問題發現的時刻
某個早晨，我注意到 Google 試算表中記錄的買家應答率比平時明顯下降。明明有發送電子郵件，為什麼沒有回應呢？
懷疑的指針指向了「垃圾郵件夾」。看起來我們發送的郵件中的某些元素觸發了郵件篩選系統。
開始用 Claude Code 進行數據分析
我用 Claude Code 分析了存儲在 Google 試算表中過去 3 個月的郵件記錄（約 800 筆）和回應結果。
Claude Code 分析請求：
• 郵件主題的詞語長度分佈
• 正文中包含的鏈接數量
• 是否附加了圖片
• 按時間段劃分的垃圾郵件分類率
• 特定關鍵詞的包含情況
驚人的發現
分析結果顯示了三種明顯的模式。
1) 如果包含 3 個以上的鏈接，垃圾郵件率增加 85%
我們發送的郵件包含了產品鏈接、公司網站和作品集鏈接。郵件服務器將其視為可疑信號。
2) 主題中包含「緊急」、「限量」、「現在」等詞語時，被篩選的概率增加 3 倍
用行銷感覺撰寫的主題反而適得其反。
3) 晚上 11 點之後發送的郵件比早上 6 點之前發送的郵件的垃圾分類率高 50%
Windows 設備的自動發送時程安排是根本原因。
改進工作
我用 Claude Code 重新設計了郵件範本。
改進前的範本：
「您好。【現在就確認】！
鏈接 1 / 鏈接 2 / 鏈接 3 / 鏈接 4」
改進後的範本：
「您好。與您分享產品信息。
詳情請參考郵件正文。
（必要時，正文中只插入 1 個鏈接）」
我還調整了發送時間為上午 8 點至 12 點之間，並將自動發送機器人的間隔設置為每次 30 秒，以減輕服務器負擔。
結果
範本改進後兩週時的成果：
• 垃圾郵件分類率：32% → 8%
• 買家應答率：12% → 31%
• 郵件打開率：18% → 52%
最令人驚訝的是，所有這些改進都不需要我們直接編寫一行代碼就能實現。Claude Code 讀取了數據、提供了模式分析、提出了改進建議，而我們只是將結果應用到範本中。
核心學習要點
自動化不僅僅是加快重複工作的速度。它是一種發現隱藏問題、用數據證明原因並提出改進方向的工具。
現在，我們的夢想團隊機器人每週都在分析新的買家郵件數據。期待下一次的發現。