Die Herausforderung
In Hire Spaces Scale-up-Phase standen sie vor einem Engpass. Für jede eingehende Anfrage musste ein Venue-Experte diese lesen, die Bedürfnisse des Kunden verstehen und extrahieren und dann manuell die besten Locations für den potenziellen Kunden identifizieren. Dieser Prozess war langsam, repetitiv und ineffizient.
Das Geschwindigkeitsproblem war kritisch: Im Verkauf gilt - je schneller Sie antworten, desto höher ist die Wahrscheinlichkeit, den Deal abzuschliessen. Venue-Buchungen sind nicht anders.
Aktuelle Statistiken: Im Jahr 2025 erhält Hire Space über 40.000 Anfragen pro Jahr mit einem Anfragewert von £20M pro Monat. Das sind durchschnittlich £6k pro Anfrage.
Wenn Hire Space Stunden brauchte, um zu antworten, während Konkurrenten in Minuten reagierten, würden sie die Buchung verlieren - unabhängig davon, ob sie bessere Venues hatten. Jede Stunde Verzögerung bedeutet verlorenen Umsatz.
Wir wurden von Will Swannell, Mitgründer und CEO des Unternehmens, kontaktiert, um Wege zu identifizieren, wie Daten und KI zur Erleichterung dieses Prozesses eingesetzt werden könnten.
Will wollte ihre Venue-Experten nicht ersetzen. Stattdessen wollte er sie mit Tools ausstatten, die ihre Arbeit einfacher und schneller machen und es Hire Space ermöglichen würden, über London hinaus zu expandieren.
Das Technische Problem
Wir mussten von Textanfragen zu Venue-Empfehlungen gelangen, und zwar auf eine Weise, die schnell, konsistent und skalierbar war.
Das sind offensichtlich zwei verschiedene Bereiche. Obwohl Venues Textbeschreibungen haben können, ist es nicht so einfach, zu prüfen, welche Venue-Beschreibung der Kundenanfrage am nächsten kommt. Dies war vor der aktuellen Generation von LLMs, was unsere technischen Optionen einschränkte.
Wie bereits erwähnt, musste dies auch so schnell wie möglich laufen. Wir konnten kein komplexes Modell haben, das jedes einzelne Venue durchgeht und prüft, wie gut es zu jeder einzelnen Anfrage passt.
Unsere Lösung
Wir begannen mit der Zusammenarbeit mit Will und seinem Team, um die vollständige Geschäftsherausforderung zu verstehen. Was genau machte ein Venue “richtig” für eine spezifische Anfrage? Welche Faktoren berücksichtigten Experten? Wir formalisierten diese impliziten Geschäftsregeln in technische Anforderungen - eine kritische Übersetzung, die viele übersehen.
Die Daten existierten, waren aber über SQL-Datenbanken, MongoDB-Sammlungen und andere Systeme fragmentiert. Unser erster grosser Beitrag war die Schaffung einer einheitlichen Sicht auf diese Daten und gab Hire Space Klarheit darüber, was sie tatsächlich hatten.
Wir wussten, dass wir etwas Massgeschneidertes bauen mussten. Dies war vor modernen LLMs, und bestehende NLP-Tools waren für dieses spezifische Matching-Problem nicht ausgereift genug. Und es musste schnell sein.
Wir entwarfen eine zweistufige Architektur:
- Ein massgeschneidertes Vorfilter-Modell, das schnell 90% der ungeeigneten Venues basierend auf Schlüsselkriterien eliminierte
- Ein neuronales Netzwerk, das die verbleibenden Venues bewertete, indem es extrahierte Features sowohl aus dem Anfrage-Text als auch aus den Venue-Beschreibungen abglich
Das war nicht nur eine technische Wahl - es war eine Geschäftsentscheidung. Neuronale Netzwerke gegen jedes Venue laufen zu lassen, wäre unerschwinglich langsam und teuer gewesen. Der Vorfilter stellte sicher, dass das System skalieren konnte.
Wir traten dann in eine iterative Verfeinerungsphase ein. In wöchentlichen Strategiesitzungen mit Will und seinen Datenwissenschaftlern analysierten wir die Leistung, identifizierten Engpässe und verbesserten das System kontinuierlich.
Unsere Ergebnisse
Zusammen mit Hire Spaces Führung definierten wir eine Leistungsmetrik: “Kann das Modell vorhersagen, welches Venue für eine gegebene Anfrage ausgewählt wird?” Mit anderen Worten, wie oft ist das Modell in der Lage, das Venue zu wählen, das tatsächlich vom Interessenten ausgewählt wurde, bei einer gegebenen Anfrage?
Nicht nur das, wir testeten dies gegen menschliche Venue-Experten, um zu sehen, wie gut das Modell abschnitt.
KI erreichte 254% bessere Genauigkeit als menschliche Experten allein.
Mit über 40.000 Anfragen pro Jahr im Wert von £6k jeder, stellt selbst eine 1% Verbesserung der Konversionsrate £2,4M zusätzlichen Jahresumsatz dar. Unser System lieferte weit mehr als das.
Strategische Auswirkung
Dies ging nicht nur um Automatisierung - es ging darum, einen proprietären Vorteil aufzubauen. Während Konkurrenten immer noch manuell Venues zuordneten, konnte Hire Space nun:
- Auf Anfragen in Minuten antworten, nicht in Stunden
- Experten-Qualität im grossen Massstab aufrechterhalten
- In neue Märkte expandieren ohne proportionale Einstellungen
Die massgeschneiderte Architektur war wichtig. Standard-Lösungen konnten ihre einzigartigen Matching-Anforderungen nicht bewältigen. Indem wir etwas auf ihr Geschäftsmodell Zugeschnittenes bauten, schufen wir ein System, das Konkurrenten nicht einfach durch den Kauf von Software replizieren konnten.