Odkrivanje izdelkov in spletno trgovsko prikazovanje

Zakaj priljubljeni izdelki niso vedno najboljše priporočilo

Posted on July 18, 2026 by

Priljubljen izdelek je varna stava za neznanca in slaba stava za nekoga, o katerem že nekaj veste. Prodajne uspešnice si svoje mesto zaslužijo, ker nagovarjajo najširši del vašega občinstva – kar je ravno razlog, da pogosto zgrešijo potrebo enega določenega kupca. Ko vsem priporočate isto najboljšo peterico, se vračajočemu kupcu vedno znova prikazujejo stvari, ki jih je že videl, jih že ima ali se je zanje že odločil, da jih noče. Najmočnejše priporočilo je tisto, ki je za to osebo prav zdaj najverjetneje pomembno – na podlagi tega, kaj si je ogledala, kupila ali brskala. Včasih je to vaša uspešnica. Pogosto pa je to izdelek dve vrstici nižje, o katerem nihče ne govori. Ta članek pokriva, kdaj priljubljenost pomaga, kdaj vas tiho stane naročil in kako izbrati, kateremu signalu zaupati.

Kaj “priljubljenost” pravzaprav meri

Seznam prodajnih uspešnic je zapis o tem, kaj je povprečni obiskovalec kupil v nekem preteklem obdobju. To je koristna informacija. Pove vam, da ima izdelek širok doseg, spodobne ocene in ceno, ki jo večina ljudi sprejme. Za prvega obiskovalca brez zgodovine je izpostavljanje takega izdelka razumna privzeta izbira.

Toda priljubljenost je povprečje, vaši kupci pa niso povprečja. Seznam odraža množico, ki je že prišla skozi vrata, in je močno naklonjen tistim, ki ste jim poslali največ prometa. Izdelek je lahko na vrhu vaših lestvic, ker je res odličen, ali ker je bil pol leta na domači strani, ali ker je dovolj poceni, da ga ljudje impulzivno dodajo v košarico. To so zelo različni razlogi in noben od njih vam ne pove, ali ga kupec, ki danes bere vašo e-pošto, sploh želi.

Pravi problem: priporočate ljudem, ki jih že poznate

Tu se zares zaplete. Večina trgovin svojo mrežo prodajnih uspešnic prilepi ravno tja, kjer dejansko imajo podatke o kupcu: v e-pošto po nakupu, v sporočilo ob opuščenem brskanju, v blok “morda vam bo všeč tudi” za prijavljenega vračajočega obiskovalca.

To so trenutki, ko veste največ in to najbolj zapravite. Nekdo, ki je pravkar kupil vaš najbolje prodajani mlinček za kavo, ne potrebuje, da mu isti mlinček priporočate nazaj. Kupca, ki je preživel deset minut v vaši kategoriji pohodništva in odšel, ne zanima vaš najbolje prodajani ovitek za telefon. Prikazovanje ljubljenca množic osebi, katere vedenje kaže v točno določeno smer, je tiho neujemanje, ki se ponovi na tisoče krat na mesec.

Zakaj “kar prikaži uspešnice” ni dovolj

Privlačnost bloka z uspešnicami je očitna: preprost je, ne potrebuje nobene logike, izdelki v njem pa v povprečju dobro konvertirajo. Zato se zdi varen. Lastniki trgovin ga obdržijo, ker je prikaz najbolje prodajanih izdelkov na večini platform nastavitev z enim klikom, medtem ko prava personalizacija zveni kot projekt.

Težava je v tem, da “v povprečju dobro konvertira” skrije, kaj se dogaja pod površjem. Uspešnice dobro konvertirajo deloma zato, ker se nenehno prikazujejo ogromnemu številu ljudi. Izdelku dajte dovolj prikazov in bo nabral prodaje, tudi če bi bolje ujet izdelek na istem mestu naredil več. Nikoli ne vidite naročila, ki ga niste dobili, ker ste namesto ustreznega izdelka prikazali priljubljenega. Strošek je neviden – zato tak pristop preživi.

Obstaja tudi učinek kopičenja, ki ga velja poimenovati. Uspešnice priporočajte povsod in več prometa boste usmerili k izdelkom, ki so že priljubljeni, kar jih naredi še bolj priljubljene, s čimer si prislužijo še več priporočilnih mest. Vaš katalog se tiho skrči na ducat izdelkov, ki opravljajo vse delo, medtem ko preostali nabirajo prah, in trgovina počasi pozabi, da sploh ima dolgi rep.

Kje pušča prihodek

Naj postavim grobe številke, izrecno ilustrativne, da se oblika izgube pokaže.

Recimo, da vaša ponakupna e-pošta z navzkrižno prodajo mesečno pride do 2.000 kupcev in trenutno prikazuje statično mrežo uspešnic. Prinaša 2-odstotno stopnjo pretvorbe iz klika v naročilo, torej 40 dodatnih naročil. Zdaj pa si predstavljajte, da za polovico teh kupcev, katerih zgodovina nakupov jasno kaže na soroden izdelek, ujeto priporočilo konvertira po 4 odstotke namesto po 2. Ta polovica je 1.000 ljudi. Pri 2 odstotkih so vam dali 20 naročil. Pri 4 odstotkih bi vam jih dali 40. Ista e-pošta, isto pošiljanje, dvajset dodatnih naročil na mesec, ki ste jih puščali na mizi – zgolj zato, ker je mesto prikazovalo priljubljen izdelek namesto ustreznega.

Te številke so izmišljene za ponazoritev mehanizma, ne obljuba. Poanta drži ne glede na točno stopnjo: puščanje je največje ravno tam, kjer imate največ informacij o kupcu in se odločite, da jih boste prezrli.

Praktična rešitev: uporabite priljubljenost kot rezervo, ne kot privzeto izbiro

Pravilo, s katerim bi začel, je preprosto. Priljubljenost je tisto, kar prikažete, ko ne veste ničesar drugega. V trenutku, ko veste nekaj konkretnega, mora ta signal zmagati.

Razvrstite logiko priporočil po tem, koliko ve o posamezniku:

Neposredno vedenje ob tem obisku. Kaj si je pravkar ogledal, dodal v košarico ali iskal. Najmočnejši signal, uporabite ga prvega.
Zgodovina nakupov. Kaj je kupil, kar vam pove njegovo kategorijo, cenovno udobje in kaj naravno sledi. Cela metoda za branje tega je v kako uporabiti zgodovino nakupov za odkrivanje naslednje kategorije, ki jo kupec morda potrebuje.
Lastnosti tega, s čimer se je ukvarjal. Barva, material, velikost, cenovni razred, slog. Tako najdete ustrezne izdelke, ki si jih kupec nikoli izrecno ni ogledal – mehaniko najdete v kako uporabiti lastnosti izdelkov za ustreznejša priporočila.
Priljubljenost kot izhodišče. Za pravega neznanca brez zgodovine je uspešnica smiselna prva poteza.

Miselni premik je majhen, a spremeni vse, kar sledi: uspešnice nehajo biti odgovor in postanejo rezerva. Isto razlikovanje, bolj podrobno izpeljano, najdete v razlika med prodajnimi uspešnicami in najboljšim izdelkom za tega kupca.

Kje si priljubljen izdelek še vedno zasluži glavno vlogo? Pri resnično novih obiskovalcih. Pri darilnih kupcih, ki nimajo osebnega okusa, na katerega bi se navezali. Na straneh kategorij, kjer širok osrednji izdelek daje ton. Priljubljenost ni napačna – je grobo orodje, ki ste ga uporabljali za natančna opravila.

Kaj avtomatizirati

Tega ne popravite z ročnim izbiranjem izdelkov. Logiko nastavite enkrat in pustite, da teče.

Sprožilec: vedenjski dogodek – ogled izdelka, brskanje po kategoriji, oddano naročilo – ali pošiljanje življenjske e-pošte, kot je ponakupna ali ob opuščenem brskanju.
Segment: ločite znane kupce (z zgodovino nakupov ali brskanja) od neznanih obiskovalcev. Znana skupina dobi personalizirano logiko; neznana dobi uspešnice.
Časovnica: sporočila ob opuščenem brskanju najbolje delujejo v nekaj urah, dokler je namera še topla; ponakupno navzkrižno prodajo lahko počaka, dokler prvo naročilo verjetno ni dostavljeno.
Kanal: e-pošta za celotno mrežo, SMS za en ostro izbran predlog, ko imate soglasje, spletno potisno obvestilo za hiter poriv.
Vsebina: dinamičen blok priporočil, ki najprej črpa iz vedenja ali zgodovine in se na priljubljenost zanese šele, ko sta oba prazna.
Cilj: več prihodka na prejemnika iz personaliziranega segmenta, kot ga je prinašal blok z uspešnicami – in potrditev, da je pridobitev resnična, ne preusmerjena z drugega izdelka.

Ta zadnja točka je pomembna. Priporočilo, ki “deluje”, morda le premika prodajo, ki bi se zgodila tako ali tako. Ali vaše izbire dodajajo prihodek ali ga zgolj prerazporejajo, je vredno preizkusiti neposredno; preizkušanje, ali priporočila povečujejo prihodek ali ga zgolj premikajo predstavi, kako.

Primer iz trgovine

Vzemimo srednje veliko trgovino z izdelki za dom. Njihova uspešnica je dišeča sveča, ki je poceni, primerna za darilo in prikazana povsod. Privzeto je na vrhu vsakega bloka priporočil.

Kupec kupi volneno odejo za 180 € in ujemajočo se blazino. Sproži se ponakupna e-pošta in priporoči – svečo. Nič narobe s svečo, a ta kupec je pravkar nakazal okus po vrhunskih tekstilijah pri resnični ceni. Ujeto priporočilo bi prikazalo drugo prevleko za blazino, pleteno odejo iz iste linije ali komplet za nego volne. Sveča je za 12 € postranska misel za nekoga, ki je pravkar zapravil 180 € za določen videz. Priljubljen izdelek ni slab. Preprosto je napačna stvar, ki bi jo rekli tej osebi, in trgovina jo pove samodejno, vsak dan, ker je bilo mesto nastavljeno na “uspešnice” in ga ni nihče več pregledal. (Ponazoritveni primer – prilagodite svojemu katalogu.)

Kako izmeriti, ali je sprememba delovala

Spremljajte to in primerjajte svojo personalizirano logiko s starim blokom uspešnic:

Prihodek na prejemnika pri e-pošti, ki nosi priporočila. To je glavna številka.
Stopnja klikov na sam blok priporočil, ne na celotno e-pošto – pove vam, ali se izbire zdijo ustrezne.
Razpršenost kataloga: koliko različnih izdelkov je priporočenih in kupljenih. Če številka raste, izpostavljate večji del svojega asortimana, namesto da bi pregrevali isto peščico.
Inkrementalni prihodek, ne bruto. Preizkusite ga proti kontrolni skupini, da veste, da je personalizirana različica resnično premagala priljubljeno, ne pa si le sposodila njene prodaje.

Če prihodek na prejemnika naraste in se začne prodajati več vašega kataloga, vas je priljubljenost stala in ravnokar ste zamašili puščanje.

Kje se vključi Omnisend

To zmore vsaka zmogljiva platforma za e-pošto; vprašanje je, koliko truda zahteva. V svojih trgovinah uporabljam Omnisend, ki sem ga izbral po testiranju proti Klaviyu, ker vam njegovi bloki za priporočila izdelkov omogočajo črpanje iz kupčeve zgodovine brskanja in nakupov ter nastavitev priljubljenosti kot rezerve namesto privzete izbire – znotraj iste e-pošte s povleci in spusti, brez lastne kode. Ločevanje znanih kupcev od prvih obiskovalcev in pošiljanje prave logike vsakemu je stvar nekaj klikov, njegova analitika pa prikazuje prihodek na prejemnika za posamezno e-pošto, tako da dejansko vidite, ali se je preklop izplačal.

Omnisend je partner Shopimationa v pridruženem programu in priporočam ga iz vsakodnevne uporabe. Pošten pridržek: personalizacija pomaga le, če so vaši podatki o izdelkih čisti in ima vaš katalog resnično globino. Če vašo celotno trgovino nosijo trije izdelki, boljša logika priporočil ne bo ustvarila ustreznosti, ki je ni.

Vaš naslednji korak

Odprite tisto eno e-pošto ali blok na spletni strani, kjer trenutno prikazujete uspešnice ljudem, o katerih že imate podatke – najverjetneje vaše sporočilo po nakupu ali ob opuščenem brskanju. Preklopite to eno mesto na logiko, ki daje prednost vedenju, s priljubljenostjo kot rezervo, vse ostalo pustite pri miru in mesec dni spremljajte prihodek na prejemnika. Nato se odločite, kje naslednje graditi priporočila okoli resnične namere, tako da preberete gradnja priporočil izdelkov okoli namere kupca.

Product Discovery and Merchandising

Why Popular Products Are Not Always the Best Recommendation

Posted on July 18, 2026 by

A popular product is a safe bet for a stranger and a weak bet for someone you already know something about. Best-sellers earn their place because they appeal to the widest slice of your audience, which is the exact reason they often miss one specific shopper’s need. When you recommend the same top five to everyone, a returning customer keeps seeing things they’ve already viewed, already own, or already decided against. The strongest recommendation is the one most likely to matter to this person right now, based on what they looked at, bought, or browsed. Sometimes that’s your best-seller. Often it’s the product two rows down that nobody talks about. This article covers when popularity helps, when it quietly costs you orders, and how to choose which signal to trust.

What “popular” actually measures

A best-seller list is a record of what the average visitor bought over some past window. That’s useful information. It tells you the product has broad appeal, decent reviews, and a price most people accept. For a first-time visitor with no history, leading with it is a reasonable default.

But popularity is an average, and your customers are not averages. The list reflects the crowd that already came through, weighted heavily toward whoever you sent the most traffic to. A product can top your charts because it’s genuinely great, or because it was on the homepage for six months, or because it’s cheap enough to be an impulse add. Those are very different reasons, and none of them tell you whether the customer reading your email today wants it.

The real problem: you’re recommending to people you already know

Here’s where it bites. Most stores paste their best-seller grid into places where they actually hold data on the shopper: the post-purchase email, the browse-abandonment message, the “you might also like” block for a logged-in returning visitor.

Those are the moments you know the most and waste it the most. Someone who just bought your top-selling coffee grinder does not need to see that same grinder recommended back to them. A shopper who spent ten minutes in your hiking category and left doesn’t want your best-selling phone case. Showing the crowd favorite to a person whose behavior points somewhere specific is a quiet mismatch, repeated thousands of times a month.

Why “just show the best-sellers” isn’t enough

The appeal of a best-seller block is obvious: it’s easy, it needs no logic, and the products in it convert well on average. So it feels safe. Store owners keep it because pulling top sellers is a one-click setting in most platforms, while real personalization sounds like a project.

The trouble is that “converts well on average” hides what’s happening underneath. Best-sellers convert well partly because they get shown constantly and to huge numbers of people. Give a product enough impressions and it will rack up sales even if a better-matched product would have done more with the same slot. You never see the order you didn’t get because you showed the popular thing instead of the relevant thing. The cost is invisible, which is why it survives.

There’s also a compounding effect worth naming. Recommend best-sellers everywhere and you push more traffic to products that are already popular, which makes them more popular, which earns them even more recommendation slots. Your catalog quietly shrinks to a dozen products doing all the work while the rest gather dust, and the store slowly forgets it has a long tail at all.

Where the revenue leaks

Let me put rough numbers on it, clearly illustrative, so the shape of the loss is visible.

Say your post-purchase cross-sell email goes to 2,000 customers a month and currently shows a static best-seller grid. It earns a 2% click-to-order rate, so 40 extra orders. Now imagine that for the half of those customers whose purchase history clearly points at a related product, a matched recommendation converts at 4% instead of 2%. That half is 1,000 people. At 2%, they gave you 20 orders. At 4%, they’d give you 40. Same email, same send, twenty extra orders a month you were leaving on the table — purely because the slot showed the popular product rather than the relevant one.

These figures are made up to illustrate the mechanism, not a promise. The point holds regardless of the exact rate: the leak is largest precisely where you have the most information about the shopper and choose to ignore it.

The practical fix: use popularity as a fallback, not a default

The rule I’d start with is simple. Popularity is what you show when you know nothing else. The moment you know something specific, that signal should win.

Rank your recommendation logic in order of how much it knows about the individual:

Direct behavior on this visit. What they just viewed, added to cart, or searched. Strongest signal, use it first.
Purchase history. What they’ve bought, which tells you their category, price comfort, and what naturally comes next. There’s a full method for reading this in how to use purchase history to discover the next category a customer may need.
Attributes of what they’ve engaged with. Colour, material, size, price band, style. This is how you find relevant products the shopper never explicitly looked at — the mechanics are in how to use product attributes to create more relevant recommendations.
Popularity, as the floor. For the true stranger with zero history, a best-seller is a sensible opening move.

The mental shift is small but it changes everything downstream: best-sellers stop being the answer and become the backup. This is the same distinction, drawn out more fully, in the difference between best-sellers and the best product for this customer.

Where does the popular product still deserve top billing? Genuinely new visitors. Gift shoppers who have no personal taste to match. Category pages where a broad hero product sets the tone. Popularity isn’t wrong — it’s a blunt tool that you’ve been using for precise jobs.

What to automate

You don’t fix this by hand-picking products. You set the logic once and let it run.

Trigger: a behavioural event — product viewed, category browsed, order placed — or the send of a lifecycle email like post-purchase or browse abandonment.
Segment: split known customers (has purchase or browse history) from unknown visitors. The known group gets personalized logic; the unknown group gets best-sellers.
Timing: browse-abandonment follow-ups land best within a few hours while intent is warm; post-purchase cross-sells can wait until the first order is likely delivered.
Channel: email for the full grid, SMS for a single sharp pick when you have consent, web push for the fast nudge.
Content: a dynamic recommendation block that pulls from behaviour or history first and falls back to popularity only when both are empty.
Goal: more revenue per recipient from the personalized segment than the best-seller block was producing — and confirmation that the gain is real, not shuffled from another product.

That last point matters. A recommendation that “works” might just be moving a sale you’d have made anyway. Whether your picks add revenue or merely redistribute it is worth testing directly; testing whether recommendations increase revenue or just shift it walks through how.

A store example

Take a mid-sized homeware store. Their best-seller is a scented candle that’s cheap, gift-friendly, and shown everywhere. It tops every recommendation block by default.

A customer buys a €180 wool throw and a matching cushion. The post-purchase email fires and recommends — the candle. Nothing wrong with the candle, but this shopper just signalled a taste for premium textiles at a real price point. A matched recommendation would show a second cushion cover, a knit blanket in the same range, or a wool care kit. The candle is a €12 afterthought for someone who just spent €180 on a specific look. The popular product isn’t bad. It’s simply the wrong thing to say to this person, and the store says it automatically, every day, because the slot was set to “best-sellers” and never revisited. (Illustrative example — adapt to your own catalogue.)

How to measure whether the change worked

Watch these, comparing your personalized logic against the old best-seller block:

Revenue per recipient on the emails carrying recommendations. This is the headline number.
Click rate on the recommendation block specifically, not the whole email — it tells you whether the picks feel relevant.
Catalogue spread: how many distinct products get recommended and bought. If the number climbs, you’re surfacing more of your range instead of overheating the same few.
Incremental revenue, not gross. Run it against a holdout so you know the personalized version genuinely beat the popular one rather than borrowing its sales.

If revenue per recipient rises and more of your catalogue starts selling, popularity was costing you and you’ve just plugged the leak.

Where Omnisend fits

Any capable email platform can do this; the question is how much effort it takes. I use Omnisend in my own stores, chosen after testing it against Klaviyo, because its product recommendation blocks let you pull from a customer’s browsing and purchase history and set popularity as the fallback rather than the default — inside the same drag-and-drop email, without custom code. Segmenting known customers from first-time visitors and sending each the right logic is a few clicks, and its analytics show revenue per recipient per email so you can actually see whether the switch paid off.

Omnisend is an affiliate partner of Shopimation, and I recommend it from daily use. The honest caveat: personalization only helps if your product data is clean and your catalogue has genuine depth. If three products carry your whole store, better recommendation logic won’t manufacture relevance that isn’t there.

Your next step

Open the one email or on-site block where you currently show best-sellers to people you already have data on — most likely your post-purchase or browse-abandonment message. Switch that single slot to behaviour-first logic with popularity as the fallback, leave everything else alone, and watch revenue per recipient for a month. Then decide where to build recommendations around real intent next by reading building product recommendations around customer intent.