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」。

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：

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

下一步：量化數據的系統實作

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。

根據以上 Claude 設計的追蹤節點，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！