문제: '언제 연락하지?'라는 끝없는 고민
비개발자로서 B2B 비즈니스를 운영하며 가장 답답했던 순간 중 하나는 바이어들에게 「언제」 연락해야 가장 빠른 응답을 받을 수 있을까 하는 질문이었다. 팀은 경험상 「아침이 좋은가, 저녁이 좋은가」 같은 막연한 추측으로 이메일을 보냈다.
결과는 일관성이 없었다. 같은 시간에 보낸 이메일도 어떤 날은 1시간 만에 답이 왔고, 어떤 날은 3일이 지나도 연락이 없었다.
솔루션: 데이터를 봇에게 읽히다
우리는 지난 6개월간의 바이어 회신 기록을 구글 시트에 정리했다. 이메일 발송 시간, 회신까지의 시간, 요일, 월, 응답률 같은 정보들이 담겨 있었다.
Claude Code에 간단한 명령을 내렸다. 「이 데이터에서 패턴을 찾아 줄 수 있을까?」
봇은 다음 것들을 자동으로 계산했다:
• 요일별 평균 응답 속도
• 시간대별 응답률 추이
• 가장 빠른 회신이 들어오는 시간 구간
• 응답이 늦는 시간대와 요일의 조합
의외의 발견: '월요일 아침'은 함정이었다
결과를 보고 팀 전체가 놀랐다.
우리가 「가장 좋은 시간」이라고 믿던 월요일 오전 9시는 실제로는 응답률이 가장 낮았다. 이유는 단순했다. 바이어들도 월요일 아침에는 메일함이 가득 찬 상태였고, 우리 이메일은 밀려난 것이다.
반대로 화요일 오후 3시와 목요일 오전 10시 사이, 그리고 금요일 오후 2시 이후에는 응답 속도가 눈에 띄게 빨랐다. 구체적으로는 평균 4시간 내 회신이 들어왔다.
또 하나의 패턴은 「시간대가 겹칠 때」였다. 우리는 한국 기준시인데, 유럽 바이어들에게는 오후 시간대가 그들의 아침 업무 시간과 겹쳤다. 그 시간대 이메일은 응답률이 60% 이상이었다.
Before & After
Before (수동 운영)
• 팀이 경험상 「좋을 것 같은 시간」에 이메일 발송
• 평균 회신 대기 시간: 24~48시간
• 응답 없는 이메일이 많아 재발송 여부를 판단하기 어려움
• 바이어별 최적 연락 시간이 다른데 전부 같은 시간에 발송
After (봇 기반 자동화)
• Claude Code가 매주 월요일 자동으로 데이터 분석 후 「이번 주 최고의 발송 시간대」 리포트 생성
• 평균 회신 대기 시간: 4~6시간 (대폭 단축)
• 팀이 권장 시간대에 이메일을 보내면 응답률이 45% → 72%로 상승
• 각 바이어의 타임존과 역사적 응답 패턴을 고려한 「맞춤형 발송 시간」 자동 제안
작은 자동화가 만든 변화
이것은 거창한 기술이 아니었다. 구글 시트에 있는 데이터를 Claude Code가 읽고, 간단한 통계 계산을 돌린 후 결과를 구글 시트 셀에 써 넣는 것뿐이었다. 그런데도 팀의 업무 흐름이 완전히 바뀌었다.
이제 팀원은 이메일을 보내기 전에 구글 시트의 「추천 시간대」 셀을 확인한다. 그 시간대에 맞춰 발송 예약을 잡는다.
더 놀라운 점은, 이 데이터를 시각적으로 정리하면서 팀 자체도 바이어들을 더 잘 이해하게 됐다는 것이다. 「한 바이어는 항상 수요일 오전에만 반응한다」 같은 개별 패턴도 눈에 띄기 시작했고, 그것이 협상 시간을 정하는 데도 도움이 됐다.
이 이야기의 핵심
자동화는 반드시 복잡한 시스템이어야 하는 게 아니다. 이미 있는 데이터를 다른 관점에서 읽게 하는 것만으로도, 의사결정의 질이 바뀔 수 있다. 우리는 지금도 매주 이 데이터 분석을 돌리고 있고, 계절이나 마켓 상황이 바뀔 때마다 새로운 패턴이 떠오른다.
「비개발자도 할 수 있는 자동화」는 이런 것이다. 손으로 계산할 수 없을 정도로 많은 데이터를 봇이 빠르게 처리하고, 그 결과를 다시 우리 손으로 활용하는 사이클.