Utmaningen
I Hire Spaces scale-up-fas stod de inför en flaskhals. För varje mottagen förfrågan behövde en venue-expert läsa den, förstå och extrahera kundens behov och sedan manuellt identifiera de bästa lokalerna för den potentiella kunden. Denna process var långsam, repetitiv och ineffektiv.
Hastighetsprobleme var kritiskt: inom försäljning gäller att ju snabbare du svarar, desto högre är sannolikheten att lyckas med affären. Venue-bokningar är inte annorlunda.
Nuvarande statistik: År 2025 tar Hire Space emot över 40 000 förfrågningar per år, med ett förfrågningsvärde på £20M per månad. Det är i genomsnitt £6k per förfrågan.
Om Hire Space tog timmar att svara medan konkurrenter svarade på minuter, skulle de förlora bokningen - oavsett om de hade bättre venues. Varje timme av försening betyder förlorade intäkter.
Vi kontaktades av Will Swannell, medgrundare och VD för företaget, för att identifiera sätt som data och AI kunde användas för att underlätta denna process.
Will ville inte ersätta deras venue-experter. Istället ville han utrusta dem med verktyg som skulle göra deras jobb lättare och snabbare, och som skulle tillåta Hire Space att expandera bortom London.
Det Tekniska Problemet
Vi behövde gå från textförfrågningar till venue-rekommendationer, på ett sätt som var snabbt, konsekvent och skalbart.
Detta är uppenbart två olika utrymmen. Även om venues kan ha textbeskrivningar, är det inte så enkelt som att kontrollera vilken venue-beskrivning som är närmast kundens förfrågan. Detta var före nuvarande generation av LLM:er, vilket begränsade våra tekniska alternativ.
Som vi sa tidigare behövde detta också köra så snabbt som möjligt. Vi kunde inte ha en komplex modell som gick igenom varje enskild venue och kontrollerade hur väl den passade varje enskild förfrågan.
Vår Lösning
Vi började med att arbeta med Will och hans team för att förstå den kompletta affärsutmaningen. Vad gjorde egentligen en venue “rätt” för en specifik förfrågan? Vilka faktorer övervägde experterna? Vi formaliserade dessa implicita affärsregler till tekniska krav - en kritisk översättning som många förbiser.
Datan existerade men var fragmenterad över SQL-databaser, MongoDB-samlingar och andra system. Vårt första stora bidrag var att skapa en enhetlig vy av denna data, vilket gav Hire Space klarhet över vad de faktiskt hade.
Vi visste att vi behövde bygga något anpassat. Detta var före moderna LLM:er, och befintliga NLP-verktyg var inte sofistikerade nog för detta specifika matchningsproblem. Och det behövde vara snabbt.
Vi designade en tvåstegsarkitektur:
- En anpassad förfiltrationsmodell som snabbt eliminerade 90% av olämpliga venues baserat på nyckelkriterier
- Ett neuralt nätverk som poängsatte de återstående venues genom att matcha extraherade egenskaper från både förfrågans text och venue-beskrivningarna
Detta var inte bara ett tekniskt val - det var ett affärsbeslut. Att köra neurala nätverk mot varje venue skulle ha varit oöverkomligt långsamt och dyrt. Förfiltret säkerställde att systemet kunde skalas.
Vi gick sedan in i en iterativ förfiningsfas. I veckovisa strategisessioner med Will och hans datavetare analyserade vi prestanda, identifierade flaskhalsar och förbättrade systemet kontinuerligt.
Våra Resultat
Tillsammans med Hire Spaces ledning definierade vi en prestationsmetrik: “Kan modellen förutsäga vilken venue som kommer att väljas för en given förfrågan?” Med andra ord, hur ofta lyckas modellen välja den venue som faktiskt valdes av prospektet, givet en förfrågan?
Inte bara det, vi testade detta mot mänskliga venue-experter för att se hur väl modellen presterade.
AI uppnådde 254% bättre noggrannhet än mänskliga experter ensamma.
Med över 40 000 förfrågningar per år värda £6k vardera, representerar även en 1% förbättring av konverteringsfrekvensen £2,4M i ytterligare årliga intäkter. Vårt system levererade mycket mer än så.
Strategisk Påverkan
Detta handlade inte bara om automatisering - det handlade om att bygga en proprietär fördel. Medan konkurrenter fortfarande manuellt matchade venues, kunde Hire Space nu:
- Svara på förfrågningar på minuter, inte timmar
- Upprätthålla expertnivå-kvalitet i stor skala
- Expandera till nya marknader utan proportionell anställning
Den anpassade arkitekturen var viktig. Färdiga lösningar kunde inte hantera deras unika matchningskrav. Genom att bygga något skräddarsytt för deras affärsmodell skapade vi ett system som konkurrenter inte kunde replikera genom att bara köpa programvara.