DA
Forbind din AI-agent

Føj Hello Retail til din AI-assistent

For Hello Retail-kunder: Kopiér adressen, og tilføj den som connector i Claude, ChatGPT eller Codex.

MCP-adresse

https://core.helloretail.com/mcp

Endnu ikke kunde?MCP kræver et Hello Retail-login. Fortæl os, hvad du vil bygge.

Lad os snakke
Lad os snakke

Chapter: Prediktiv analyse i Klaviyo · 17:28

Prediktiv analyse i Klaviyo: Brug af adfærdsdata til at planlægge tidspunktet for og målrette e-mails

Rasmus Leth Skjoldan·May 18, 2026·5 min read

Prediktiv analyse i Klaviyo genererer fire scoringer pr. kontakt – forventet ordredato, kundens livstidsværdi, risiko for kundeafgang og tid mellem ordrer – som markedsførere med fokus på kundefastholdelse bruger til at afgøre, hvem der skal modtage hvilken e-mail og præcis hvornår. Modellerne opdateres løbende i takt med ændringer i kundernes adfærd, hvilket forvandler en statisk kontaktliste til et dynamisk overblik over intentioner og risici. For brands, der sender livscyklus-e-mails i stor skala, udgør disse scores forskellen mellem at gætte sig frem til frekvensen og at handle på baggrund af konkrete signaler.

En sprogforskers forklaring på, hvorfor forudsigelsesmodeller er vigtige

Anna Sophie Christensen, leder af e-mailmarkedsføring og kundefastholdelse hos FABO og en Klaviyo-Community Champion, sporer sit analytiske instinkt tilbage til spansk verbkonjugation. »Man har ét verbum, og det kan bøjes på tusind forskellige måder afhængigt af, hvilken sætning det indgår i,« forklarer hun. Reglerne og dynamikken i denne kompleksitet fascinerede hende virkelig, og hun ser denne fascination som udgangspunktet for den analytiske tankegang, hun nu bringer ind i e-mailmarkedsføringen.

Denne indramning er vigtig, fordi Klaviyos værktøjssæt til forudsigelser i sin kerne er et spørgsmål om regler og dynamik. Platformens maskinlæring estimerer hver kontakts næste ordredato, det fremtidige omsætningsbidrag og sandsynligheden for kundeafgang. Disse forudsigelser har den samme strukturelle form, som Anna Sophie fandt overbevisende i spansk: Kontekstafhængige, lagdelte og kun nyttige, hvis man forstår, hvad modellen rent faktisk gør.

Hendes uddannelsesbaggrund omfatter en bachelor- og en kandidatgrad med fokus på både CSR og virksomhedskommunikation, herunder teknisk arbejde med opbygning af en kursusplatform. Det er netop denne kombination af analytisk præcision, kommunikationsfærdigheder og teknisk kompetence, der gør, at hendes syn på Klaviyos prædiktive funktioner er dybdegående og ikke blot overfladisk.

Hvad Klaviyos prædiktive analyser rent faktisk modellerer

Klaviyo’s predictive analytics genererer fire nøgletal for hver kontakt, som alle opdateres dynamisk i takt med ændringer i kundens adfærd:

  • Forventet bestillingsdato: Et skøn over, hvornår en kunde sandsynligvis vil foretage sit næste køb, baseret på historiske købsmønstre og nylige tegn på kundeaktivitet.
  • Kundens livstidsværdi (CLV): Et fremadrettet skøn over den omsætning, en kunde forventes at generere i løbet af hele kundeforholdets levetid.
  • Risikoscore for kundeafgang: En sandsynlighed for, at en kunde ikke vil foretage et nyt køb, baseret på adfærdsmæssige signaler, herunder afbrydelse af browsing, manglende interaktion med e-mails og stigende intervaller mellem køb.
  • Gennemsnitlig tid mellem ordrer: Det forventede tidsinterval mellem en kundes køb, som bruges til at fastlægge det rette tidsvindue for påmindelser om genopfyldning, genvindingskampagner og e-mails om lagerforberedelse.

Det, der gør disse resultater nyttige i arbejdet med kundefastholdelse, er, at de flytter fokus fra spørgsmålet »hvem står der på denne liste?« til »hvilket livscyklusfase befinder denne specifikke kunde sig i, og hvad betyder det for, hvad vi skal sende hende næste gang?« Anna Sophies arbejde hos FABO ligger netop her: Livscyklusfasen som den styrende logik, med forudsigelige signaler som input.

Prædiktiv AI kontra generativ AI i Klaviyo

Klaviyo bruger nu »AI« som et samlebegreb for to meget forskellige funktioner, og hvis man blander dem sammen, fører det til forkerte evalueringsspørgsmål.

Prediktiv AI (emnet for denne artikel) analyserer historiske data og adfærdsdata for at forudsige et bestemt resultat for en bestemt kontakt: Hvornår vedkommende vil bestille næste gang, hvad vedkommende er værd over tid, og hvor stor sandsynligheden er for, at vedkommende forlader virksomheden. Systemet genererer et tal eller en dato. Det genererer ikke noget, som kunden kan læse.

Generativ AI i Klaviyo (emnelinjer, udarbejdelse af e-mailtekster, billedfremstilling med Image Remix) skaber nyt indhold ud fra en prompt. Den kender ikke en bestemt kontakts forventede ordredato eller risiko for kundeafgang, medmindre disse data udtrykkeligt indtastes i prompten.

De to udfører forskellige opgaver. Forudsigelige scoringer afgør, hvem der modtager en e-mail, og hvornår. Generative værktøjer hjælper med at udarbejde indholdet af den pågældende e-mail. Et forløb for risiko for kundeafgang, der udløses af en forudsigelig score, kan anvende generativ AI til at udarbejde teksten til at vinde kunden tilbage, men udløserlogikken og udarbejdelsen af teksten er separate systemer, der løser hver deres problem. Teams, der vurderer »Klaviyo AI«, bør spørge, hvilken af de to funktioner en given funktion rent faktisk tilbyder, da leverandørernes markedsføring ofte betegner begge som »AI-drevet« uden at skelne mellem dem.

Opbygning af segmenter ud fra forudsigelige scoreværdier

Prediktive scoringer viser først deres værdi, når de bliver til segmenter, som flows og kampagner kan målrette mod. Klaviyo understøtter egenskaber fra prædiktiv analyse som segmentbetingelser, og fire mønstre står for størstedelen af arbejdet med at fastholde kunder:

  • Forventet kundeafgang. Filtrer kontakter, hvis risiko for kundeafgang overstiger en tærskelværdi, og hvis seneste ordre ligger uden for kontoens gennemsnitlige genbestillingsperiode. Dette segment indgår i en fastholdelsesproces, inden kunden bevidst har besluttet at forlade os.
  • Der skal snart afgives en ordre. Filtrer efter forventet dato for næste ordre, der ligger inden for de næste 3–7 dage. Dette er nyttigt som en diskret påmindelse eller et lille skub til at genopfylde lageret snarere end som en rabat, da modellen allerede forventer et køb.
  • Høj forventet CLV, lavt engagement. Ved at sammenholde kundens livstidsværdi med e-mail-engagementet kan man identificere værdifulde kunder, der stille og roligt er ved at miste interessen – en gruppe, der er værd at prioritere frem for brede genvindingskampagner.
  • Forsinkelse i forhold til deres egen rytme. Ved at sammenligne tidsrummet siden sidste ordre med kontaktpersonens egen gennemsnitlige tid mellem ordrer kan man afdække afvigelser i forhold til den pågældende kundes normale adfærd.

Det praktiske mønster: Forudsigelige egenskaber bliver til segmentbetingelser, medlemskab af et segment udløser et forløb, og forløbets meddelelser stemmer overens med årsagen til, at kontakten blev kvalificeret. En kontakt, der er segmenteret efter risiko for kundeafgang, bør ikke modtage den samme besked som en kontakt, der er segmenteret efter forudsagt ordredato. Ved at kombinere forudsigelige egenskaber (f.eks. høj CLV og stigende risiko for kundeafgang) opnås skarpere segmenter end ved brug af en enkelt score alene.

Hvorfor timing er nøglen til succes

Ved »batch-and-blast«-e-mails behandles en kunde, der ikke har været aktiv i 12 måneder, på nøjagtig samme måde som en kunde, der købte noget i går. Prædiktiv analyse bryder dette mønster ved at gøre timingen afhængig af den enkelte kundes adfærd i stedet for en fælles kampagnekalender.

McKinsey’s 2021 research on personalization viste, at 76 % af forbrugerne er mere tilbøjelige til at købe fra mærker, der tilbyder personalisering, og at virksomheder, der implementerer personalisering i stor skala, kan øge omsætningen med 5 til 15 %. Dette gælder dog kun, når timingen indgår som en del af personaliseringen. En relevant e-mail, der sendes på det forkerte tidspunkt i kundens købsforløb, giver stadig et dårligere resultat.

Den forventede ordredato muliggør netop det, som Anna Sophies arbejde hos FABO fokuserer på: Processer, der aktiveres ud fra, hvor den enkelte kunde befinder sig i sin købscyklus, snarere end hvor mærket befinder sig i sin indholdskalender. En kunde, der forventes at købe inden for 48 timer, har måske slet ikke brug for et salgsfremmende skub. En kunde, hvis risiko for kundeafgang har overskredet en betydelig tærskel, har brug for noget helt andet – og sandsynligvis noget mere konkret end en rabat.

Denne skelnen er vigtig, fordi den ændrer betydningen af, hvad en »god e-mail« er. Timingen er lige så meget et kreativt valg som et teknisk. Anna Sophies analytiske instinkt – som hun har udviklet gennem mange års arbejde med systemer, hvor konteksten bestemmer formen – gør det muligt for hende at bruge de forudsagte resultater som input til selve designet af brugerflowet, i stedet for at betragte dem som overfladiske måltal i et dashboard.

Afgangrisiko som indikator for kundefastholdelse

Risikovurdering af kundeafgang ændrer strategien for kundefastholdelse markant. I stedet for at gennemføre kvartalsvise genvindingskampagner rettet mod et statisk segment af »tidligere kunder« kan teams, der anvender prædiktiv analyse, gribe ind tidligere – nemlig når modellen registrerer en adfærdsændring, før en kunde teknisk set er gået tabt.

Salesforce’s State of the Connected Customer (2023) viste, at 88 % af kunderne mener, at den oplevelse, en virksomhed tilbyder, er lige så vigtig som dens produkter. For fastholdelsesteams sætter det en ny ramme for at vinde kunder tilbage: Det er mere et spørgsmål om relevans end om rabatter. Kunden mistede interessen, fordi noget ikke fungerede. Tidlige tegn på kundeafgang giver fastholdelsesteams tilstrækkelig tid til faktisk at diagnosticere årsagen – i stedet for at tilbyde 10 % rabat til en kunde, der for længst har mistet interessen.

Anna Sophies fokus hos FABO på triggerlogik, timing og livscyklusfaser passer perfekt ind i dette billede: Små beslutninger om, hvornår et forløb aktiveres, og hvad det indeholder, akkumuleres over tid. Forudsigelige scores udgør det datamæssige grundlag for at træffe disse beslutninger bevidst i stedet for automatisk.

Adfærdsdata ud over e-mail-listen

En af de vigtigste datakilder til Klaviyos forudsigelsesmodeller er adfærdsdata fra hele sessionsforløbet: Hvilke produkter en kunde har kigget på, hvor ofte vedkommende vender tilbage, og hvad vedkommende lægger i indkøbskurven uden at gennemføre købet. Købshistorikken alene giver modellen et ufuldstændigt billede. Mere detaljerede adfærdssignaler gør forudsigelserne mere præcise.

Det er her, at platformintegrationer kommer til sin ret i praksis. Hello Retail sender adfærdssignaler – produktvisninger, søgeforespørgsler, interaktioner med anbefalinger – direkte til Klaviyo, så de prædiktive modeller har kontekst på sessionsniveau, der rækker ud over datoen for den seneste ordre. For butikker, der bruger begge platforme, betyder det, at de forudsagte ordredatoer og CLV-scores bygger på mere omfattende data, hvilket gør de beslutninger om kundens livscyklus, som disse scores ligger til grund for, mere pålidelige.

Epsilon’s research on personalization viste, at 80 % af forbrugerne er mere tilbøjelige til at købe, når mærker tilbyder personaliserede oplevelser. Den slags personalisering afhænger af, at man har et fuldstændigt billede af forbrugerens adfærd, ikke blot transaktionshistorikken. Det er integrationslaget, der gør denne kontekst tilgængelig for de prædiktive modeller, der styrer forløbene.

Instinktet bag værktøjet

Det, der gør Anna Sophies tilgang værdifuld, er, at hun betragter Klaviyos forudsigelige funktioner som en praktiker, der forstår, hvorfor modellen fungerer – ikke blot hvordan man aktiverer den. Analogien med de spanske verber holder stadig: Reglerne er interessante, fordi de er kontekstafhængige. En forudsagt ordredato er kun nyttig, hvis den underliggende proces tager højde for, hvad det pågældende tidspunkt rent faktisk siger om kunden. En score for risikoen for kundeafgang er kun handlingsbar, hvis den fastholdelsesproces, den udløser, har noget reelt at tilbyde.

Prediktiv analyse i Klaviyo skaber forudsætningerne for bedre e-mails. Det er stadig marketingmedarbejderens opgave at udnytte disse forudsætninger optimalt – at vide, hvad modellen registrerer og hvorfor, og at designe forløb, der reagerer hensigtsmæssigt på det signal. Det er netop det område, Anna Sophie arbejder med, og derfor er hendes syn på disse funktioner værd at følge.

Se hele afsnittet af »Conversations« med Anna Sophie Christensen: E-mailmarkedsføring – mere end bare masseudsendelser.