Utfordringen

I Hire Spaces scale-up-fase sto de overfor en flaskehals. For hver mottatte forespørsel måtte en venue-ekspert lese den, forstå og trekke ut kundens behov og deretter manuelt identifisere de beste lokalene for den potensielle kunden. Denne prosessen var treg, repetitiv og ineffektiv.

Hastighetsproblemet var kritisk: i salg gjelder det at jo raskere du svarer, jo høyere er sannsynligheten for å lukke avtalen. Venue-bookinger er ikke annerledes.

Nåværende statistikk: I 2025 mottar Hire Space over 40 000 forespørsler per år, med en forespørselsverdi på £20M per måned. Det er et gjennomsnitt på £6k per forespørsel.

Hvis Hire Space tok timer å svare mens konkurrenter svarte på minutter, ville de miste bookingen - uavhengig av å ha bedre venues. Hver time med forsinkelse betyr tapt inntekt.

Vi ble kontaktet av Will Swannell, medgrunnlegger og CEO i selskapet, for å identifisere måter data og AI kunne brukes til å lette denne prosessen.

Will ønsket ikke å erstatte deres venue-eksperter. I stedet ønsket han å utstyre dem med verktøy som ville gjøre jobben deres lettere og raskere, og som ville tillate Hire Space å ekspandere utover London.

Det Tekniske Problemet

Vi måtte gå fra tekstforespørsler til venue-anbefalinger, på en måte som var rask, konsistent og skalerbar.

Dette er åpenbart to forskjellige rom. Selv om venues kan ha tekstbeskrivelser, er det ikke så enkelt som å sjekke hvilken venue-beskrivelse som er nærmest kundens forespørsel. Dette var før dagens generasjon av LLM-er, noe som begrenset våre tekniske alternativer.

Som vi sa tidligere, måtte dette også kjøre så raskt som mulig. Vi kunne ikke ha en kompleks modell som gikk gjennom hver enkelt venue og sjekket hvor godt den passet til hver enkelt forespørsel.

Vår Løsning

Vi begynte med å jobbe med Will og teamet hans for å forstå den komplette forretningsutfordringen. Hva gjorde egentlig et venue “riktig” for en spesifikk forespørsel? Hvilke faktorer vurderte ekspertene? Vi formaliserte disse implisitte forretningsreglene til tekniske krav - en kritisk oversettelse som mange overser.

Dataene eksisterte, men var fragmentert på tvers av SQL-databaser, MongoDB-samlinger og andre systemer. Vårt første store bidrag var å skape en enhetlig visning av disse dataene, og gi Hire Space klarhet over hva de faktisk hadde.

Vi visste at vi måtte bygge noe tilpasset. Dette var før moderne LLM-er, og eksisterende NLP-verktøy var ikke sofistikerte nok for dette spesifikke matchingsproblemet. Og det måtte være raskt.

Vi designet en to-trinns arkitektur:

  • En tilpasset førfilteringsmodell som raskt eliminerte 90% av uegnede venues basert på nøkkelkriterier
  • Et nevralt nettverk som scoret de gjenværende venues ved å matche ekstraherte egenskaper fra både forespørselsteksten og venue-beskrivelsene

Dette var ikke bare et teknisk valg - det var en forretningsbeslutning. Å kjøre nevrale nettverk mot hver venue ville ha vært uoverkommelig tregt og dyrt. Førfilteret sikret at systemet kunne skalere.

Vi gikk deretter inn i en iterativ forbedringsfase. I ukentlige strategisesjoner med Will og hans dataforskere analyserte vi ytelsen, identifiserte flaskehalser og forbedret systemet kontinuerlig.

Våre Resultater

Sammen med Hire Spaces ledelse definerte vi en ytelsesmetrikk: “Kan modellen forutsi hvilket venue som vil bli valgt for en gitt forespørsel?” Med andre ord, hvor ofte klarer modellen å velge det venue som faktisk ble valgt av prospektet, gitt en forespørsel?

Ikke bare det, vi testet dette mot menneskelige venue-eksperter for å se hvor godt modellen presterte.

AI oppnådde 254% bedre nøyaktighet enn menneskelige eksperter alene.

Med over 40 000 forespørsler per år verdt £6k hver, representerer selv en 1% forbedring i konverteringsrate £2,4M i ekstra årlige inntekter. Vårt system leverte langt mer enn det.

Strategisk Påvirkning

Dette handlet ikke bare om automatisering - det handlet om å bygge en proprietær fordel. Mens konkurrenter fortsatt manuelt matchet venues, kunne Hire Space nå:

  • Svare på forespørsler på minutter, ikke timer
  • Opprettholde ekspert-nivå kvalitet i stor skala
  • Ekspandere til nye markeder uten proporsjonal ansettelse

Den tilpassede arkitekturen var viktig. Standardløsninger kunne ikke håndtere deres unike matchingkrav. Ved å bygge noe skreddersydd til deres forretningsmodell, skapte vi et system som konkurrenter ikke kunne replikere ved bare å kjøpe programvare.