Forbedr Klaviyo-e-mails ved hjælp af data

Din Klaviyo-konto er opsat korrekt. Processerne for forladte indkøbskurve kører. Velkomstserien er aktiv. Sekvensen efter køb udløses. Automatiseringerne fungerer. Målingerne er tilfredsstillende.
Acceptabelt. Ikke fantastisk. Ikke banebrydende. Bare acceptabelt.
Problemet er ikke Klaviyo. Det er indholdet i e-mailene.
Kløften i produktindholdet
Åbn Klaviyo. Se på din e-mail om forladte indkøbskurve. Hvilke produkter vises der?
De efterladte varer, selvfølgelig. Det er udløseren. Men hvad ellers? En række produkter under »Du kunne også være interesseret i«, som enten er bestsellere (vises til alle) eller varer, der »ofte købes sammen«, baseret på enkle regler for sammenkøb.
Se nu på din e-mail om afbrudte indkøb. Hvilke produkter fremhæves der i den?
De viste produkter, plus… de samme bestsellere. De samme generiske produktanbefalinger fra Klaviyo.
Automatiseringslogikken er tilpasset den enkelte bruger: Den rigtige e-mail sendes til den rigtige person på det rigtige tidspunkt. Men produktindholdet i disse e-mails er stort set slet ikke tilpasset den enkelte bruger.
Det er netop her, indtægterne gemmer sig. Og det er netop dette hul, som Product Intelligence udfylder.
Hvad Product Intelligence tilfører e-mailen
Klaviyo er fremragende til adfærdsbaserede udløsere og proceslogik. Det ved, hvornår det skal sende beskeder, og til hvem. Det, der mangler, er en dybdegående produktforståelse: Evnen til at afgøre, hvad der skal vises, baseret på den enkelte kundes adfærd og detaljerede produktrelationer.
Det er vigtigt at forstå, hvad Product Intelligence egentlig gør: Det analyserer dit produktkatalog (købsfrekvens, produktattributter, kategoriforbindelser og genkøbscyklusser) for at forudsige købsmønstre og forstå, hvordan produkterne hænger sammen. Når denne viden på produktniveau kombineres med den enkelte kundes adfærd, bliver personaliseringen mere præcis og relevant.
Product Intelligence tilføjer tre nye funktioner:
1. Produktmatchning på individniveau
I stedet for at vise »bestsellere« eller »produkter, der ofte købes sammen«, fastslår Product Intelligence, hvilke specifikke produkter der er mest relevante for netop denne kunde, baseret på vedkommendes samlede adfærdshistorik: Søgninger, visninger, køb og klikmønstre.
En kunde, der har kigget på tre løbesko i den dyre ende og derefter forladt sin indkøbskurv, bør ikke få anbefalet billige løbesko. I stedet bør vedkommende få anbefalet de dyre trail-sokker, løbevesten og GPS-uret, der passer til den sko, vedkommende næsten købte. Anbefalingerne bør afspejle det, kunden rent faktisk lægger vægt på, ikke det, din butik sælger mest af.
2. Bedre anbefalinger til nye kunder
Nye kunder udgør en udfordring i forbindelse med personalisering: Da der ikke foreligger nogen adfærdshistorik, viser de fleste systemer som standard generiske bestsellere. Product Intelligence ændrer dette.
Da Product Intelligence har indsigt i mønstre på produktniveau (hvilke produkter der typisk købes sammen, hvilke kategorier der har de stærkeste krydssalgsmuligheder, og hvordan produkterne grupperes efter behov og anvendelsessituation), kan systemet frembringe relevante anbefalinger på baggrund af blot nogle få indledende interaktioner. En ny kunde, der ser på to eller tre produkter, giver Product Intelligencet tilstrækkelige signaler til at komme med meningsfulde anbefalinger i stedet for blot at vise de samme bestsellere, som alle andre ser.
Det betyder, at din velkomstserie og de første e-mails efter tilmeldingen kan indeholde virkelig relevant produktindhold allerede fra den allerførste udsendelse.
3. Anbefalinger, der tager højde for produktets livscyklus
Forskellige kunder har brug for forskellige produkter på forskellige tidspunkter. Product Intelligence forstår produktkataloget på et strukturelt niveau: Hvad der er forbrugsvarer, hvad der har naturligt tilbehør, og hvor lange de typiske genkøbscyklusser er. Kombineret med kundens købs- og søgehistorik giver dette anbefalinger, der afspejler, hvor den pågældende kunde rent faktisk befinder sig.
En førstegangskøber får relevante forslag. En tilbagevendende kunde får et mere detaljeret udvalg inden for sine foretrukne kategorier. En kunde, der er ved at falde fra, bliver genengageret med nye varer, der matcher vedkommendes etablerede præferencer.
Product Intelligence tilpasser sine anbefalinger ud fra, hvad produktdataene og kundens historik tilsammen tyder på, i stedet for blot at tage udgangspunkt i, hvilken e-mail-serie kunden befinder sig i.
Praktiske forbedringer af eksisterende Klaviyo-workflows
Du behøver ikke at genopbygge dine flows. Du skal blot opgradere produktblokkene i dem.
| Flow | Før | Efter |
|---|---|---|
| Forladt indkøbskurv | Varer i kurven + anbefalinger af bestsellere | Varer i indkøbskurven + tilpassede alternativer (hvis det oprindelige valg ikke helt passer) + supplerende produkter baseret på Product Intelligence |
| Afbrudt browsing | Set produkter + generiske »aktuelle trends«-produkter | Set produkter + lignende produkter set fra en anden vinkel (andet mærke, prisniveau, stil) + produkter fra beslægtede kategorier baseret på adfærdsmønstre |
| Efter købet | Ordrebekræftelse + »Kunder købte også« på dag 14 | Ordrebekræftelse + tips til produktpleje (øjeblikkelig værdi) + supplerende anbefalinger på det rette tidspunkt (varierer alt efter produkttype) + påmindelse om genbestilling, hvis det drejer sig om forbrugsvarer |
| Genvinding | “Vi savner dig” + præsentation af bestsellere | “Her er, hvad der er nyt siden dit sidste besøg” + personlige nyheder, der passer til deres præferencer + prisnedsættelser på produkter, de tidligere har set på |
Den vigtigste indsigt vedrørende forladte indkøbskurve: En forladt indkøbskurv betyder nogle gange »Jeg var ikke helt sikker på dette produkt« snarere end »Jeg glemte det«. Ved at vise alternativer sammen med de forladte varer imødegår man den usikkerhed, der var årsagen til, at kurven blev forladt.
At forlade en side under en søgning er en del af købsadfærden. Kunden er i gang med at udforske, sammenligne og vurdere. Din e-mail bør understøtte denne proces ved at udvide kundens overvejelser med intelligente alternativer.
Tidspunktet efter købet er vigtigere, end de fleste teams er klar over. At foreslå løbesokker dagen efter, at nogen har købt løbesko, er for tidligt: De har sandsynligvis allerede sokker. At foreslå dem tre uger senere, når de har løbet skoene til og er klar til deres næste løbetur, er det helt rigtige tidspunkt.
E-mails, der har til formål at vinde kunder tilbage, virker ikke, hvis de viser kunden den samme butik, som vedkommende forlod. Product Intelligence sikrer, at e-mailen fremhæver det, der virkelig er nyt og relevant for kundens specifikke interesser.
Tilslutning af Klaviyo til Product Intelligence og udvidelse af mulighederne med Product Agents
Hello Retail kan integreres med Klaviyo på to måder, og det er værd at forstå forskellen.
For eksisterende arbejdsgange (forladte indkøbskurve, afbrudte besøg, genvindingskampagner) fungerer integrationen ved at tilføje dynamiske produktblokke til dine eksisterende Klaviyo-skabeloner. Når e-mailen vises, forespørger produktblokken Product Intelligence-motoren med modtagerens adfærdsprofil og e-mailens kontekst. Motoren returnerer de mest relevante produkter for den pågældende kunde på netop det tidspunkt. Din eksisterende flowlogik forbliver uændret. Dine triggere ændres ikke. Dine segmenter behøver ikke at blive genopbygget.
Product Agents er anderledes. I stedet for at udvide eksisterende processer introducerer de en fundamentalt anderledes model: autonome agenter, der selv bestemmer, hvornår de skal sende.
I et standard-Klaviyo-forløb definerer du selv udløseren og tidspunktet. Med Product Agents overvåger agenten løbende produkt- og kundesignaler og afgør, hvornår det er værd at sende en besked, uden at du behøver at indstille en tidsplan. Dette er især effektivt i situationer, hvor det rette tidspunkt er virkelig usikkert:
- Påmindelse om genopfyldning: sendes, når en kunde sandsynligvis er ved at løbe tør for et produkt, som vedkommende tidligere har købt, baseret på forventet genkøbsadfærd snarere end et fast tidsinterval
- Anbefalede tilbehørsprodukter: sendes efter et køb, når produktoplysningerne tyder på, at tilbehør eller supplerende produkter vil være relevante, på det tidspunkt, hvor de har størst chance for at blive købt
- Alternative forslag: sendes, når en kunde kunne have gavn af at se på lignende muligheder ud fra sin købs- eller browsingadfærd
- Prisfaldsagenter: giver kunderne besked, når prisen på produkter, de har set på, købt eller som ligner produkter, de er interesserede i, falder
Product Agents-funktionerne kører gennem et dedikeret Klaviyo-forløb (adskilt fra dine eksisterende automatiseringer), der udløses af Hello Retail-begivenheder. Opsætningen foretages én gang; derefter kører funktionerne af sig selv.

Det handler ikke om at erstatte dine flows. Det handler om at tilføje et ekstra lag af kontakt, som dine flows ikke kan skabe, fordi standard-flowlogikken ikke kan vide, hvornår det er det rigtige tidspunkt.
For butikker, der overvejer at bruge prisnedslagsadvarsler og påmindelser om genopfyldning, introducerer Product Agents helt nye udløsertyper, som Klaviyos indbyggede funktioner ikke tilbyder.
Måling af forbedringen
Det gode ved at opdatere indholdet i e-mails, samtidig med at man bevarer den samme struktur, er, at det er nemt at måle resultaterne.
Udfør A/B-test af produktblokkene. Send 50 % af hvert forløb med de eksisterende produktanbefalinger og 50 % med anbefalinger baseret på Product Intelligence. Sammenlign:
- Indtægter pr. e-mail
- Klikfrekvens på produktanbefalinger
- Andel af klik på e-mails, der fører til, at varen lægges i kurven
- Gennemsnitlig ordreværdi fra køb, der kan tilskrives e-mails
Arbejdsgangen, afsendelsestidspunktet og målgruppen er identiske i begge varianter. Den eneste variabel er produktindholdet. Dette gør det muligt at isolere effekten tydeligt.
For en ramme til måling af personaliseringens bredere effekt henvises til vores vejledning om måling af personaliseringens ROI.
De vigtigste pointer
- Det, der mangler i de fleste Klaviyo-programmer, er ikke flowlogikken. Det er produktindholdet i e-mailene, som ofte består af generiske bestsellere frem for personlige anbefalinger
- Product Intelligence analyserer produktkatalogdata for at forudsige købsmønstre; kombineret med kundeadfærd giver det mere præcise anbefalinger, herunder til nye kunder med begrænset adfærdsdata
- Du behøver ikke at genopbygge flows. Opgrader produktblokkene i dem, og A/B-test effekten
- Product Agents går et skridt videre: Autonome agenter, der selv bestemmer, hvornår de skal sende en besked, og som gennemløber deres eget dedikerede Klaviyo-forløb, der omfatter genopfyldning, tilvalg, alternativer og prisnedsættelser
- Målingen er entydig: Samme trafik, samme målgruppe, forskelligt produktindhold. Sammenlign omsætningen pr. e-mail.


