問題：「何時聯繫？」的無盡困擾
作為非開發者運營B2B業務，最令人沮喪的時刻之一是何時聯繫購買者才能獲得最迅速的回應。團隊基於經驗用「早上好還是晚上好」這類模糊的猜測發送電郵。
結果缺乏一致性。同一時間發送的電郵，有時一小時內就得到回覆，有時三天過去仍無音信。
解決方案：讓機器人讀取數據
我們整理了過去6個月的購買者回應記錄在Google試算表中。包含電郵發送時間、回應耗時、星期、月份、回應率等資訊。
我們給Claude Code下達簡單指令。「你能從這些數據中找到模式嗎？」
機器人自動計算了以下項目：
• 按星期計算的平均回應速度
• 按時段劃分的回應率趨勢
• 最快收到回覆的時間區間
• 回應緩慢的時段與星期組合
意外發現：「星期一早上」是陷阱
看到結果時整個團隊都驚訝了。
我們認為「最佳時間」的星期一上午9點實際上回應率最低。原因很簡單。購買者星期一早上的信箱也堆滿了郵件，我們的電郵被埋沒了。
相反地，星期二下午3點至星期四上午10點之間，以及星期五下午2點以後回應速度明顯更快。具體而言平均在4小時內收到回覆。
另一個模式是「時區重疊時」。我們以韓國標準時運營，對歐洲購買者而言我們的下午時間正好是他們的上班時間。那個時段的電郵回應率超過60%。
Before & After
Before（手動運營）
• 團隊基於經驗「認為可能不錯的時間」發送電郵
• 平均回應等待時間：24至48小時
• 無回覆的電郵難以判斷是否需要重新發送
• 購買者的最佳聯繫時間各不相同，卻都用同一時間發送
After（機器人自動化）
• Claude Code每周一自動分析數據後生成「本週最佳發送時段」報告
• 平均回應等待時間：4至6小時（大幅縮短）
• 團隊按推薦時段發送電郵時，回應率從45%上升至72%
• 自動考慮每個購買者的時區與歷史回應模式，提供「個性化發送時間」建議
小型自動化創造的改變
這不是宏大的技術。只不過是Claude Code讀取Google試算表中的數據，執行簡單的統計計算，然後將結果寫入試算表單元格。然而團隊的業務流程完全改變了。
現在團隊成員發送電郵前會查看試算表中的「推薦時段」單元格。按該時段安排發送預約。
更令人驚訝的是，在視覺化整理這些數據時，團隊本身對購買者的理解也加深了。「某個購買者總是只在星期三上午回應」這類個別模式開始顯現，這也幫助了我們安排談判時間。
故事的核心
自動化不一定要是複雜的系統。只需從不同角度讓機器人讀取已有的數據，決策品質就能改變。我們至今還在每週運行這個數據分析，每當季節或市場狀況改變時，新的模式就會浮現。
「非開發者也能做到的自動化」就是這樣。機器人快速處理人工無法計算的龐大數據量，然後我們再用手重新活用這些結果的循環。