Slutsålt kostar inte bara försäljningen. Det skapar också tyst tvivel, särskilt när kunder känner att de själva behövde upptäcka de dåliga nyheterna. En vag “restnoterad”-etikett, en alltför hurtig ursäkt, och plötsligt känns ditt varumärke undvikande.
Den här prompten för out-of-stock notification flows är byggd för ansvariga för retention inom e-handel som behöver ett konsekvent program över e-post/SMS utan att låta robotiga, operativa chefer som vill ha tydliga triggers och eskaleringsregler när datum glider, och ansvariga för kundupplevelse som bygger upp förtroende igen efter upprepade lageröverraskningar. Resultatet är en stegvis utrullningsplan, kanalredo meddelandemallar, operativa regler (inklusive edge cases), samt mätning och optimeringsloopar som du kan implementera med en lättviktig stack.
Vad gör den här AI-prompten och när ska du använda den?
| Vad den här prompten gör | När du ska använda den här prompten | Vad du får |
|---|---|---|
|
|
|
Hela AI-prompten: byggare för program vid slut i lager-notiser
Fyll i fälten nedan för att anpassa prompten efter dina behov.
| Variabel | Vad du ska ange | Anpassa prompten |
|---|---|---|
[FORETAGSNAMN] |
Ange namnet på det företag som programmet för lagerstatus-/slut-i-lager-notiser tas fram för. Till exempel: "EcoMart Online"
|
|
[BRANSCH] |
Ange vilken bransch företaget verkar inom så att programmet kan anpassas efter verksamhetens behov. Till exempel: "E-handel för hållbara hushållsprodukter"
|
|
[PRODUKTBESKRIVNING] |
Ge en kort beskrivning av den eller de produkter som påverkas av att de är slut i lager. Till exempel: "Sänglakan i ekologisk bomull i storlekarna queen och king"
|
|
[MALGRUPP] |
Beskriv den primära kundgruppen, inklusive demografiska och beteendemässiga detaljer som är relevanta för deras förväntningar. Till exempel: "Miljömedvetna millennials i åldern 25–40 som värdesätter hållbara och etiskt framtagna produkter."
|
|
[VARUMARKESTON] |
Definiera vilken ton och kommunikationsstil som ska användas och som ligger i linje med företagets varumärkesidentitet. Till exempel: "Vänlig, transparent och empatisk, med fokus på hållbarhet och omtanke om kunden."
|
|
[BAKGRUND] |
Ge bakgrundsinformation om nuläget eller de utmaningar som gör att programmet behövs. Till exempel: "En nylig efterfrågetopp ledde till oväntade lagerslut för flera populära produkter, vilket ökade antalet kundklagomål."
|
|
[UTMANING] |
Sammanfatta det huvudsakliga problemet eller hindret som programmet behöver lösa. Till exempel: "Minska kundmissnöje och kundbortfall som beror på återkommande förseningar i återfyllnad av nyckelprodukter."
|
|
[TEKNIKSTACK] |
Lista de verktyg och plattformar som företaget använder i dag för att hantera lager, kommunikation och kunddata. Till exempel: "Shopify för e-handel, Klaviyo för e-postmarknadsföring och Google Sheets för lageruppföljning."
|
|
[FORETAGSSTORLEK] |
Ange företagets storlek utifrån exempelvis teamstorlek, omsättning eller kundbas. Till exempel: "Medelstort företag med 50 anställda och 10 miljoner USD i årsomsättning."
|
|
[TIDSPLAN] |
Ange tidsplanen för att implementera notifieringsprogrammet. Till exempel: "3 månader från projektstart till full lansering."
|
|
[PLATTFORM] |
Ange den eller de huvudplattformar där notifieringsprogrammet ska implementeras. Till exempel: "Företagets webbplats samt notiser via e-post och SMS."
|
|
[BUDGET] |
Ange avsatt budget för att ta fram och implementera notifieringsprogrammet. Till exempel: "25 000 USD för programutveckling och initial lansering."
|
|
[HUVUDMAL] |
Definiera det övergripande målet med programmet för slut-i-lager-notiser. Till exempel: "Att behålla kundernas förtroende och engagemang genom att ge tydliga och snabba uppdateringar om produkttillgänglighet."
|
|
[VERSAL_MED_UNDERSCORES] |
Ange ett anpassat värde som är relevant för programmet, formaterat med versaler och understreck. Till exempel: "SLUT_I_LAGER_NOTIS"
|
Proffstips för bättre resultat från AI-prompten
- Börja med att definiera dina “sanningsgränser”. Prompten är utformad för att vara radikalt ärlig utan att avslöja känsliga interna detaljer, så bestäm vad du tryggt kan säga innan du genererar mallar. Till exempel: “Vi kan dela ett påfyllnadsintervall (2–3 veckor) men inte leverantörsdetaljer eller problem i fraktkedjan.”
- Berätta vilken stack du har och vilka begränsningar som gäller. Du får mer genomförbara operativa regler när AI:n vet om du använder Shopify + Klaviyo, en enkel ESP eller mest manuella supportflöden. En bra följdprompt är: “Utgå från att vi bara har e-post + banner på sajten (ingen SMS) och en ops-person som uppdaterar två gånger i veckan. Skriv om utrullningsplanen så att den passar.”
- Be om samtyckesmedvetet språk för preferenser, inte bara mallar. Många team glömmer opt-in-mekanik och slutar med att spamma kunder “för att de frågade en gång”. Efter första svaret, lägg till: “Inkludera microcopy för ett preferenscenter och regler för frekvensbegränsning (max 1 uppdatering per 5 dagar om inte datumet ändras).”
- Tvinga fram edge cases tidigt. Ärligt talat går dina flöden sönder i de konstiga scenarierna, inte i de normala. När du fått huvudstegen, fråga: “Skriv nu om de operativa reglerna för (1) okänt påfyllnadsdatum, (2) delvis påfyllnad som inte täcker alla restordrar och (3) andra försening-aviseringen inom 14 dagar, med exakta triggers och rekommenderad formulering.”
- Gör mätloopen till en enkel dashboardspecifikation. Prompten föreslår KPI:er, men du kan göra det genomförbart genom att be om händelsenamn och definitioner. Testa: “Lista exakta events/egenskaper vi ska spåra (t.ex. ‘Back-in-stock subscribed’, ‘Delay update sent’, ‘Cancel due to delay’), plus en veckovis granskningschecklista för CX och ops.”
Vanliga frågor
Lifecycle marketing managers använder den för att bygga e-post-/SMS-sekvenser som håller kunder informerade utan att överkommunicera, vilket skyddar avregistreringsnivåer och återköpsintention. Customer experience (CX)-ansvariga lutar sig mot den för att standardisera ton och timing så att agenter inte improviserar förklaringar i ärenden hela dagarna. Operations managers inom e-handel använder den för att definiera triggers, eskaleringsvägar och hantering av edge cases när ETA:er skiftar eller lager kommer tillbaka i del-leveranser. Grundare med fokus på retention använder den för att göra “väntan” till en styrd upplevelse med tydliga alternativ som ersättningsprodukter, påfyllnadsaviseringar eller avbokningar.
E-handelsretail får omedelbart värde eftersom slutsålt är vanligt och kunder förväntar sig proaktiva uppdateringar; den stegvisa planen minskar “några uppdateringar?”-ärenden och förebygger chargebacks som drivs av förvirring. Konsumentförpackade varor (CPG) med DTC-drops kan använda edge-case-reglerna för plötslig sell-through och upprepade förseningar, särskilt när efterfrågan sticker iväg bortom den initiala allokeringen. Kläder och skor gynnas när storlekar kommer tillbaka ojämnt (delvis lager) och de behöver precisa budskap om vad som finns och vad som fortfarande är på väg. Nischade förbeställningsvarumärken använder mätloopen för att följa förtroendesignaler under långa väntetider, så att förseningar inte blir till återbetalningsvågor.
En typisk prompt som “Skriv ett mejl om att produkten är slut i lager för min butik” misslyckas eftersom den: saknar ett end-to-end-program med steg och timing, inte ger operativa triggers eller eskaleringsregler för ändrade ETA:er, ignorerar samtyckesmedvetna preferenser och frekvensbegränsningar mellan kanaler, producerar generiska ursäkter i stället för specifik förväntanssättning med alternativ, och missar edge cases som okända påfyllnadsdatum, delvisa lageråterkomster och upprepade förseningar. Du landar i “fina ord” som inte håller när verkligheten ändras. Och kunder märker det.
Ja, och det bör du, även om grundprompten inte har några ifyllnadsvariabler. Snabbaste sättet är att lägga till en kort brief först: din företagsstorlek, kanaler (e-post, SMS, webbplats), nuvarande stack, typisk osäkerhet i påfyllnad (känt intervall vs okänt) och din varumärkesröst (lugn, direkt, minimalistisk). Be sedan om begränsningar som matchar din verklighet, som “max 2 meddelanden per vecka” eller “ingen SMS om inte uttrycklig opt-in”. En stark följdfråga är: “Skriv om mallarna för en premium-ton, och lägg till ett flöde för ersättningsförslag för kunder som väljer att få alternativ.”
Det största misstaget är att lämna kanalreglerna vaga — i stället för “vi skickar e-post och SMS”, säg “e-post till alla köpare, SMS endast till uttryckliga opt-ins, och högst 1 SMS per 7 dagar om inte datumet ändras.” Ett annat vanligt fel är att inte definiera din ETA-säkerhet; “påfyllnad snart” är svagt, medan “påfyllnadsintervall: 10–14 dagar, men kan glida” ger systemet något ärligt att kommunicera. Team glömmer också edge cases; be inte bara om en back-in-stock-notis, be om språk för “okänt påfyllnadsdatum” och “andra försening inom 14 dagar”. Till sist hoppar många över mätning; byt ut “följ upp resultat” mot konkreta KPI:er som öppningsgrad för uppdateringar, avbokningsgrad på grund av försening och volym av avledda supportärenden.
Den här prompten är inte idealisk för team som bara vill ha ett enda “tyvärr, vi är slut”-mejl och inte planerar att köra ett stegvis program med triggers och uppföljningar. Den är inte heller rätt om du försöker dölja lagerproblem med manipulativa knapphetstaktiker, eftersom systemet bygger på radikal ärlighet och samtyckesmedveten kommunikation. Och om ditt verkliga problem är prognos eller inköp behöver du operativ planering utöver meddelanden. I de fallen: använd en enklare mall, eller åtgärda lagerplaneringen först och kom tillbaka för att bygga förtroendelagret.
Slutsålt händer. Tystnad och vaghet behöver inte göra det. Klistra in prompten i ChatGPT, generera din stegvisa plan och mallar, och implementera sedan reglerna så att nästa försening känns hanterad i stället för dold.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.