AI-система матчинга участников для нетворкинга на мероприятиях

AI-матчинг на мероприятиях: почему знакомства не случаются

На мероприятии с несколькими сотнями регистраций организатор обычно отдаёт общий список и предлагает знакомиться самим. Формально контактов много, полезных — единицы: в списке нет сигнала, кто ищет партнёра по интеграции, кто инвестора, а кто пришёл за подрядчиком.

Ручной подбор контактов упирается в пропускную способность куратора: за день он успевает свести 10–15 пар и держит в голове далеко не все интересы и запросы. Дальше работает случайность — сосед за столом на перерыве или первый, кто подошёл к стенду.

Отсюда низкая конверсия в знакомство: участник уносит несколько визиток, в реальный разговор переходят единицы. Через день после события переписка затухает, потому что у пары не было общего контекста для следующего шага — только обмен контактами.

AI-матчинг участников меняет принцип. Вместо общего перечня система собирает профиль каждого: роль, отрасль, текущий запрос, формат сотрудничества, и считает близость запросов между людьми. На выходе не «все со всеми», а ранжированные рекомендации участников мероприятия с объяснением, почему конкретная пара имеет смысл.

Ниже разбираем, как это устроено: откуда берутся данные о запросах, чем ранжируются пары, как учитываются слоты, залы и языки — и почему рекомендация без объяснения причины почти не превращается во встречу.

Что меняется, когда рекомендации считает система

При ручном нетворкинге участник тратит первый час на то, чтобы понять, кто в зале вообще релевантен. Организаторы сводят людей по памяти и по строчке в списке должностей, поэтому время до первого полезного контакта измеряется десятками минут, а часть зала так и не находит нужных людей.

Система матчинга работает иначе: профиль участника разбирается на признаки — роль, задачи на ближайший квартал, отрасли интереса, что человек приносит в разговор и что ищет. Вес пары считается не по совпадению слов, а по взаимности: если у одного в запросе стоит задача, которую второй закрывает, и наоборот — пара поднимается наверх. Рекомендации уходят туда, где участник реально читает, — в Telegram или в приложение мероприятия.

Измеримые эффекты появляются уже на второй-третьей выдаче. Время до первого осмысленного контакта сокращается с часа до десяти-пятнадцати минут, доля взаимных рекомендаций — тех, где интерес подтвердили оба — вырастает примерно вдвое против случайных знакомств, а вопросы «а с кем мне поговорить» перестают собираться в очередь у стойки организаторов.

Дальше система дообучается на исходах: после встречи участник отмечает, была ли она полезной, и эти отметки меняют веса на следующем мероприятии. Кураторы перестают быть диспетчерами и занимаются программой, а не разводом людей по залу. Качество подбора при этом проверяемо: видно, сколько пар дошли до контакта, сколько остались в переписке и на какой итерации выдача перестала улучшаться.

Форматы матчинга: ручной подбор, правила, модель

На входе у системы матчинга — профиль участника: роль, отрасль, интересы, цель визита. На выходе — ранжированный список контактов с пояснением, почему пара предложена. От устройства этого слоя зависит, сколько ручной работы остаётся организатору и насколько предсказуемо подбор ведёт себя на новой аудитории.

Подбор по правилам — это явные условия: совпадение отрасли, роли, географии, заявленных целей. Правила прозрачны и объяснимы, но жёсткие фильтры легко дают пустой список или очевидные пары. Обучаемая модель подбора ранжирует кандидатов по фактическим действиям — кого добавили в контакты, с кем вернулись к диалогу, — и постепенно уточняет веса.

Гибридный формат закрывает ограничения каждого подхода: правила работают как фильтр и снимают холодный старт, модель — на ранжировании. Ниже — сравнение по условиям применимости, а не по «мощности» подхода.

Сравнение подходов

Практический вывод: правила отвечают за то, чтобы список вообще не оказался пустым, модель — за порядок в нём.

Как мы внедряем AI-матчинг: этапы работ

Матчинг начинается не с выбора модели, а с того, что известно об участнике. На разборе данных смотрим, какие поля профиля заполняются на практике, сколько среди них пустых и свободного текста, как отличаются анкеты между мероприятиями. От этого зависит схема признаков и то, какие рекомендации вообще имеет смысл строить.

1. Разбор данных об участниках. Сводим профили регистрации, заявки и историю обменов контактами в одну таблицу: считаем полноту полей, убираем дубликаты, отбрасываем значения без сигнала.
2. Схема признаков участника. Профиль раскладываем на признаки — отрасль, роль, интересы, цели, формат участия. Категории приводим к единому словарю, свободные тексты — к числовым представлениям; у каждого признака фиксируем вес и источник.
3. Настройка подбора. Ограничения отсекают заведомо неподходящие пары — конфликт ролей, повторы, несовместимый формат. Остальные пары оцениваются по признакам и попадают в ранжированный список с пояснением, что совпало.
4. Сборка в сценарий мероприятия. Рекомендации раскладываем по раундам и группам с учётом числа участников и времени: нагрузка должна распределяться ровно, без участников, занятых во всех встречах.
5. Проверка рекомендаций. Прогоняем подбор по прошедшим мероприятиям, где известны фактические контакты, и сравниваем долю сработавших пар с ручным подбором — так виден реальный прирост.
6. Передача решения. Отдаём конфигурации, описание схемы признаков, регламент обновления словарей, метрики и порядок дообучения на отметках «полезно / не полезно». Веса и правила команда меняет без нас.

После передачи матчинг остаётся управляемым: понятно, почему предложена пара и как изменится выдача при правке признака.

Что передаём команде мероприятия после запуска

Передача — это не архив с исходниками, а работающая система, которой команда мероприятия пользуется сама. Мы отдаём настроенный контур, документацию и регламенты, а затем проводим приёмку на реальном сценарии: организатор запускает раунд подбора, проверяет выдачу рекомендаций и правит веса без нашего участия. Всё, что осталось непонятным, фиксируется как незакрытый пункт передачи, а не как «разберётесь по ходу».

В комплект входят:

• Конфигурация подбора — какие признаки участника участвуют в AI-матчинге, с какими весами, как менять их без пересборки решения.
• Схема связей и модель данных — как соотносятся профили, интересы, заявки на встречи и обратная связь после мероприятия.
• Правила видимости данных — что видит сам участник, что доступно организатору, какие поля не покидают закрытый контур и как разграничены роли доступа.
• Документация решения — архитектура, стыковка с регистрацией и календарём, перечень внешних зависимостей и порядок действий при сбое.
• Регламент работы команды — кто запускает раунд подбора, в какой момент правит веса, как разбирает жалобу на неудачную рекомендацию.
• Панель метрик — доля принятых рекомендаций, доля состоявшихся встреч, охват участников по сегментам.
• Памятки для ролей — короткие инструкции для организатора, модератора и поддержки на площадке.

Каждый пункт закреплён за конкретной ролью: одно и то же решение организатор настраивает, поддержка объясняет участнику, а технический специалист сопровождает. Поэтому после запуска изменения в правилах подбора и видимости данных проходят согласованный путь, а не правятся в спешке во время мероприятия.

Кейс: как выросло число взаимных контактов

Организатор отраслевого форума на 400 участников пришёл с типовой проблемой: нетворкинг в программе был, а пользы не приносил. Списки для знакомств координаторы собирали вручную — на это уходило двое суток, и всё равно значительная часть рекомендаций не получала взаимного отклика. Люди уходили с визитками и без содержательных разговоров.

Что было до

Схема повторяла классический Speed Networking: пары сцепляли по должности и отрасли, без учёта того, что каждая сторона ищет на мероприятии. Взаимно подтверждалась примерно треть предложенных пар, а после форума контакты почти не переходили в переписку. Организатор не мог показать партнёрам, что деловая часть программы реально работает.

Что изменили и что стало

Мы собрали профиль участника из заявки — сфера, роль, задачи на год, интересы — и построили рекомендации пар на их основе. За сутки до старта человек получал короткий список подходящих собеседников и подтверждал встречи в один клик; отказ тоже был сигналом и уточнял подбор.

Взаимных подтверждений стало примерно в 2,5 раза больше, а доля встреч, куда пришли обе стороны, выросла с половины до почти девяти десятых — расписание перестало сгорать. У организатора появилась панель с загрузкой залов по часам: простаивающие слоты видно сразу, а по итогам форума есть цифры для отчёта перед партнёрами. Заполненный профиль переносится на следующее мероприятие, поэтому ядро участников возвращается.

Чем отличается подбор по правилам от обучаемой модели?

Подбор по правилам — это явный набор условий и весов: отрасль, роль, интересы, язык, цель визита. Каждое совпадение объяснимо и воспроизводимо — видно, какие критерии сработали и сколько баллов они дали. Обратная сторона в том, что веса задаёт человек, и они не меняются от того, что участники реально выбирают на площадке.

Обучаемая модель опирается на фактические взаимодействия: обмен контактами, повторные разговоры, отметки «полезно». Требования к данным здесь жёсткие — нужен объём пар профилей с известным исходом, иначе модель находит закономерности в шуме. При нехватке истории она деградирует до эвристики, и предсказуемость результата падает.

На старте правила дают ровные пары и понятную причину каждого совпадения, а модель на скудных данных ошибается незаметно для организатора. Дальше картина переворачивается: чем больше накоплено истории, тем лучше модель улавливает связи, которые в правила не заложить.

Рабочий вариант — начать с правил и постепенно переводить долю рекомендаций на модель. Для профилей с категориальными признаками берём градиентный бустинг: CatBoost держит такие признаки без ручного кодирования и показывает вклад каждого фактора, поэтому организатор видит не только пару, но и причину.

Частые сомнения перед стартом проекта

Перед стартом почти всегда всплывают одни и те же сомнения: хватит ли данных, что делать с пустыми полями, как удержать подбор в рамках трека. Это ровно те вопросы, от которых зависит, будет ли AI-матчинг полезен на втором мероприятии или останется красивой демонстрацией.

Ниже — ответы по существу. Если чего-то не хватает под конкретный сценарий, это видно на этапе проектирования, а не в день открытия.

Как быть с холодным стартом, пока нет истории контактов?

Первое мероприятие не должно быть холостым, поэтому старт идёт от заявленных целей и тематики трека, а не от поведения. Дальше подключаются сигналы: посещённые сессии, отклики на рекомендации, взаимные контакты. Уже ко второй волне подбор опирается на факты, а не на декларации.

Можно ли ограничить рекомендации рамками трека?

Да, это настройка, а не отдельная доработка. Задаётся пул — трек, поток, тип участия, роль — и подбор идёт только внутри него. Можно и расширять: предлагать смежные треки, если внутри своего совпадений мало. Порог по числу рекомендаций тоже настраивается, чтобы никто не уходил с пустым списком или сотней «подходящих».

Кто отвечает за качество после запуска?

Передаём систему вместе с контуром качества: настройками весов, разметкой обратной связи и разбором, почему конкретная пара была предложена. После запуска остаёмся на связи — смотрим долю принятых контактов, правим веса и правила. Логика подбора на нашей стороне, данные и цели — на вашей.

Обсудим задачу матчинга на вашем мероприятии

Чтобы вернуться с оценкой, а не с общими словами, нам нужен контекст мероприятия. Достаточно того, что уже есть в рабочем виде: программа с сеткой слотов, список участников с профилями, цели нетворкинга и правила, что о человеке можно показывать другим.

Разбор задачи занимает один-два рабочих дня: смотрим, откуда приходят данные, насколько полны профили, сколько встреч приходится на участника и нужна ли модерация рекомендаций. Дальше собираем план внедрения с этапами, точками проверки и сроками — обычно возвращаемся с ним в течение недели. Если данных мало, предложим, как собрать их на этапе регистрации, чтобы не перестраивать процесс на самом событии.

Что прислать для оценки AI-матчинга:

• программу или сетку слотов — чтобы понять окна под встречи;
• выгрузку регистраций: роли, интересы, компании — в любом удобном формате, включая таблицу;
• описание целей нетворкинга: кому с кем полезно познакомиться и по какому признаку;
• правила приватности и то, что участник видит о себе и о других;
• примеры рассылок и каналов связи, которые уже используете;
• ограничения площадки: доступ к сети, экраны, стойки регистрации, помощь волонтёров.

Дальше работаем по шагам: уточняем требования, согласуем схему данных и правила рекомендаций, запускаем пилот на части списка, затем переносим на всё мероприятие. Опишите задачу в удобном виде — вернёмся с оценкой, планом и сроками подготовки предложения.