowing them well enough to suggest the right next thing, not paying to reach them again.

Where the missed revenue hides

The leak is the gap between what you could predict and what you actually recommend. Every post-purchase email that shows a generic grid to a customer whose next-best product was knowable is a small, repeated loss.

A quick way to size it: pull your repeat customers and look at the two-order sequences. If a clear chunk of people who bought product X went on to buy product Y, but your emails never pointed the X-buyers at Y, you can estimate how many more Y sales a targeted recommendation might have earned. Even a modest lift — say relevant recommendations convert a few points better than the generic grid — compounds across every first-time buyer, month after month, on traffic you’ve already paid for.

There’s a related, deeper question worth separating out. Beyond what people buy next lies which entry products lead to the most loyal customers overall. That’s its own analysis — how to find which first products create the most loyal customers — and it changes which entry products you’d want to acquire more of, on top of what you recommend after them.

How to build the prediction from your own data

You can do the first version in a spreadsheet. The goal is a lookup table: for each entry product or category, the top one or two “next best” products.

Step 1 — Export your two-order customers. Pull everyone with at least two orders and note their first product and their second. You only need order history you already have.

Step 2 — Count the transitions. For each first product X, tally what people bought as their second order. The most frequent Y values are your candidate predictions. Do this at the category level too, since individual SKUs get thin fast — “first bought from Coffee, next bought from Accessories” is more stable than one specific bag to one specific grinder.

Step 3 — Sanity-check with product logic. Data alone can mislead. If a transition is common only because Y is a store-wide bestseller everyone buys, it’s not really predicted by X — it’s just popular. Favour transitions that also make sense as complements or natural next steps (consumable refill, matching accessory, the next tier up). Where the entry product is itself a best-seller, the “what next” logic has some quirks worth their own read: what to offer after a customer buys a best-selling product.

Step 4 — Handle the durable case. If the first purchase is a one-and-done durable (a mattress, a winter coat), the next best product is almost never the same category. Your table should point these buyers at complements and consumables, not a repeat of the item.

Step 5 — Write it into your recommendations. Turn the table into rules: if first product is in category X, the post-purchase block shows Y. Start with your top five entry products — they’ll cover most of your first-time buyers.

One caution on the math behind any automated “customers also bought” engine: correlation isn’t intent. A tool can surface that X and Y co-occur without knowing why. Your product judgment is the filter that keeps the prediction honest — treat this as a claim to verify against real complements, not a black box to trust blindly.

What to automate

Once you have the lookup logic, the flow is straightforward:

Trigger: first order placed.
Segment: by the entry product or category of that first order — this is the whole idea. Each segment gets a different recommended next product.
Timing: aligned with your post-purchase window, after the reassurance messages, not before the product’s even arrived. When exactly to drop someone into a cross-sell is its own decision — when should a first-time buyer enter a cross-sell flow.
Channel: email for the recommendation, with the predicted product pre-loaded and linked.
Content: one or two genuinely relevant next products with a reason (“goes with the you bought”), not a grid.
Goal: the second purchase, from a suggestion the customer recognises as relevant.

The rule that matters: branch the recommendation by entry product. If your flow shows the same block to a skillet buyer and a coffee buyer, you’ve automated the generic grid, just with extra steps.

A store example

Picture a kitchenware store. (Illustrative figures.) Their order history shows that of customers whose first buy was the cast-iron skillet, a large share bought seasoning oil or a pan scraper as their second order — usually within a month, as the pan needed care. Meanwhile the store’s generic post-purchase email was showing all new buyers a stand mixer, their overall bestseller.

They branch it: skillet buyers now get “keep your pan happy” with seasoning oil and a scraper. If 200 skillet buyers a month previously saw the mixer grid and converted at 2%, and the targeted care email converts at 6% on €12 of relevant add-ons, that’s roughly 8 extra second orders and about €100 more a month from one entry product — repeating, and multiplied across every other entry product you map. The numbers are illustrative; the mechanism is real.

How to measure whether the prediction works

Second-purchase conversion rate: predicted-product email vs generic grid. Run them side by side. This is the direct test of whether your prediction beats the default.
Recommendation click-through rate, which tells you whether the suggested product is relevant even before anyone buys.
Attach/second-order value — are predicted recommendations lifting what people spend on order two?
Coverage — what share of your first-time buyers fall into a mapped entry-product segment? Low coverage means you should map more entry products.

If a predicted path stops converting, the pattern may have shifted (a product got discontinued, tastes moved) — recount the transitions periodically rather than trusting last year’s table.

How Omnisend helps

Two ways. First, segmenting by first-purchase product or category and branching the flow accordingly is native — you set the entry-product condition and each branch shows its own recommended next product. Second, its product recommendation blocks can auto-populate related items, which is a decent starting point when your own transition data is thin. I use Omnisend in my stores after testing it against Klaviyo, and building “if first product was X, show Y” logic took an afternoon, not a data project.

The honest part: an automated recommendation engine is only as good as the logic and catalogue behind it. It can surface co-occurrence, but it can’t know that Y is a bad suggestion because it’s out of stock in the customer’s region, or that your real best next product is one you just launched with no history yet. Your judgment stays in the loop. Omnisend is an affiliate partner of Shopimation; I recommend it from daily use, and the free tier is enough to build a branched, entry-product recommendation flow for your top sellers.

Your next step

Export your two-order customers this week and build the transition table for your five biggest entry products — that one spreadsheet tells you more about what to recommend than any algorithm you could buy. Then branch a single post-purchase email by first product and test it against your generic grid. When it’s converting, decide the right moment to send it with when should a first-time buyer enter a cross-sell flow.