Before: 用手逐筆檢查異常出貨
每週一早上,團隊成員打開 Google 表單的 5,000 筆訂單紀錄。
這筆訂單發貨有延遲嗎?
這位客戶提出退貨申請了嗎?
這筆訂單是部分發貨狀態嗎?
提出問題,尋找相關備註,在筆記應用和信箱之間切換往返 2 小時。接著在試算表上輸入狀態、進行篩選又花了 3 小時。加上週末補班,每週光這項工作就耗費 8 小時。
更大的問題是疲勞。到了第 4 小時,注意力開始渙散。同樣模式的異常出貨,有人分類為「發貨延遲」,有人分類為「客戶未簽收」。
---
After: 5 分鐘自動分類
週六下午,在 Windows 設備上打開 Claude Code。複製上週異常訂單資料貼到提示語裡。
「請根據以下標準自動分類這些訂單。
發貨延遲、客戶投訴紀錄、部分發貨、退款申請。
在每一行加上標籤,並顯示信心度(%)。」
機器人運作期間(3 分鐘),我們喝了咖啡。
5 分鐘後,Google 表單的 5,000 筆紀錄全部自動填入完畢。每筆訂單都貼上了 4 種出貨狀態標籤和信心度。排序也自動完成了。
但出現了預料之外的發現。
機器人自動整理出過去 3 週內「發貨延遲」訂單中,特定國家地區的訂單重新發貨要求機率特別高的模式。我們團隊一直沒有留意過這種地區差異。
---
數據對比
| 項目 | Before | After |
|------|--------|-------|
| 週均耗時 | 8 小時 | 5 分鐘 |
| 分類錯誤率 | 約 12% | 約 1.2% |
| 隱藏模式發現 | 手工無法進行 | 自動偵測 |
| 一致性 | 因人而異 | 100% 相同 |
---
小工具,大自由
Claude Code 機器人是非開發人員也能建立的簡單自動化。我們沒學過 JavaScript 或 Python。只需要 Google 表單和提示語就可以了。
現在那 8 小時被用在實際客戶管理上。先發制人地聯繫出現異常出貨的客戶,準備重新發貨,並根據地區改善配送政策。
自動化不是高深的技術。它只是從我們手中奪走「確認時間」,讓我們重新得到「思考時間」。