Day5-人機協作找答案 – AI引導下的系統量化之路（上）
昨天分享了訪談階段理想與現實的差距，以及我們決定轉向量化的重要決策。今天要接續這個故事，深入聊聊我們如何與AI協作，從眾多變數中找到量化的核心焦點，並最終決定自主開發追蹤系統的完整過程。
量化範圍的關鍵決策：為什麼只專注「訂單建立」？
在決定進行量化後，我們面臨的第一個問題是：要量化哪個部分？
從訪談中發現的不可控因素
回顧之前的訪談和觀察，我們發現整個銷售流程中充滿了太多變數：
客戶諮詢階段的變數：
- 有些客戶很明確知道要買什麼，決定快速，流程簡單
- 有些客戶需要搭配多樣商品，諮詢時間長，比較複雜
- 客戶的決策風格差異很大：有人當場決定，有人需要回家考慮
系統架構的限制：
- 目前詢價功能在不同系統中
- 庫存查詢也是獨立的系統
- 這些外部查詢的時間很難精準追蹤
環境因素的影響：
- 門市忙碌程度不同
- 其他客戶的干擾
與AI討論量化範圍的確立
面對這麼多變數，我帶著困惑向Claude請教：
我的 Prompt：
“我們想要量化銷售流程，但發現前段的客戶諮詢時間變數太多，包括客戶決策風格、商品複雜度、外部系統查詢等。請協助我們思考，應該聚焦在哪個環節進行量化會比較有意義？”
Claude的分析建議：
- 建議聚焦在「可控制」且「標準化」的流程環節
- 客戶確定購買後的訂單建立流程相對穩定
- 這個環節的時間長短更能反映系統效率問題
- 可以排除客戶決策因素的干擾
這個建議讓我們有了明確的方向：專注量化「客戶確定下單後，業務建立訂單的完整過程」。
訂單建立流程的核心價值
我們之所以選擇這個範圍，是因為它能揭露幾個關鍵問題：
流程卡點的識別：
- 是否在輸入客戶地址時卡很久？需要確認電梯、樓層等配送資訊
- 商品加入訂單的步驟是否耗時？可能需要重複查找商品編號
- 促銷計算是否造成延遲？複雜的折扣規則可能讓系統變慢
操作習慣的觀察：
- 業務是否習慣先建立客戶資料，還是先加入商品？
- 在訂單建立過程中，是否經常需要中途修改？
- 付款資訊的填寫是否順暢？
系統問題的暴露：
- 哪些頁面載入速度較慢？
- 哪些操作容易導致系統錯誤？
- 流程中是否有不必要的重複步驟？
發現關鍵問題：反覆編輯的時間成本
真實場景的觀察
在實地觀察中，我們發現了一個特別有趣的現象：
典型的「反覆編輯」情境：
- 業務開始建立訂單，加入客戶指定的商品
- 進行到付款資訊填寫時，客戶突然說：「等等，我想再加一個抱枕」
- 業務需要回到商品選擇頁面，重新搜尋和加入商品
- 商品加入後，發現促銷規則改變了，需要重新計算價格
- 回到付款頁面，才發現客戶又想要修改配送地址
這個現象背後的意義
對業務人員的影響：
- 增加不必要的操作時間
- 容易產生操作錯誤
- 影響服務其他客戶的效率
對客戶體驗的影響：
- 等待時間變長，客戶不耐煩
- 頻繁的系統操作讓客戶懷疑專業度
- 可能影響最終的購買決策
對系統設計的啟發：
- 流程設計是否過於線性？
- 是否缺少「暫存」和「預覽」功能？
- 能否在不同步驟間更靈活地切換？
與AI協作：確立技術解決方案
既有工具的評估
有了明確的量化目標後，我們開始評估實作方案。第一個想法當然是：有沒有現成的工具可以使用？ 於是再次向 Claude 請教：
我的 Prompt：
“目前市面上的工具可以量化銷售流程嗎？如果有，請列出幾個我們可以測試的工具，並簡易說明原因嗎？”
Claude提供的市面上選擇有很多：
- Google Analytics：最常見的網站分析工具
- Hotjar：使用者行為分析和熱力圖
- Mixpanel：事件追蹤分析
- LogRocket：使用者會話錄製
- Crazy Egg：點擊熱力圖分析
根據AI建議進行實際測試
拿到Claude的工具清單後，我們逐一測試和評估各種工具是否符合我們的需求。 經過一輪工具測試，我們發現標準化工具都無法完美滿足需求。於是我再次向Claude請教：
AI建議的自製方案
向Claude詳細說明我們的需求後，得到了具體的技術建議：
我的完整 Prompt：
“我們想追蹤訂單建立流程中每個步驟的時間，特別關注：1)客戶資料輸入耗時 2)商品加入訂單耗時 3)反覆編輯的頻率和時間成本 4)付款資訊填寫耗時。現有的GA和Hotjar都無法滿足這些精細化需求，請建議技術實作方案。基於我們的系統架構，我目前比較傾向使用 Google Sheets、Google Apps Script 和 GTM 來做記錄，你覺得這個方式可行嗎？”
Claude的解決方案：
-
使用GTM管理追蹤代碼
- 不需修改現有系統核心程式
- 可以靈活調整追蹤邏輯
- 支援自定義事件和變數
-
Action Scripting記錄關鍵節點
- 在每個重要操作點植入時間戳記錄
- 可以追蹤「進入」和「離開」每個步驟的時間
- 記錄操作類型（新增、編輯、刪除）
-
Google Sheets作為資料倉庫
- 即時同步，方便多人查看
- 內建圖表功能，快速產生分析報表
- 成本低，不需額外的資料庫投資
你預想的方式是可行的，需要我協助你設計追蹤節點嗎？
與Claude協作設計追蹤節點
這時我意識到一個重要點：Claude並不知道我們的系統實際長什麼樣子。如果只是簡單回答「好的」，他可能會基於想像設計出一套與我們真實系統不符的追蹤節點。
於是我詳細向Claude說明了我們的實際操作流程：
我的完整 Prompt：
“好，請幫我設計追蹤節點。我建立訂單的流程是：訂單管理頁 → 點選創建訂單 → 點選創建新客戶 → 客戶email填寫 → 配送資料填寫 → 新增產品 → 其他欄位填寫 → 建立訂單。這裡都還不要寫程式喔，我們都單純規劃就好。”
注意： 這裡不是單純地告訴他 yes 或 no，而是要詳細說明你的系統操作流程，才能夠讓他設計出正確的追蹤節點，否則他會想像一套流程設計給你，那麼就脫離了我們目前系統的操作流程了。
我也特別告訴他「這裡都還不要寫程式喔，我們都單純規劃就好。」，這樣他就知道我們目前只會先規劃，不會真的寫程式，他也知道我們目前的進度和需求，這樣才會設計出正確的追蹤節點。
Claude提供的詳細追蹤節點設計
T1 – 進入訂單管理頁
- 觸發時機：使用者進入訂單管理頁面
- 記錄目的：標記訂單流程的起始點
- 重要性：建立整個流程的基準時間
T2 – 點選創建訂單
- 觸發時機：點擊「創建訂單」按鈕
- 記錄目的：真正開始訂單建立流程
- 重要性：區分「瀏覽」和「實際操作」的時間
T3 – 點選創建新客戶
- 觸發時機：選擇「創建新客戶」選項
- 記錄目的：進入客戶建立流程
- 重要性：追蹤決策時間（新客戶vs既有客戶）
T4 – 客戶email填寫完成
- 觸發時機：完成email欄位填寫並移至下一步
- 記錄目的：追蹤客戶基本資料輸入耗時
- 重要性：電子郵件格式驗證可能造成延遲
T5 – 配送資料填寫完成
- 觸發時機：完成配送地址等資料填寫
- 記錄目的：追蹤配送資訊處理時間
- 重要性：這個步驟容易卡關（電梯、樓層確認）
T6 – 產品新增完成
- 觸發時機：完成所有產品的新增
- 記錄目的：追蹤商品選擇和加入的總耗時
- 重要性：最容易發生反覆編輯的環節
T7 – 其他欄位填寫完成
- 觸發時機：完成訂單的其他必要欄位填寫
- 記錄目的：追蹤最終資料完整性確認時間
- 重要性：付款方式、備註等資訊的處理時間
T8 – 訂單建立完成
- 觸發時機：成功建立訂單
- 記錄目的：標記整個流程的結束點
- 重要性：系統處理和儲存訂單的時間
下一步：量化數據的系統實作
根據以上 Claude 設計的追蹤節點，我們就可以開始進行實際的實作了。
明天我們將分享與AI協作建立實際追蹤系統的過程，讓我們期待明天的分享吧！
這個從「理論規劃」到「實際實作」的轉變，將展現AI如何在技術實作層面提供具體的協助，以及人機協作在解決真實業務問題上的實際價值。
與AI協作的價值反思
AI在決策過程中的關鍵貢獻
問題聚焦： Claude幫助我們從眾多變數中找到最有價值的量化焦點，避免了「什麼都想測量」的陷阱。
技術指引： 提供了具體可行的技術解決方案，讓我們不用從零摸索GTM和Action Scripting的實作細節。
風險提醒： 指出了實作過程中可能遇到的技術和營運挑戰，讓我們提前準備應對策略。
人機協作的最佳實踐
人類的價值：
- 深度理解業務場景和實際需求
- 判斷哪些數據對業務決策真正有意義
AI的價值：
- 提供技術實作的具體建議
- 分析不同方案的優缺點
- 預測可能的實作風險和解決方案
協作的關鍵：
- 向AI提供足夠詳細的上下文資訊
- 不斷迭代和優化提問的方式
- 將AI建議與實際情況結合判斷