AI-система управления мероприятиями
Конференция на 3000 участников: 120 спикеров, 5 параллельных треков, 180 слотов расписания, 2400 нетворкинг-запросов, 40 спонсоров с различными visibility requirements. Координатор с Excel справляется, пока масштаб маленький. При реальной сложности — логистика расписания, матчинг участников, персонализация опыта, предиктивная аналитика посещаемости — без AI системы это или хаос, или огромная команда.
Оптимизация расписания
Constraint satisfaction для scheduling
Задача: разместить 180 сессий в 5 залах × 36 временных слотов с ограничениями:
- Спикер не может быть в двух местах одновременно
- Конкурирующие темы не ставятся параллельно (диверсификация)
- Зал вместимостью подходит под ожидаемую аудиторию сессии
- VIP спикеры — в prime time слотах
- Спонсорские сессии — по контракту в определённое время
CP-SAT (Google OR-Tools) — constraint programming solver, который обрабатывает эту задачу за 8–40 секунд в зависимости от числа constraints. Vs. ручная сборка расписания: 3 дня → 10 минут. При изменении одного условия (спикер выбыл) — пересчёт за секунды.
ML-компонент: предсказание ожидаемой аудитории каждой сессии (по историческим данным похожих конференций, теме, имени спикера, времени суток) → используется как вес для назначения зала.
Персонализированные рекомендации
Matchmaking участников
Networking — главная причина посещения b2b конференций. Задача: предложить каждому участнику 5–10 релевантных контактов из 3000. Входные данные: профиль LinkedIn/анкета регистрации, интересы, цели (ищу инвестора / ищу поставщика / ищу партнёра).
Архитектура: sentence-transformers (all-MiniLM-L6-v2 или multilingual-e5) кодирует профили в embeddings → cosine similarity поиск → re-ranking с учётом взаимной complementarity (инвестор × стартап лучше, чем два инвестора). Faiss для nearest neighbor поиска при 3000+ участниках.
Результаты на конференции 2800 участников: acceptance rate рекомендованных встреч 34% vs. 18% у random matching. Среднее число запланированных встреч на участника: 2.7 vs. 1.1.
Персонализация расписания
На основе профиля участника + заявленных интересов: рекомендация 8–12 сессий из 180. Collaborative filtering: «участники с похожим профилем также посещали...» + content-based: «тема сессии близка к вашим интересам» (sentence similarity). Hybrid весовое смешение 0.6/0.4.
Операционная аналитика
Предсказание посещаемости
Поспоживационные данные: WiFi presence detection, QR-сканирование входа, app check-in. Real-time: сколько людей в каком зале → оперативный перевод популярной сессии в больший зал. Предиктивно: за 30 мин до начала — прогноз посещаемости для логистики (стулья, кофе-брейки, стриминг).
XGBoost по фичам: тема, спикер (рейтинг из прошлых конференций), время, конкурирующие сессии в слоте, число pre-registrations. MAPE 21% — достаточно для операционных решений.
Обратная связь в реальном времени
Micro-survey после каждой сессии (1–2 вопроса, 30 секунд): real-time NPS + открытый комментарий. Sentiment analysis (BERT) → live dashboard для организаторов. Trending negative темы — немедленная реакция. На 5-дневной конференции: 89% participation rate при micro-format vs. 34% у традиционной анкеты в конце дня.
Спонсорская аналитика
Visibility measurement
Computer Vision анализ footage с конференции: детекция логотипов спонсоров на фото/видео (YOLOv8 fine-tuned на brand assets). Метрики: screen time, prominence score, context quality (рядом с keynote speaker — лучше, чем в коридоре). Автоматический post-event report для каждого спонсора с верифицированными данными visibility.
Lead tracking для спонсоров
NFC/QR badge scanning + CRM integration: каждое взаимодействие участника со стендом спонсора → лид в CRM (HubSpot, Salesforce) с контекстом. ML-скоринг лида по профилю участника + взаимодействиям. Конверсия лидов с AI-скорингом в продажи: +27% vs. нескоренные списки сканирований.
Срок разработки: 3–5 месяцев для scheduling + matchmaking + базовой аналитики. Полная платформа с CV брендинг-аналитикой: 5–8 месяцев.