Interview: Jak efektivně doporučovat produkty prostřednictvím automatizovaných e‑mailů

Klasické promo má jednu selekci produktů pro všechny adresáty. U doporučení vycházíme z toho, co o daném člověku reálně víme: co si prohlédl, co nechal v košíku, do jakých kategorií se vrací, co si v minulosti koupil. V e‑mailu se to projeví tím, že místo generických bestsellerů vidí produkty, které dávají smysl právě pro něj.

Přidaná hodnota není jen v personalizaci, ale také v načasování. Ecomail spustí e‑mail ve správný moment (opuštěný košík, post‑purchase připomínka, re‑engagement po delší neaktivitě) a my k tomu dodáme produktový blok, který k té situaci sedí. Uživatel tak dostane relevantní doporučení ve chvíli, kdy je ještě v nákupním módu.

Vstupy jsou tři. Prvním je produktový feed (XML, JSON nebo API), který vám říká, co prodáváte. Druhým je tracking skript na webu, který sbírá behaviorální signály (zobrazení produktů, vyhledávání, košíky, nákupy). Třetím vstupem mohou být offline data z kamenných obchodů, která si dokážeme načíst přes naše Past Transactions API.

Z těchto vstupů generujeme doporučení pro celou vaši databázi kontaktů předem, typicky v denní dávce přes náš Batch Publisher. Výstupem je JSON pro každý kontakt, který si Ecomail při rozesílce dynamicky vloží do šablony.

TIP: E‑mail marketing pro restaurace: Jak plnit stoly e‑mailem

Proč ne real‑time při každém odeslání? Při rozesílce na statisíce kontaktů by to znamenalo statisíce volání v krátkém okně. Dávkové generování předem je řádově efektivnější a Ecomail dostane všechna doporučení připravená ve chvíli, kdy spouští rozesílku. Real‑time API máme také. Dává smysl pro transakční e‑maily a webová umístění, kde se rozhoduje za jednoho konkrétního uživatele naživo.

Od klienta nutně potřebujeme věci, které nemůžeme uhádnout: aktuální cenu a případnou slevu, dostupnost a stav skladu, URL produktu, obrázek, ID. Pro některé klienty také marži, pokud chtějí doporučení optimalizovat i na ziskovost. Bez těchto vstupů se doporučení dělají jen těžko.

Klasický problém s feedy je ve struktuře. Pohlaví, velikost, materiál nebo kompatibilita jsou často nacpané do názvu nebo popisu místo samostatných polí. Kategorizace bývá znečištěná marketingovými boxy jako Sale, Black Friday nebo Novinky. Na webu pomáhají, ale ničí personalizaci v rámci kategorie. A polovina atributů je vyplněna jen u části produktů.

Tady už dnes dokážeme hodně pomoci. Investujeme do LLM‑based obohacování, které dokáže ze surového textu vytáhnout strukturované atributy, vyčistit kategorizaci, doplnit sezónnost nebo segmentaci. Klient tedy nemusí mít dokonalý feed den před spuštěním. Vstup zůstává jeho odpovědností, ale s tím, co v něm je, dokážeme pracovat podstatně lépe než před pár lety. Tam, kde však feed neobsahuje samotnou cenu nebo dostupnost, nepomůže ani nejlepší model. Realitu si nevymyslíme.

Pro každou rozesílku připravujeme také generickou sadu doporučení, tedy cold‑start. Žádný e‑mailový blok tak nezůstane prázdný, i kdyby kampaň směřovala do databáze zcela nových kontaktů.

Když o uživateli něco víme, ať už z webu, nebo z importované offline historie, přidáváme osobní vrstvu. Přitom rozlišujeme dlouhodobé preference (preferovaná značka, cenová hladina, styl) a krátkodobý záměr (co procházel za poslední hodiny). Pro opuštěný košík jde do popředí krátkodobý signál, pro kampaň typu „co nového“ zase dlouhodobé preference.

Přečtěte si také: Ovládněte e‑mail marketing: Jak z vašeho e‑shopu vytěžit maximum

Mimochodem, nejvíce podceňovaným zdrojem dat jsou offline nákupy. Většina retailerů s kamennou sítí je má, jen je nespojuje s online profilem. Přitom je to přesnější signál než samotné prohlížení webu. Protože zákazník reálně koupil, nejen se díval.

Máme několik desítek modelů a každý je optimalizován na jinou situaci. Pro opuštěný košík dává smysl kombinace produktů z košíku s komplementárními alternativami. Pro dlouho neaktivní klienty funguje „oblíbené kategorie + novinky v nich“. U spotřebních kategorií, jako jsou drogerie, beauty nebo krmiva, má smysl připomenutí produktů, které zákazník jednou koupil. Počítáme s tím, že jednou dojdou a připomenutí ušetří hledání.

V praxi většina klientů nezačíná komplexně. Běžně odstartujeme se třemi až čtyřmi automatizacemi a ke každé přiřadíme vlastní logiku doporučení pro e‑mailové kampaně. Zákazník je v každé z nich v jiné fázi nákupního cyklu.

Standardní metriky e‑mail marketingu (open rate, CTR) ukážou, zda lidé e‑mail otevírají a klikají. Pro samotná doporučení sledujeme CTR na produktových blocích a tržby přiřazené kanálu. Nejtvrdší test je A/B porovnání e‑mailů s personalizovanými doporučeními oproti těm s generickou selekcí. To ukáže reálný přínos personalizace.

Když výsledek zaostává, naše analytika Recommenderu dokáže ukázat výkon na úrovni jednotlivých modelů a doporučení. Pokud lidé klikají, ale nekupují, problém je obvykle na cílové stránce nebo v ceně. Pokud nekliká nikdo, je to buď otázka relevance produktů, nebo umístění bloku v šabloně. Z mé praxe je častěji to první. Když doporučení nesedí, žádné pěkné CTA to nezachrání.

A povinný disclaimer: tři dny dat nejsou výsledek, je to ještě šum. Vždy čekáme na statistickou signifikanci, jinak rozhodujeme podle pocitu, ne dat.

Z pohledu e‑shopu jsou to dvě věci: dát Luigi's Boxu přístup k produktovému feedu a nasadit na web tracking skript. Na straně Ecomailu se nastaví napojení na náš Batch Publisher, odkud si Ecomail při rozesílce tahá připravená doporučení pro své kontakty. Žádný custom vývoj na straně e‑shopu není potřeba.

Typický rozběh: do týdne od přístupu k feedu dokážeme mít první doporučení v testovacím e‑mailu. Plnou optimalizaci modelů a A/B testů pak obvykle ladíme první měsíc, podle kvality vstupních dat.

Automatizované e‑maily jsou jedním z mála kanálů, kde personalizace pracuje v relativně kontrolovaném prostředí: znáte adresáta, máte čas připravit doporučení předem a dokážete měřit reálný přínos. Nejčastější chyba není v technologii, ale v tom, že e‑shop má potřebná data, ale nedokáže je propojit. Feed v jednom systému, web tracking ve druhém, offline nákupy ve třetím.

Pokud přemýšlíte, kde začít: zkontrolujte stav vašeho produktového feedu (zejména cenová data a dostupnost) a jaké automatizace už v Ecomailu máte spuštěné. Více o doporučeních produktů najdete na webu Luigi's Box.

Ondrej Kaššák je Head of Recommender v Luigi's Box. Vede tým, který staví doporučovací modely pro e‑shopy po celé Evropě se zaměřením na to, aby personalizace přinesla měřitelný obchodní přínos.