문제는 '늦은 발견'이었다
한 무역회사의 소규모 팀에서는 매일 배송 추적 데이터를 수작업으로 확인했다. 배송사 웹사이트를 직접 방문해 번호를 입력하고, 엑셀에 상태를 옮기고, 지연 여부를 판단하는 식이었다.
Before (수동 운영)
매일 오후 2시. 팀원이 20개 주문의 배송 상태를 하나씩 확인
입력 오류나 놓친 주문 발생 (주 2~3건)
지연 발견까지 평균 3~5시간 소요
바이어에게 늦은 공지로 신뢰도 하락
Claude Code를 투입한 실험
팀의 한 멤버가 간단한 아이디어를 시도했다. "배송 데이터를 자동으로 분석하고, 평균 배송 시간과 비교해 지연을 예측할 수 있지 않을까?"
구글 시트에 저장된 배송 기록(출발일, 예상 도착일, 현재 상태)을 Claude Code에 읽히도록 설정했다. 코드는 매일 오전 8시에 자동 실행되도록 짰다.
매일 아침 자동 실행 프로세스
1. 구글 시트에서 활성 주문 데이터 읽기
2. 각 주문의 경과 시간 계산
3. 같은 지역·같은 배송사 데이터와 비교
4. "지연 가능성" 점수 매기기
5. 임계값 초과 시 Slack에 즉시 알림
예상 밖의 결과
2주일째부터 일이 이상해졌다.
Claude Code가 인간의 눈으로는 아직 확인 안 된 주문들을 "주의 필요"로 플래그했다. 팀이 반신반의하며 배송사에 전화했더니, 실제로 그 주문들은 부산 항만에서 지연 중이었다.
After (자동 예측)
매일 오전 7시 자동 분석 완료 (사람이 일어나기 전)
지연 가능성 95% 이상인 주문만 요약 리포트 (5개 미만)
바이어에게 평균 8시간 전 공지 가능
지난달 "배송 지연" 관련 클레임 0건
흥미로운 발견들
자동화를 2개월 운영하면서 몇 가지 패턴이 드러났다.
• 목요일 오후 배송은 월요일 지연 가능성 35% 상승
• 여름철 특정 수출 항구는 예상 도착일보다 평균 2.3일 늦음
• 재패킹이 필요한 주문은 지연 신호가 더 정확함
팀은 이 데이터를 바탕으로 "금요일 발송은 지양"이라는 내부 규칙을 만들었다.
비개발자의 깨달음
"우리는 자동화를 위해 프로그래밍을 배워야 한다고 생각했어요. 하지만 구글 시트와 Claude Code가 있으니, 패턴을 찾는 질문만 제대로 던지면 됐어요."
이제 팀은 배송 지연뿐 아니라, 반품 패턴, 계절별 수요 변화도 같은 방식으로 예측하려고 계획 중이다. 윈도우 디바이스 한 대와 AI의 조합이 작은 회사의 예측 능력을 바꿔 놓은 셈이다.