# Så här markerar och utesluter du produkter i produktrekommendationer

> Placera produkter i fälten för ”köps ofta tillsammans” och ”alternativ”, och blockera kombinationer som aldrig bör visas tillsammans. Ett kurateringslager ovanpå de automatiska rekommendationerna.

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

---

Hello Retails motor för produktrekommendationer automatiserar produktupptäckten på alla sidor – men vissa produkter kräver ett mänskligt ingripande. Plattformen låter nu handlare fästa specifika produkter i rekommendationsfälten ”köps tillsammans” och ”alternativ”, samt svartlista produkter som aldrig ska visas tillsammans. Resultatet: En algoritm som du kan anpassa produkt för produkt, utan att behöva bygga om hela din rekommendationsstrategi från grunden.

## Varför automatiserade rekommendationer fortfarande behöver ett kurateringslager

Produktrekommendationer är en av de mest effektiva kontaktpunkterna inom e-handeln. <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">Enligt en undersökning från McKinsey uppgår intäktsökningen tack vare personalisering till 10–15 %</a> över hela kundresan, och det är vanligtvis i widgetarna för produktrekommendationer på produktdetaljsidorna som denna ökning är som mest koncentrerad. Samtidigt 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 funnit att 80 % av konsumenterna är mer benägna att köpa från varumärken som erbjuder personaliserade upplevelser</a> – vilket innebär att kvaliteten på det du visar är lika viktigt som själva det faktum att du visar något överhuvudtaget.

Hello Retails automatiserade system, som bygger på Product Intelligence, sköter det mesta av detta i stor skala. Det tolkar beteendesignaler – visningar, klick, köp – och skapar en rekommendationslogik som fungerar även för produkter med begränsad köphistorik. E-handelsansvariga får relevanta förslag från hela sortimentet utan att behöva sammanställa varje kombination manuellt.

Det är i gränsfall som algoritmen kommer till korta. Ett helt automatiserat system har ingen möjlighet att veta att den hawaiiskjortan i din sommarkollektion aldrig bör visas bredvid förra säsongens formella kavajer. Det vet inte att du har bestämt dig för att alltid presentera en samarbetspartners badbyxor tillsammans med en specifik stjärnprodukt. Det är affärslogiska beslut som ligger ovanför data, och fram till nyligen fanns det inget smidigt sätt att agera utifrån dem inom en rekommendationsplattform.

## Fästa och utesluta: Så här fungerar det i Hello Retail

Funktionen nås via avsnittet ”Produkter” på Hello Retail-instrumentpanelen. Handlarna navigerar till en enskild produkt, öppnar inställningarna för den och hittar där alternativ för att ändra inställningarna för två centrala rekommendationsalgoritmer: **”alternativ”** och **”köps ofta tillsammans**”.

**Utesluta produkter från alternativ:** Om två produkter tillhör samma kategori men krockar vad gäller stil, varumärkespositionering eller marginalprofil kan du svartlista den ena från den andras alternativflöde. Ändringen träder i kraft omedelbart – ta bort en produkt från algoritmen så försvinner den från den rekommendationsplatsen. Ingen kodändring krävs och du behöver inte vänta på en ny indexering.

**Att fästa produkter i ”köps tillsammans”:** Algoritmen för ”köps tillsammans” utgår från historiska uppgifter om samköp för att visa vad kunderna faktiskt köper tillsammans med en viss produkt. Denna signal är vanligtvis tillförlitlig, men det tar tid att bygga upp den och den kan inte fånga upp avsiktliga marknadsföringsstrategier. Med "Pinning" kan du lägga till specifika produkter direkt i det fältet, och du kan ställa in visningsordningen så att dina kombinationer med högst prioritet visas först i widgeten.

Så snart du sparar visas de utvalda rekommendationerna på produktsidan. Demoversionen gör detta tydligt: Lägg till ett par badshorts i widgeten ”Köp tillsammans” för en hawaiiskjorta, uppdatera produktsidan, och badshortsen dyker omedelbart upp i det utvalda fältet – utan fördröjning och utan driftsättning.

## När kuratering är värt sin kostnad

Algoritmen hanterar volymen. Kurateringen hanterar avsikten. För större delen av ett sortiment är ren automatisering det rätta standardvalet – systemet identifierar rätt signaler och lyfter fram relevanta produkter utan någon manuell inblandning. Arbetet med att kuratera varje SKU individuellt skulle överstiga vinsten.

Det är i en mindre grupp av högprioriterade fall som kuratering lönar sig. Sessionen identifierar de tydligaste exemplen: Produkter med hög marginal och hög varumärkesprioritet där rekommendationernas effekt är tillräckligt synlig för att motivera direkt styrning. En modekedja kan till exempel se till att ett iögonfallande halsband alltid visas tillsammans med en specifik klänning – den typ av stylingbeslut som ett inköpsteam skulle fatta, inte en algoritm. En sportkedja kan koppla kompletterande artiklar till en ny produktlansering innan data om samköp hunnit samlas in.

<a href="https://www.salesforce.com/resources/research-reports/state-of-the-connected-customer/" rel="nofollow">Salesforces rapport ”State of the Connected Customer” visar att 66 % av kunderna förväntar sig att varumärken ska förstå deras unika behov och förväntningar</a> – en ribba som ständigt höjs. En rekommendationskombination som känns slumpmässig eller inte passar varumärket leder inte bara till att konverteringen misslyckas. Den undergräver också förtroendet för verktyget som helhet. Verktyget för att utesluta är lika viktigt som verktyget för att markera: Att veta vad som aldrig bör visas tillsammans är en del av att veta vad som bör visas.

Tillsammans gör dessa två funktioner det möjligt att selektivt tillämpa mänskligt omdöme på de produkter där det ger störst effekt, medan algoritmen fortsätter att sköta allt annat. Automatiseringen hanterar katalogen i stor skala; med hjälp av ”pinning” och undantag får produktansvariga precisionskontroll över de få beslut som verkligen kräver det.

## Kom igång

Funktionen är från och med idag tillgänglig för alla Hello Retail-kunder som har funktionen ”Produktrekommendationer” aktiverad i sin kontrollpanel. Ingen ytterligare konfiguration krävs – inställningarna för att markera och exkludera produkter visas under produktinställningarna för alla artiklar i katalogen.

Det praktiska arbetsflödet är enkelt: Identifiera dina säsongsbetonade storsäljare, dina viktigaste produkter med hög vinstmarginal och eventuella produktkombinationer som är viktiga för varumärkespartnerna. Öppna varje produkt i kontrollpanelen, ställ in undantagen för alternativen och algoritmerna för samköp, och spara. Ändringarna träder i kraft omedelbart och kan justeras i takt med att katalogen förändras, kampanjperioderna skiftar eller när nya data om kombinerade köp samlas in och algoritmens egna rekommendationer förbättras.

Automatisering är fortfarande grunden. Kuratering är det lager som gör det till ditt eget.

---

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