손으로 기록하던 일상
세 달 전만 해도 우리는 바이어별로 이메일을 보낸 시간과 답장이 온 시간을 수첩에 메모했습니다. 구글 시트에 옮기고, 주말에 계산기로 경과 시간을 계산했어요. 매주 월요일 아침에는 「누가 가장 빨리 답장했지?」 정도만 눈으로 훑고 넘어갔습니다.
봇이 자동으로 시작한 일
Claude Code에 간단한 지시를 남겼습니다.
구글 시트 B열(발송 시간)과 C열(답장 시간)을 비교해서, D열에 경과 시간을 자동으로 계산해줘. 시간이 공란이면 「대기 중」으로 표시해.
그다음 주부터 봇은 매일 밤 11시에 자동으로 다음을 했습니다.
1. 바이어별 평균 응답 시간 계산
2. 응답 지연자(72시간 초과) 목록 정렬
3. 시간대별 응답률 집계 (오전, 오후, 저녁)
4. 주중과 주말의 응답 속도 비교
의외로 발견된 것
처음 일주일 데이터를 보며 깜짝 놀랐습니다. 우리가 생각하던 「빠른 바이어」와 실제 데이터가 달랐거든요.
• 특정 바이어는 화요일 오후 2시~3시 사이에 응답률이 90%였음
• 금요일 오후에 보낸 이메일은 72시간 이상 답장이 늦어지는 경향
• 지역별로 시간대 선호도가명백히 다름
이제 우리는 바이어 시간대 프로필을 보고 연락 시간을 정합니다. 「아, 이 분은 수요일 오전이 골든타임이구나」 이런 식으로요.
Before와 After
Before (손 기록 시절)
• 주 5시간 이상 데이터 정리 시간
• 지연된 바이어 인식 속도: 1주일
• 응답 패턴 분석: 거의 불가능
• 연락 타이밍: 대충 아침이나 오후
After (봇 자동 추적)
• 데이터 정리 시간: 0분 (매일 밤 자동)
• 지연 감지: 실시간 알림
• 응답 패턴: 매주 자동 리포트로 확인
• 연락 타이밍: 데이터 기반 최적화
작은 교훈
자동화가 꼭 거대한 시스템 개선만 가져오는 게 아니었습니다. 오히려 이렇게 작은 추적 하나가 영업 감각을 정량화했을 때, 우리 팀의 응대 속도가 확연히 빨라졌어요. 봇은 우리가 못 본 패턴을 매일 밤 조용히 보여줍니다.