Personalizacija in priporočila izdelkov

Kako emaile personalizirati glede na zgodovino nakupov

Posted on July 18, 2026 by

Zgodovina nakupov je najzanesljivejši personalizacijski podatek, ki ga imate, in dobra uporaba se zvede na štiri vprašanja, na katera lahko odgovorite za vsako stranko: kaj je kupila, iz katere kategorije, kako pogosto in kako dolgo nazaj. Ti štirje odgovori vam omogočijo, da pošljete ustrezno spremljavo – dopolnilni izdelek po prvem naročilu, opomnik za ponovno naročilo, ko bi moralo potrošno blago pojemati, ujemanje s kategorijo namesto splošnega razpošiljanja in drugačno sporočilo za stranko pri šestem naročilu kot za tisto pri prvem. Za razliko od podatkov o brskanju so podatki o nakupih popolni, nedvoumni in nekaj, za kar stranka ve, da imate, zato se lahko nanje sklicujete odkrito, ne da bi se kdo počutil opazovanega. Če vaši emaili trenutno obravnavajo trikratnega kupca enako kot včerajšnjega prvič-kupca, je to najbolj donosen popravek, ki vam je na voljo.

Da ostanejo nameni čisti: ta članek govori o rudarjenju preteklih naročil. Kaj si nekdo ogleduje prav zdaj, je drugačen signal z drugačnimi pravili – to je uporaba vedenja med brskanjem za boljša priporočila izdelkov.

Težava: vsaka stranka dobi e-novice in to je to

Trgovina s 40.000 € na mesec ima morda 4.000 preteklih strank na seznamu. V večini trgovin, ki jih vidim, vseh 4.000 prejme identične kampanje. Ženska, ki je štirikrat naročila nego kože, dobi isti email kot moški, ki je decembra kupil eno darilno zbirko – ista zadeva, isti izdelki, ista ponudba.

Oba to čutita. Ona se sprašuje, zakaj ji nenehno kažete moško linijo, ki se je ni nikoli dotaknila. On se sprašuje, zakaj mu trgovina, ki jo je uporabil enkrat, pošilja emaile kot stalnemu kupcu. Nobeden email ni ravno napačen. Oba se dasta prezreti, prezrljivo pa se kopiči: vsako nerelevantno pošiljanje uči prejemnika, naj preskoči naslednje.

Frustrirajoče je, da tabela naročil v zaledju vaše trgovine že odgovarja, kaj bi moral vsak od njiju dobiti. To je edini nabor podatkov, ki ga ima vsaka trgovina od prvega dne – brez sledilne skripte, brez zapletov s soglasjem, brez vrzeli.

Zakaj več kampanj in večji popusti tega ne popravijo

Ko ponovni nakupi zaostajajo, je refleks obseg: več kampanj, širše promocije, koda za celotno stran. To obravnava težavo z relevantnostjo kot težavo z dosegom.

Stranka, ki je kupila tekaške copate, ne potrebuje 20 % popusta na vse. Potrebuje slišati o nogavicah, vložkih in gelu za dan tekme – po možnosti okoli časa, ko je njena kilometrina obrabila prvi par. Popust za celotno stran jo morda vseeno ujame, a ste zapravili maržo na vseh 4.000 ljudeh, da bi pridobili nazaj en segment, in seznam ste naučili, da čakanje prinaša kupone. Relevantnost dobi ponovno naročilo, ne da bi zanj plačala; zgodovina je tam, od koder izvira relevantnost.

Kje izteka denar: štiri vrzeli v nepersonaliziranem seznamu

Vrzel dopolnitve. Prvič-kupci nikoli ne slišijo o izdelkih, ki naravno sledijo njihovemu nakupu, zato se druga naročila, ki bi morala biti rutinska, nikoli ne zgodijo.
Vrzel časovnice. Potrošno blago poide po urniku, ki ga razkriva tabela naročil, in noben email ne prispe ob času za ponovno naročilo – zato se ponovno naročilo zgodi na Amazonu ali kjer koli se stranka pač znajde.
Vrzel kategorije. Trgovine z več kategorijami vsaki stranki kažejo iste izdelke, tako da dejansko interesno področje kupca za mesece pošiljanj potemni.
Vrzel zvestobe. Vaše najboljše stranke so obravnavane kot neznanci. Nič v poštnem predalu ne odseva, da so naročile petkrat, kar je ravno trenutek, ko se popust konkurenta za prvi nakup zdi mikaven.

Vsaka vrzel je določena, izsledljiva skupina strank v vaših podatkih o naročilih – kar je tisto, zaradi česar je to popravljivo v enem popoldnevu, ne v četrtletju.

Praktična rešitev: štiri poteze, po vrstnem redu donosnosti

1. Razdelite seznam po številu nakupov: 0, 1, 2+. Preden se lotite česa pametnega, ločite potencialne stranke, enkratne kupce in ponovne stranke. Že ta groba delitev spremeni, kaj pošiljate: pridobitno vsebino prvi skupini, “tukaj je, kar se poda k vašemu naročilu” drugi, zvestobo in zgodnji dostop tretji. Večina vrednosti personalizacije po zgodovini nakupov izhaja iz te ene segmentacije in vzame nekaj minut.

2. Dodajte kategorijo zadnjega nakupa. Stranke označite po kategoriji njihovega najnovejšega naročila in to uporabite za odločanje, kateri izdelki se pojavijo v kampanjah. Kupec nege kože vidi izbore, sorodne negi kože; kupec daril vidi darilne izdelke pred naslednjim praznikom.

3. Dodajte nedavnost. Koliko časa od zadnjega naročila – 0–30 dni, 31–90, 91–180, 180+ deluje za večino trgovin. Nedavnost odloča o tonu prav toliko kot o vsebini: 30-dnevna stranka dobi predlog dopolnitve, 200-dnevna stranka potrebuje ponovno vključitev, mešanje teh sporočil pa je to, kako trgovine na koncu ponujajo popuste za vrnitev ljudem, ki so kupili prejšnji teden.

4. Vključite vrednost naročila, če cene sežejo čez razpon. Stranke, katere naročila v povprečju znašajo 150 €, ne bi smeli voditi k vašim vstopnim izdelkom za 15 €, obratno pa moti varčne kupce. Obravnava na podlagi porabe je tema zase – glejte personalizacija emailov po vrednosti stranke.

Ena disciplina velja za vse štiri: zavrite, kar že imajo. Priporočanje točno tistega izdelka, ki ga je nekdo pravkar kupil, je najpogostejša samopovzročena rana na tem področju, dovolj pogosta, da jo obravnavamo ločeno v kako se izogniti priporočanju izdelkov, ki jih je stranka že kupila.

Kaj avtomatizirati najprej: tok dopolnitve po nakupu

Če iz zgodovine nakupov zgradite eno avtomatizacijo, zgradite to.

Sprožilec: oddano naročilo.
Segment: prvič-kupci (ponovni kupci dobijo krajšo različico ali povsem drug tok).
Zamik: po dostavi plus nekaj dni – približno 7.–10. dan od naročila. Izdelek naj bi prispel in bil uporabljen, preden predlagate, kaj se mu poda.
Kanal: email; en sam SMS je zagovorljiv pozneje v toku za trgovine, kjer se SMS že splača.
Vsebina: resnično koristno sporočilce o izdelku, ki so ga kupili (nega, nastavitev, neočitna uporaba), nato dva ali trije dopolnilni izdelki, izbrani za ta izdelek. Kupili litoželezno ponev? Verižna gobica, lesena lopatica, kuharska knjiga.
Cilj: drugi nakup v 60 dneh.

Celotna logika parjenja – kateri dopolnilni izdelki, po kakšni ceni glede na izvirni – je svoj vodnik: kako priporočati dopolnilne izdelke po nakupu. Za potrošno blago pa klonirajte tok z zamikom, prilagojenim življenjski dobi izdelka: prodajate 60-dnevne prehranske dodatke, opomnite na 45. dan.

Primer s številkami (ilustrativno)

Trgovina s potrebščinami za hišne ljubljenčke ima 3.000 enkratnih kupcev. Recimo, da jih je 1.800 kupilo pasjo hrano, 900 mačjo hrano, 300 dodatke. Splošna mesečna kampanja to skupino konvertira pri 0,8 %.

Zdaj trgovina pošlje isto kampanjo, a blok izdelkov poganja kategorija zadnjega nakupa in zadeva to odseva. Nič drugega se ne spremeni. Če ujemanje kategorij dvigne konverzijo na 1,4 % – skromen dvig za prehod z nerelevantnega na relevantno – je to 18 dodatnih naročil na mesec iz enega samega polja v podatkih o naročilih. Ob povprečnem naročilu 45 € je to približno 800 € na mesec, brez vsakršnega popuščanja. (Ilustrativne številke; vašo dejansko številko določata vaša izhodiščna konverzija in velikost seznama.)

Nato se začne kopičenje: pasja hrana je potrošno blago, zato teh 1.800 strank hrani tudi tok ponovnega naročila z zamikom, ki temelji na velikosti vrečke.

Kako to izmeriti

Stopnja ponovnih nakupov (delež strank z 2 ali več naročili) – glavna metrika, zaradi katere vse to obstaja.
Čas do drugega nakupa – tok dopolnitve bi ga moral skrajšati.
Prihodek na prejemnika, segmentirana pošiljanja v primerjavi z vašimi starimi razpošiljanji – neposredna primerjava relevantnosti.
Prihodek iz toka po nakupu, pripisan v obdobju 60 dni.
Stopnja odjav po segmentu – če se enkratni kupci odjavljajo hitreje od ponovnih, vaše sporočanje njim še vedno zgreši.

Stopnja ponovnih nakupov je tudi most do širše slike: njeno dvigovanje je mehanizem za uporabo avtomatizacije emailov za povečanje življenjske vrednosti stranke.

Kje se vključi Omnisend

Vse zgoraj je logika, neodvisna od platforme. Za svoje trgovine ga poganjam v Omnisendu – preizkusil sem tudi Klaviyo in izbral Omnisend zaradi enostavnejše samopostrežne nastavitve in boljših cen pri običajnih obsegih trgovin. Kar šteje za ta primer uporabe: integracija trgovine samodejno sinhronizira zgodovino naročil, tako da so segmenti, kot je “1 naročilo, kategorija = pasja hrana, pred 40+ dnevi”, stvar klika in ne izvoza preglednice. Po nakupu je standarden sprožilec toka, zamiki se lahko navezujejo na datum naročila, priporočevalnik izdelkov pa lahko izključi že kupljene izdelke.

Pošten pridržek: personalizacija po zgodovini nakupov je tako dobra kot struktura vašega kataloga. Če so vaše kategorije zmešnjava ali polovica vaših izdelkov sedi v “Nerazvrščeno”, najprej to popravite – nobena platforma ne more segmentirati po strukturi, ki je nimate.

Vaš naslednji korak

Danes izluščite eno številko: kolikšen odstotek vaših strank je kdaj oddalo drugo naročilo. Če je pod tretjino, zgradite tridelno delitev (0 / 1 / 2+ nakupov) in ta teden zaženite tok dopolnitve po nakupu za prvič-kupce. Ta en sam tok se običajno mnogokrat poplača za popoldan, ki ga vzame – in je temelj, na katerega se nalaga preostanek vašega sistema, gnanega z zgodovino.

Personalization and Product Recommendations

Personalizing Emails Based on Purchase History

Posted on July 17, 2026 by

Purchase history is the most reliable personalization data you own, and using it well comes down to four questions you can answer for every customer: what did they buy, from which category, how often, and how long ago. Those four answers let you send the follow-up that fits — a complementary product after a first order, a reorder reminder when a consumable should be running low, a category-matched feature instead of a generic blast, and a different message for the customer on order six than the one on order one. Unlike browsing data, purchase data is complete, unambiguous, and something the customer knows you have, so you can reference it openly without anyone feeling watched. If your emails currently treat a three-time buyer the same as yesterday’s first-timer, this is the highest-payoff fix available to you.

To keep intents clean: this article is about mining past orders. What someone is looking at right now is a different signal with different rules — that’s using browsing behavior for better product recommendations.

The problem: every customer gets the newsletter, and that’s it

A store doing €40k a month might have 4,000 past customers on its list. In most stores I see, all 4,000 receive identical campaigns. The woman who’s ordered skincare four times gets the same email as the man who bought one gift set in December — same subject, same products, same offer.

Both of them can feel it. She wonders why you keep showing her the men’s line she’s never touched. He wonders why a store he used once emails him like a regular. Neither email is wrong, exactly. Both are ignorable, and ignorable compounds: every irrelevant send trains the recipient to skip the next one.

The frustrating part is that the order table in your store back end already answers what each of them should get. It’s the one dataset every store has from day one — no tracking script, no consent complications, no gaps.

Why more campaigns and bigger discounts don’t fix it

When repeat purchases lag, the reflex is volume: more campaigns, broader promotions, a sitewide code. That treats a relevance problem as a reach problem.

The customer who bought running shoes doesn’t need 20% off everything. She needs to hear about socks, insoles, and the race-day gel — ideally around the time her mileage has worn the first pair down. A sitewide discount might catch her anyway, but you’ve spent margin on all 4,000 people to win back one segment, and you’ve taught the list that waiting produces coupons. Relevance gets the repeat order without paying for it; history is where relevance comes from.

Where the money leaks: four gaps in an unpersonalized list

The complement gap. First-time buyers never hear about the products that naturally follow their purchase, so second orders that should be routine never happen.
The timing gap. Consumables run out on a schedule your order data reveals, and no email arrives at reorder time — so the reorder happens on Amazon, or wherever the customer happens to be.
The category gap. Multi-category stores show every customer the same products, so a buyer’s actual interest area goes dark for months of sends.
The loyalty gap. Your best customers get treated like strangers. Nothing in the inbox reflects that they’ve ordered five times, which is exactly the moment a competitor’s first-purchase discount looks appealing.

Each gap is a specific, findable set of customers in your order data — which is what makes this fixable in an afternoon rather than a quarter.

The practical solution: four moves, in order of payoff

1. Split the list by purchase count: 0, 1, 2+. Before anything clever, separate prospects, one-time buyers, and repeat customers. Even this crude cut changes what you send: acquisition content to the first group, “here’s what goes with your order” to the second, loyalty and early access to the third. Most of the value of purchase-history personalization comes from this one segmentation, and it takes minutes.

2. Add last-purchase category. Tag customers by the category of their most recent order, and use it to drive which products appear in campaigns. The skincare buyer sees skincare-adjacent picks; the gift buyer sees giftable items before the next holiday.

3. Add recency. How long since the last order — 0–30 days, 31–90, 91–180, 180+ works for most stores. Recency decides tone as much as content: a 30-day customer gets a complement suggestion, a 200-day customer needs re-engagement, and mixing those messages up is how stores end up offering win-back discounts to people who bought last week.

4. Layer in order value if you price across a range. A customer whose orders average €150 shouldn’t be led to your €15 entry products, and the reverse annoys budget buyers. Spend-based treatment is a topic of its own — see personalizing email by customer value.

One discipline applies across all four: suppress what they already own. Recommending the exact product someone just bought is the most common self-inflicted wound in this area, common enough that we cover it separately in avoiding recommending products a customer already bought.

What to automate first: the post-purchase complement flow

If you build one automation from purchase history, build this.

Trigger: order placed.
Segment: first-time buyers (repeat buyers get a shorter variant, or a different flow entirely).
Delay: after delivery plus a few days — roughly day 7–10 from the order. The product should have arrived and been used before you suggest what goes with it.
Channel: email; a single SMS is defensible later in the flow for stores where SMS already earns its keep.
Content: a genuinely useful note about the product they bought (care, setup, a non-obvious use), then two or three complements chosen for that product. Bought the cast-iron pan? Chainmail scrubber, wood spatula, the cookbook.
Goal: second purchase within 60 days.

The full logic of pairing — which complements, at what price relative to the original — is its own guide: how to recommend complementary products after purchase. And for consumables, clone the flow with a delay matched to product lifespan: sell 60-day supplements, remind on day 45.

An example with numbers (illustrative)

A pet supply store has 3,000 one-time buyers. Suppose 1,800 bought dog food, 900 cat food, 300 accessories. The generic monthly campaign converts this group at 0.8%.

Now the store sends the same campaign, but the product block is driven by last-purchase category and the subject reflects it. Nothing else changes. If category matching lifts conversion to 1.4% — a modest lift for going from irrelevant to relevant — that’s 18 extra orders a month from one field in the order data. At a €45 average order, about €800 a month, with zero discounting. (Illustrative figures; your baseline conversion and list size set the real number.)

Then the compounding starts: dog food is a consumable, so those 1,800 customers also feed a reorder flow with a delay based on bag size.

How to measure it

Repeat purchase rate (share of customers with 2+ orders) — the headline metric all of this exists to move.
Time to second purchase — the complement flow should shorten it.
Revenue per recipient, segmented sends vs. your old blasts — the direct comparison of relevance.
Revenue from the post-purchase flow attributed over 60 days.
Unsubscribe rate by segment — if one-time buyers unsubscribe faster than repeats, your messaging to them still misses.

Repeat rate is also the bridge to the bigger picture: lifting it is the mechanism behind using email automation to increase customer lifetime value.

Where Omnisend fits

All of the above is platform-agnostic logic. I run it in Omnisend for my own stores — I tried Klaviyo too, and chose Omnisend for the simpler self-service setup and better pricing at typical store volumes. What matters for this use case: the store integration syncs order history automatically, so segments like “1 order, category = dog food, 40+ days ago” are point-and-click rather than a spreadsheet export. Post-purchase is a standard flow trigger, delays can key off the order date, and the product recommender can exclude already-purchased items.

The honest caveat: purchase-history personalization is only as good as your catalog structure. If your categories are a mess or half your products sit in “Uncategorized,” fix that first — no platform can segment on structure you don’t have.

Your next step

Pull one number today: what percentage of your customers have ever placed a second order. If it’s under a third, build the three-bucket split (0 / 1 / 2+ purchases) and launch the post-purchase complement flow for first-time buyers this week. That single flow usually pays for the afternoon it takes many times over — and it’s the foundation the rest of your history-driven system stacks onto.