Before: 用手逐笔检查异常发货
每周一早上,团队成员打开谷歌表单的 5,000 笔订单记录。
这笔订单发货有延迟吗?
这位客户提出退货申请了吗?
这笔订单是部分发货状态吗?
提出问题,寻找相关备注,在笔记应用和邮箱之间切换往返 2 小时。接着在电子表格上输入状态、进行筛选又花了 3 小时。加上周末补班,每周光这项工作就耗费 8 小时。
更大的问题是疲劳。到了第 4 小时,注意力开始涣散。同样模式的异常发货,有人分类为「发货延迟」,有人分类为「客户未签收」。
---
After: 5 分钟自动分类
周六下午,在 Windows 设备上打开 Claude Code。复制上周异常订单数据粘贴到提示语里。
「请根据以下标准自动分类这些订单。
发货延迟、客户投诉记录、部分发货、退款申请。
在每一行加上标签,并显示信心度(%)。」
机器人运作期间(3 分钟),我们喝了咖啡。
5 分钟后,谷歌表单的 5,000 笔记录全部自动填入完毕。每笔订单都贴上了 4 种发货状态标签和信心度。排序也自动完成了。
但出现了预料之外的发现。
机器人自动整理出过去 3 周内「发货延迟」订单中,特定国家地区的订单重新发货要求机率特别高的模式。我们团队一直没有留意过这种地区差异。
---
数据对比
| 项目 | Before | After |
|------|--------|-------|
| 周均耗时 | 8 小时 | 5 分钟 |
| 分类错误率 | 约 12% | 约 1.2% |
| 隐藏模式发现 | 手工无法进行 | 自动侦测 |
| 一致性 | 因人而异 | 100% 相同 |
---
小工具,大自由
Claude Code 机器人是非开发人员也能建立的简单自动化。我们没学过 JavaScript 或 Python。只需要谷歌表单和提示语就可以了。
现在那 8 小时被用在实际客户管理上。先发制人地联系出现异常发货的客户,准备重新发货,并根据地区改善配送政策。
自动化不是高深的技术。它只是从我们手中夺走「确认时间」,让我们重新得到「思考时间」。