困境: 郵件堆積，回應越來越慢
某個 B2B 貿易團隊每周收到 50~70 份買家詢問。初期還能管理，但三個月後，Google Sheet 中累積了超過 500 份詢問。
「新詢問來臨時，舊的自動被遺忘。不知道哪個有多緊急，回應順序一團亂。」
團隊發現回應速度下降，高價值買家的等待時間超過 3 天。
自動化設計: 建立優先級引擎
Bella 使用 Claude Code 撰寫了一個自動化機器人，內嵌以下規則:
1. 首次接觸買家(新客) > 重複接觸買家
2. 詢問規模偵測(大量訂單關鍵字)
3. 語言別回應複雜度(中文 > 英文)
4. 未回應耗時計時
每封郵件自動分配 1~5 分的優先級評分。
執行: Windows 與 Mac mini 的任務分工
Windows 設備(主要作業)
• 讀取 Google Sheet 詢問資料
• 透過 Claude Code 執行優先級演算法
• 將結果自動記錄至新欄位(Priority_Score)
Mac mini 機器人(輔助驗證)
• 完成 Windows 作業後進行資料複查
• 標記優先級錯誤項目
• 每周生成驗證報告
成果: 回應時間縮短 60%
Before(手動)
• 500 份詢問中前 100 份優先級整理耗時: 4 小時
• 平均回應等待時間: 3.2 天
• 每月遺漏的高價值詢問: 5~7 筆
After(自動化)
• 500 份優先級整理耗時: 12 分鐘(含 API 成本)
• 平均回應等待時間: 1.3 天(縮短 60%)
• 每月遺漏詢問: 0~1 筆(改善 95%)
• 額外成效: 回應時間縮短後，買家回覆率增加 43%
意外發現
運行自動化過程中發現一個模式。周一上午 6~8 點(韓國時間)收到的詢問，回應率是其他時段的 3 倍。
「這是東南亞買家的早起郵件檢查時段。現在我們會優先在那個時間回應。」
演算法不只進行了分類，更改善了整個團隊的工作方式。