PROJECT 04
問卷數據工程：XM 管線與 AI 屬性標籤
問卷最值錢也最難用的部分是「開放題的文字」——顧客真正想說的話都在裡面，但沒人有時間讀完幾萬筆。這一頁收錄兩段各自獨立的實作：①XM 體驗管理產品的資料管線（Dagster 資料工程，我兼任開發）；②AI 屬性標籤 PoC。至於把洞察直接生成出來的「問卷 AI Dashboard」原型，獨立成下一頁。
① XM 體驗管理產品的資料管線（Dagster 資料工程）
產品背景（SurveyCake 公開產品資訊）：XM（Pipecake）是 SurveyCake 的延伸產品，把「蒐集滿意度問卷」往前推進到「自動產出商業洞察」——系統週期性擷取問卷填答，計算 CSAT（顧客滿意度）與 NPS（淨推薦值），並透過 Azure AI 做情緒分析與文字向量化，把每一則評論自動配對到預先定義的主題，最後以儀表板呈現體驗趨勢與問題點。官方產品介紹：SurveyCake XM 產品頁；產品升級亦獲科技媒體 INSIDE 報導。公司開發人力短缺時，我主動補位兼任前後端，把這個含 AI 分析的產品做到上線並持續迭代。
整體流程（高階視角）
flowchart LR
subgraph Z1["系統(每週期自動執行)"]
A["撈取新填答
與使用者的指標配置"]
B["計算 CSAT/NPS
與條件警示"]
C["AI 判讀每則評論
情緒分數+關鍵字"]
D["向量化比對
自動歸類主題"]
E["匯總入庫
全程留執行紀錄"]
end
subgraph Z2["企業使用者"]
F["XM 儀表板
看趨勢與問題點"]
end
A --> B --> C --> D --> E --> F
工程視角：技術時序圖（點開展開）
sequenceDiagram
autonumber
participant DG as Dagster 排程(AWS Fargate)
participant SDB as SurveyCake DB(填答資料)
participant XDB as XM DB(PostgreSQL)
participant SE as Azure 情緒分析
participant VE as Azure 向量化
participant ST as 雲端儲存
Note over DG: 週期性自動觸發，任務起訖均寫入執行紀錄
DG->>XDB: 讀取使用者建立的指標配置
DG->>SDB: 撈取新進填答資料
DG->>DG: 配對問卷與指標(標記分行/接觸點/服務項目)
DG->>DG: 計算 CSAT / NPS
DG->>XDB: 寫入條件警示與 CSAT/NPS 分數
loop 每則文字評論
DG->>SE: 傳送評論文字
SE-->>DG: 情緒分數/關鍵字/重要文字
DG->>VE: 傳送評論與關鍵字,請求向量化
VE-->>DG: 文字向量
DG->>DG: 向量計算→評論配對至主題
end
DG->>XDB: 寫入情緒分析結果與主題配對匯總
DG->>ST: 上傳排程過程檔案
Note over XDB: 匯總資料就緒——前台儀表板即可查詢
② AI 屬性標籤 PoC：從填答認識填答者
另一項我為公司開發的 AI PoC：讓模型從問卷填答內容推論填答者的屬性標籤——填答者是什麼樣的人、屬於哪種客群傾向，為後續的分眾溝通與個人化鋪路。
這條線證明了什麼
能力組合
- 資料工程：ETL、排程、失敗重跑、成本控制——不是玩 demo，是跑生產
- AI 應用判斷：哪些交給模型（情緒／主題／屬性），哪些留給人（分析方向）
- 產品思維：從「功能」往前一步想「使用者的工作流被改變了什麼」
- 雙重證明：這條線同時證明了我的技術實作力，與把客戶需求真正實現出來的能力——兩者的交會正是售前顧問的價值
成果
- XM 管線正式運轉：非結構化填答 → CSAT／NPS／主題指標的自動化
- AI 屬性標籤 PoC 完成——從填答認識填答者的第一步
- 另為 BD 開發 XM AI 分析小工具，批次產出分析結果提升銷售效率