Le Défi

Dans la phase de scale-up de Hire Space, ils faisaient face à un goulot d’étranglement. Pour chaque demande reçue, un expert venue devait la lire, comprendre et extraire les besoins du client, puis identifier manuellement les meilleurs lieux pour le client prospect. Ce processus était lent, répétitif et inefficace.

Le problème de vitesse était critique : en vente, plus vous répondez rapidement, plus la probabilité de conclure l’affaire est élevée. Les réservations de venues ne sont pas différentes.

Statistiques actuelles : En 2025, Hire Space reçoit plus de 40 000 demandes par an, avec une valeur de demande de £20M par mois. Cela représente une moyenne de £6k par demande.

Si Hire Space prenait des heures pour répondre tandis que les concurrents répondaient en minutes, ils perdraient la réservation - indépendamment d’avoir de meilleurs venues. Chaque heure de retard signifie des revenus perdus.

Nous avons été contactés par Will Swannell, cofondateur et PDG de l’entreprise, pour identifier les moyens par lesquels les données et l’IA pourraient être utilisées pour faciliter ce processus.

Will ne voulait pas remplacer leurs experts venues. Au lieu de cela, il voulait les doter d’outils qui rendraient leur travail plus facile et plus rapide, et qui permettraient à Hire Space de s’étendre au-delà de Londres.

Le Problème Technique

Nous devions passer des demandes textuelles aux recommandations de venues, d’une manière qui soit rapide, cohérente et évolutive.

Il s’agit évidemment de deux espaces différents. Bien que les venues puissent avoir des descriptions textuelles, ce n’est pas aussi simple que de vérifier quelle description de venue est la plus proche de la demande du client. C’était avant la génération actuelle de LLM, ce qui limitait nos options techniques.

Comme nous l’avons dit précédemment, cela devait aussi fonctionner le plus rapidement possible. Nous ne pouvions pas avoir un modèle complexe passant en revue chaque venue et vérifiant à quel point elle correspond à chaque demande.

Notre Solution

Nous avons commencé par travailler avec Will et son équipe pour comprendre le défi commercial complet. Qu’est-ce qui rendait exactement un venue “approprié” pour une demande spécifique ? Quels facteurs les experts considéraient-ils ? Nous avons formalisé ces règles commerciales implicites en exigences techniques - une traduction critique que beaucoup négligent.

Les données existaient mais étaient fragmentées à travers des bases de données SQL, des collections MongoDB et d’autres systèmes. Notre première contribution majeure était de créer une vue unifiée de ces données, donnant à Hire Space une clarté sur ce qu’ils avaient réellement.

Nous savions que nous devions construire quelque chose de personnalisé. C’était avant les LLM modernes, et les outils NLP existants n’étaient pas assez sophistiqués pour ce problème de correspondance spécifique. Et cela devait être rapide.

Nous avons conçu une architecture à deux étapes :

  • Un modèle de pré-filtrage personnalisé qui éliminait rapidement 90% des venues inappropriés basé sur des critères clés
  • Un réseau neuronal qui notait les venues restants en faisant correspondre les caractéristiques extraites du texte de la demande et des descriptions des venues

Ce n’était pas seulement un choix technique - c’était une décision commerciale. Faire fonctionner des réseaux neuronaux contre chaque venue aurait été d’une lenteur et d’un coût prohibitifs. Le pré-filtre garantissait que le système pouvait évoluer.

Nous sommes ensuite entrés dans une phase de raffinement itératif. Lors de sessions stratégiques hebdomadaires avec Will et ses data scientists, nous avons analysé les performances, identifié les goulots d’étranglement et amélioré continuellement le système.

Nos Résultats

Avec la direction de Hire Space, nous avons défini une métrique de performance : “Le modèle peut-il prédire quel venue sera sélectionné pour une demande donnée ?” En d’autres termes, étant donnée une demande, à quelle fréquence le modèle est-il capable de choisir le venue qui a été réellement sélectionné par le prospect ?

Non seulement cela, nous avons testé ceci contre des experts venues humains pour voir comment le modèle performait.

L’IA a atteint une précision 254% meilleure que les experts humains seuls.

Avec plus de 40 000 demandes par an valant £6k chacune, même une amélioration de 1% du taux de conversion représente £2,4M de revenus annuels supplémentaires. Notre système a livré bien plus que cela.

Impact Stratégique

Il ne s’agissait pas seulement d’automatisation - il s’agissait de construire un avantage propriétaire. Tandis que les concurrents correspondaient encore manuellement les venues, Hire Space pouvait maintenant :

  • Répondre aux demandes en minutes, pas en heures
  • Maintenir une qualité de niveau expert à grande échelle
  • S’étendre vers de nouveaux marchés sans embauche proportionnelle

L’architecture personnalisée importait. Les solutions prêtes à l’emploi ne pouvaient pas gérer leurs exigences de correspondance uniques. En construisant quelque chose adapté à leur modèle commercial, nous avons créé un système que les concurrents ne pouvaient pas répliquer simplement en achetant un logiciel.