# Sådan fastgør og udelukker du produkter i produktanbefalinger

> Placer produkter i kategorierne »købes ofte sammen« og »alternativer«, og bloker kombinationer, der aldrig bør vises sammen. Et kurateringslag oven på de automatiske anbefalinger.

**Author:** Ecaterina Capatina
**Published:** May 21, 2026
**Tags:** product-recommendations, personalization, merchandising, ecommerce

---

Hello Retails produktanbefalingsmotor automatiserer produktsøgningen på alle sider – men nogle produkter kræver et menneskeligt indgreb. Platformen giver nu forhandlere mulighed for at fastsætte bestemte produkter til anbefalingsfelterne »købes sammen« og »alternativer« samt at sætte produkter på sortlisten, som aldrig må vises sammen. Resultatet: En algoritme, som du kan tilpasse produkt for produkt, uden at skulle genopbygge hele din anbefalingsstrategi fra bunden.

## Hvorfor automatiserede anbefalinger stadig har brug for et kurateringslag

Produktanbefalinger er et af de mest effektive kontaktpunkter inden for e-handel. <a href="https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying" rel="nofollow">Ifølge en undersøgelse fra McKinsey ligger omsætningsstigningen som følge af personalisering på 10–15 %</a> på tværs af hele kunderejsen, og det er typisk i widgetterne med produktanbefalinger på produktdetaljesiderne, at denne stigning er mest koncentreret. Samtidig har <a href="https://www.epsilon.com/us/about-us/pressroom/new-epsilon-research-indicates-80-of-consumers-are-more-likely-to-make-a-purchase-when-brands-offer-personalized-experiences" rel="nofollow">Epsilon konstateret, at 80 % af forbrugerne er mere tilbøjelige til at købe fra mærker, der tilbyder personaliserede oplevelser</a> – hvilket betyder, at kvaliteten af det, du viser, er lige så vigtig som selve det at vise noget.

Hello Retails automatiserede system, der er baseret på Product Intelligence, klarer det meste af dette i stor skala. Det analyserer adfærdssignaler – visninger, klik og køb – og udvikler en anbefalingslogik, der fungerer selv for produkter med begrænset købshistorik. E-handelsansvarlige får relevante forslag på tværs af hele sortimentet uden at skulle sammensætte hver enkelt kombination manuelt.

Det er i grænsetilfældene, at algoritmen kommer til kort. Et fuldautomatisk system har ingen mulighed for at vide, at den hawaiiskjorte i din sommerkollektion aldrig bør vises ved siden af sidste sæsons formelle blazere. Det ved ikke, at du har forpligtet dig til altid at præsentere en samarbejdspartners badebukser sammen med et bestemt flagskibsprodukt. Det er forretningslogiske beslutninger, der ligger over dataene, og indtil for nylig var der ingen enkel måde at handle ud fra dem på inden for en anbefalingsplatform.

## Fastgørelse og udelukkelse: Sådan fungerer det i Hello Retail

Funktionen er tilgængelig under afsnittet »Produkter« på Hello Retail-dashboardet. Forhandlere kan gå til et hvilket som helst enkelt produkt, åbne dets indstillinger og finde indstillinger til at tilsidesætte to centrale anbefalingsalgoritmer: **alternativer** og **købes sammen**.

**Udelukkelse af produkter fra alternativer:** Hvis to produkter tilhører samme kategori, men er uforenelige med hensyn til stil, brandpositionering eller marginprofil, kan du sortliste det ene produkt fra det andres feed med alternativer. Ændringen træder i kraft med det samme – fjerner du et produkt fra algoritmen, forsvinder det fra den pågældende anbefalingsplads. Der kræves ingen kodændringer, og du behøver ikke vente på en genindeksering.

**At fastsætte produkter til »købt sammen«:** Algoritmen for »købt sammen« bygger på historiske data om sammenkøb for at vise, hvad kunderne rent faktisk køber sammen med et givet produkt. Dette signal er som regel pålideligt, men det tager tid at opbygge, og det kan ikke afspejle bevidste merchandising-intentioner. Med "Pinning" kan du tilføje specifikke produkter direkte til den pågældende plads, og du kan indstille deres visningsrækkefølge, så de kombinationer, du prioriterer højest, vises først i widgeten.

Når du har gemt, vises de kuraterede anbefalinger straks på produktsiden. Session-demoen gør det konkret: Fastgør et par badeshorts til widgeten »Købt sammen« på en hawaiisk skjorte, opdater produktsiden, og så vises de badeshorts straks i det kuraterede felt – uden forsinkelse og uden implementering.

## Når kuratering tjener sig selv ind

Algoritmen tager sig af omfanget. Kurateringen tager sig af hensigten. For størstedelen af et katalog er ren automatisering den rigtige standardløsning – systemet finder de rigtige signaler og fremhæver relevante produkter uden manuel indgriben. Arbejdet med at kuratere hver enkelt SKU ville veje tungere end fordelen.

Det er i en mindre gruppe af sager med høj prioritet, at kuratering virkelig betaler sig. Sessionen identificerer de mest oplagte tilfælde: Produkter med høj fortjeneste og høj brandprioritet, hvor anbefalingsresultatet er tydeligt nok til at berettige direkte kontrol. En modebutik kan f.eks. sikre, at en iøjnefaldende halskæde altid vises sammen med en bestemt kjole – den slags stylingbeslutning, som et indkøbsteam ville træffe, ikke en algoritme. En sportsbutik kan knytte supplerende varer til en ny produktlancering, før der er indsamlet tilstrækkelige data om sammenkøb.

<a href="https://www.salesforce.com/resources/research-reports/state-of-the-connected-customer/" rel="nofollow">Salesforces rapport »State of the Connected Customer« viser, at 66 % af kunderne forventer, at mærker forstår deres unikke behov og forventninger</a> – en standard, der bliver stadig højere. En anbefalingskombination, der virker tilfældig eller ikke passer til mærket, fører ikke blot til manglende konvertering. Den undergraver tilliden til widgetten som helhed. Værktøjet til udelukkelse er lige så vigtigt som værktøjet til fastgørelse: At vide, hvad der aldrig bør vises sammen, er en del af at vide, hvad der bør vises sammen.

De to kontrolfunktioner giver dig tilsammen mulighed for at anvende menneskelig vurdering målrettet på de produkter, hvor det giver størst effekt, mens algoritmen fortsat styrer alt andet. Automatiseringen håndterer kataloget i stor skala; fastsættelse og udelukkelse giver merchandisere præcis kontrol over de få beslutninger, der virkelig kræver det.

## Kom godt i gang

Funktionen er fra i dag tilgængelig for alle Hello Retail-kunder, der har aktiveret »Produktanbefalinger« i deres kontrolpanel. Der kræves ingen yderligere konfiguration – indstillingerne for at markere og udelukke vises under produktindstillingerne for alle varer i kataloget.

Den praktiske arbejdsgang er enkel: Identificer dine sæsonbestemte stjerneprodukter, dine vigtigste varer med høj fortjeneste og eventuelle kombinationer, der er vigtige for dine brandpartnere. Åbn hvert produkt i dashboardet, indstil overstyringerne for alternativerne og algoritmerne for varer, der ofte købes sammen, og gem. Ændringerne træder i kraft med det samme og kan justeres, når kataloget ændres, kampagneperioder skifter, eller når der indsamles nye data om sammenkøb, og algoritmens egne anbefalinger forbedres.

Automatisering er stadig grundlaget. Kuratering er det lag, der gør det til dit eget.

---

*This content is from the Hello Retail blog. For the full experience with images and formatting, visit [helloretail.com/da/blog/recommendations-pinning-excluding-products](https://helloretail.com/da/blog/recommendations-pinning-excluding-products)*
