Udfordringen

I Hire Spaces scale-up fase stod de over for en flaskehals. For hver modtaget forespørgsel skulle en venue-ekspert læse den, forstå og udtrække kundens behov og derefter manuelt identificere de bedste lokaler til den potentielle kunde. Denne proces var langsom, gentagen og ineffektiv.

Hastigheds-problemet var kritisk: i salg gælder det, at jo hurtigere du svarer, jo højere er sandsynligheden for at lukke handlen. Venue-bookinger er ikke anderledes.

Nuværende statistikker: I 2025 modtager Hire Space over 40.000 forespørgsler om året med en forespørgselsværdi på £20M om måneden. Det er et gennemsnit på £6k per forespørgsel.

Hvis Hire Space tog timer at svare, mens konkurrenter svarede på minutter, ville de miste bookingen - uanset om de havde bedre lokaler. Hver times forsinkelse betyder tabt omsætning.

Vi blev kontaktet af Will Swannell, medstifter og CEO af virksomheden, for at identificere måder, hvorpå data og AI kunne bruges til at facilitere denne proces.

Will ønskede ikke at erstatte deres venue-eksperter. I stedet ville han give dem værktøjer, der ville gøre deres job lettere og hurtigere, og som ville tillade Hire Space at ekspandere ud over London.

Det Tekniske Problem

Vi skulle gå fra tekstforespørgsler til venue-anbefalinger på en måde, der var hurtig, konsistent og skalerbar.

Dette er åbenlyst to forskellige rum. Selvom venues kan have tekstbeskrivelser, er det ikke så simpelt som at tjekke, hvilken venue-beskrivelse der er tættest på kundens forespørgsel. Dette var før den nuværende generation af LLM’er, hvilket begrænsede vores tekniske muligheder.

Som vi sagde før, skulle dette også køre så hurtigt som muligt. Vi kunne ikke have en kompleks model, der gennemgik hver enkelt venue og tjekkede, hvor godt den passede til hver enkelt forespørgsel.

Vores Løsning

Vi begyndte med at arbejde sammen med Will og hans team for at forstå den komplette forretningsudfordring. Hvad præcist gjorde et venue “rigtigt” for en specifik forespørgsel? Hvilke faktorer overvejede eksperter? Vi formaliserede disse implicitte forretningsregler til tekniske krav - en kritisk oversættelse, som mange overser.

Dataene eksisterede, men var fragmenterede på tværs af SQL-databaser, MongoDB-samlinger og andre systemer. Vores første store bidrag var at skabe et samlet overblik over disse data og give Hire Space klarhed over, hvad de faktisk havde.

Vi vidste, at vi skulle bygge noget tilpasset. Dette var før moderne LLM’er, og eksisterende NLP-værktøjer var ikke sofistikerede nok til dette specifikke matching-problem. Og det skulle være hurtigt.

Vi designede en to-trins arkitektur:

  • En tilpasset pre-filtrering model, der hurtigt eliminerede 90% af uegnede venues baseret på nøglekriterier
  • Et neuralt netværk, der scorede de resterende venues ved at matche udtrukne features fra både forespørgselsteksten og venue-beskrivelserne

Dette var ikke bare et teknisk valg - det var en forretningsbeslutning. At køre neurale netværk mod hvert venue ville have været uoverkommeligt langsomt og dyrt. Pre-filteret sikrede, at systemet kunne skalere.

Vi indgik derefter i en iterativ forfinelsesfase. I ugentlige strategisessioner med Will og hans dataforskere analyserede vi performance, identificerede flaskehalse og forbedrede løbende systemet.

Vores Resultater

Sammen med Hire Spaces ledelse definerede vi en performance-metrik: “Kan modellen forudsige, hvilket venue der vil blive valgt for en given forespørgsel?” Med andre ord, hvor ofte er modellen i stand til at vælge det venue, der faktisk blev valgt af prospektet, givet en forespørgsel?

Ikke kun det, vi testede dette mod menneskelige venue-eksperter for at se, hvor godt modellen præsterede.

AI opnåede 254% bedre nøjagtighed end menneskelige eksperter alene.

Med over 40.000 forespørgsler om året til £6k hver, repræsenterer selv en 1% forbedring i konverteringsraten £2,4M i yderligere årlig omsætning. Vores system leverede langt mere end det.

Strategisk Impact

Dette handlede ikke bare om automatisering - det handlede om at bygge en proprietær fordel. Mens konkurrenter stadig manuelt matchede venues, kunne Hire Space nu:

  • Svare på forespørgsler på minutter, ikke timer
  • Opretholde ekspert-niveau kvalitet i stor skala
  • Ekspandere til nye markeder uden proportional ansættelse

Den tilpassede arkitektur havde betydning. Standardløsninger kunne ikke håndtere deres unikke matching-krav. Ved at bygge noget skræddersyet til deres forretningsmodel skabte vi et system, som konkurrenter ikke kunne kopiere blot ved at købe software.