在任何规模下，最大的挑战之一就是理解您的客户真正在说什么。在 Cloudflare，我们每天都会收集大量的客户反馈。这些反馈是一个富有洞察力的金矿，但它分散在数十个不同的、面向公众的渠道中：我们自己的 Cloudflare 社区论坛、Reddit、X（前身为 Twitter）、GitHub、Discord、HackerNews 等。
单独来看，这些帖子只是轶事。但统合起来，它们就是一项战略资产。问题在于，这些数据集极其庞大，使得人工处理它们以获取产品、内容和设计洞察变得不切实际。这堆杂乱无章的反馈曾是一个未被充分利用的机会，无法用于发现跨职能的趋势。
为了解决这个问题，我们构建了 CloudSpeaker，这是一个旨在放大用户声音的内部工具。它的目的是节省时间、提高效率，并将来自所有这些外部社区的公开反馈整合到一个统一的视图中。
CloudSpeaker 旨在为 Cloudflare 的任何利益相关者（从产品经理和工程师到我们的用户体验团队）提供一种快速“把脉”他们所负责的产品和功能的方法。
该工具允许任何人查看：
- 跨多个渠道的产品反馈的合并视图。
- 反复出现的问题和客户痛点。
- 某种产品随时间推移的总体情绪。
这一整合后的视图目前已成为我们规划周期的关键部分，为从用户研究和画像构建到功能需求和季度待办事项优先级排序的方方面面提供信息。
CloudSpeaker 完全基于我们自己的产品构建。然而，其真正的核心力量来自于由我们的数据智能（Data Intelligence）团队管理的 AI 驱动的数据管道。
以下是它的工作原理：
- 摄取： 我们的管道每天从各种公共渠道摄取新的社区内容。
- AI 分类： 这些新的非结构化内容会被输入到我们的 AI 内容管道中。我们通过 Workers AI 使用大语言模型（LLM）来自动分类每一个帖子。每个帖子都会被标记三项关键信息：
- 提及的产品： 识别正在讨论 60 多个 Cloudflare 产品中的哪一个或哪几个。
- 情绪： 模型分析文本以确定用户的情绪，并在
negative、neutral到positive的光谱上进行分类。 - 帖子类型： 对帖子的意图进行分类，例如
help request、feature request或bug report。
- 存储和显示： AI 完成推理后，这些新的分类结果将存储在我们的 D1 数据库中，并可在 CloudSpeaker UI 中查看。
后端分类管道解决了手动处理的问题。前端应用程序则解决了易用性问题。
在 CloudSpeaker 仪表板中，产品经理可以按产品、情绪、帖子类型或日期范围的任意组合，对横跨长达六个月的整个数据集进行过滤。如果他们想查看上一季度关于特定产品的所有 negative 情绪且属于 feature request 的帖子，只需几秒钟即可完成。
此外，我们直接在 UI 中添加了第二层 AI。过滤出一组评论后，用户可以点击 Summarize（总结）按钮。这将使用 Workers AI 实时生成当前显示评论的摘要，从而提供定量数据的即时、定性概览。
CloudSpeaker 是一个强大的示例，展示了如何使用 AI 来分析和结构化用户每天生成的大量内容，而不是用来生成内容。它将曾经无法完成的手动任务转变为自动化的、可付诸行动的关键洞察来源。