01
Architektura platformy matching
Trzy kluczowe komponenty: profil dostawcy (agenta, usługodawcy) z atrybutami, profil popytu (klienta, zapytania) z wymaganiami, algorytm scoringowy dopasowujący je i rankingujący.
Baza danych: PostgreSQL (Supabase) ze specjalnym podejściem do indeksowania. Dla matching geograficznego: PostGIS do zapytań przestrzennych (np. "wszyscy agenci w promieniu 50km"). Dla matching wielokryterialnego: scoring function jako PostgreSQL function lub w aplikacji.
02
Algorytm matchowania — od prostego do złożonego
Prosty matching: filtrowanie (region, specjalizacja, dostępność) → ranking wg ratingu. Implementacja: 2–3 dni. Wystarczy dla 80% przypadków.
Średni: ważony scoring: każde kryterium ma wagę (np. region 40%, specjalizacja 30%, rating 20%, czas odpowiedzi 10%). Suma ważona = match score. Implementacja: 1 tydzień.
Zaawansowany: machine learning na historii matchów — system uczy się, które dopasowania prowadzą do konwersji. Potrzebujesz danych historycznych (min. 1 000 zakończonych matchów). Implementacja: 4–8 tygodni + dane.
03
Przykłady platform matching, które budujemy
Ubezpieczeniowa: agenci → klienci według produktu, regionu, doświadczenia. Wodno-kanalizacyjna (aqua-pro.app): firmy serwisowe → zlecenia według lokalizacji GPS i specjalizacji. Biogas Hunter: działki pod biogazownie → inwestorzy według parametrów gruntu i lokalizacji.
Każda z tych platform ma podobną architekturę, ale unikalny algorytm matchowania dopasowany do branżowej logiki.