Ansatt står stille mens fargen virker
Hårfarge er 20 minutter arbeid og 40 minutter venting. I løpet av de 40 minuttene drikker den ansatte te, og salongen taper omsetning.
Fargen legges på, og så ventes det. I den ventetiden har den ansatte ingenting å gjøre, men i kalenderen står stolen som opptatt — og salongen mister den timen stille. D-CCM holder de arbeidede og de ventede minuttene i en tjeneste fra hverandre: den henter jobben som får plass i ventetiden, og fanger en kollisjon før du lagrer. Det som får plass i ventetiden, er kapasiteten salongen vinner.
Programmene folk flest bruker, teller en avtale som én samlet blokk; ventetid kjenner de ikke til. Det er nøyaktig dit D-CCM ser.
Problem
Gjennomsnittlig belegg i tyrkiske salonger er 62 %. Det betyr at 38 % av hver ansatt-time går tom. D-CCM ser på nettopp det gapet.
Hårfarge er 20 minutter arbeid og 40 minutter venting. I løpet av de 40 minuttene drikker den ansatte te, og salongen taper omsetning.
Tre kunder havner på den samme timen, rommet tar to, og utstyret finnes i ett eksemplar. Resepsjonen varsler manuelt, og kunden går misfornøyd.
Eieren regner det ut i hodet — «hva om jeg tok en manikyr mens fargen virker». Systemet forutser det ikke, og feilene hoper seg opp.
Hvorfor det finnes
Stolen ser opptatt ut mens den ansatte er ledig. Ingen ny kunde kan tas inn, og salongen mister den timen i stillhet. Problemet er ikke programvarens regnestykke — det er modellen dens.
Det passive intervallet åpnes med vilje. Det blir en egen bit i kalenderen, og passer et kort oppdrag inn, blir det foreslått. Dagen er berget, og kunden merker ingenting.
Løsning
En tjeneste er ikke lenger navnet på én blokk. Den har to deler: minuttene der en ansatt har hendene i arbeid og minuttene der kunden venter. D-CCM sløser ikke bort de siste.
Hårfarge: 20 minutter arbeid, 40 minutter venting. D-CCM ser de 40 minuttene og setter den samme ansatte på en parallell kunde (en manikyr, for eksempel). Resultatet: to kunder i den timen i stedet for én — den timen gjør dobbelt arbeid.
Oppsettet
Alt som skal til for å slå på D-CCM, er å skrive inn en tjenestes to varigheter én gang. Kalenderen og provisjonen følger av seg selv.

Provisjonsstyring — nivåoppsett (Junior/Senior/Master) og standardsats per ansatt. Fordelingen av inntjening åpnes fra den ansattes kort.
Algoritme
D-CCM tilpasser problemet Resource Constrained Project Scheduling til en salong. Med en tilnærming basert på Greedy + Beam Search + Hybrid løser den en uke med 60 avtaler i sanntid.
activeMinutes + passiveMinutes. Ansatte, rom og utstyr er merket som noder i grafen.Resultater
Tilsiktet pilotscenario (simulering): 12 salonger, n=3 842 avtaler. Dette er resultatene vi sikter mot sammenlignet med manuell planlegging — så snart reelle pilotmålinger publiseres, oppdateres denne delen med sine kilder:
Sammenligning
Programmene folk flest bruker, teller alle en avtale som én samlet blokk. D-CCM er den første som skiller de arbeidede minuttene fra de ventede.
Hvem det hjelper
D-CCM lønner seg ikke like mye i enhver salong. La oss si det rett ut — der det er unødvendig, forblir det avslått:
Det er her du vinner mest: langt fargearbeid med et kort oppdrag ved siden av. Det passive intervallet gjentar seg flere ganger om dagen.
Hvis protokollene dine innebærer venting, lønner intervallogikken seg. Gjør de ikke det, lar du den være av, og menyen forblir enkel.
De fleste salonger trenger den ikke; arbeidet er allerede kort og på rekke og rad. Slå den på hvis du tilbyr hybride fargetjenester.
Veikart
D-CCM-motoren er klar i kodebasen; den blir verifisert mot reelle avtaler så snart pilotprogrammet starter. Deretter: ML, utrulling i flere regioner og kontinuerlig forbedring. Vollgraven vår er ikke et patent — den er kontinuerlig utvikling pluss et datafortrinn.
Glanevo v0-motoren — en feltmodell med activeMinutes + passiveMinutes og grådig konfliktdeteksjon.
Løseren Greedy + Beam Search kjører; konfliktdeteksjonen er verifisert av en automatisert testpakke.
Prediksjon av passiv tid per salong: en modell som lærer av variabler som hårtykkelse, fargemerke og romtemperatur.
Utrulling i flere regioner, aktiv bruk i 44 land. En patentsøknad vurderes når tiden er inne.
FAQ
En ekte algoritme: den kjører i kodebasen (Service.activeMinutes og Service.passiveMinutes i Prisma-skjemaet; konfliktløseren på POST /api/appointments/check-conflicts). Pilottallene på denne siden er et tilsiktet scenario (simulering); feltmålinger deles her med sine kilder etter hvert som de publiseres.
Ikke med et patent: D-CCM er beskyttet av kontinuerlig utvikling (v0 → v1 → v2 ML), av et datafortrinn (avtaledataene som vil strømme fra pilotsalongene) og av kunderelasjonen (dyp integrasjon i salongens drift). En patentsøknad vurderes separat når tiden er inne.
Å kopiere ideen bak algoritmen tar år. Kontinuerlig utvikling (v0 → v1 AI-prediksjon → v2 automatisk planlegging → v3 ML) og et datasett som strømmer fra salongene selv — en vollgrav i to lag. Innen en konkurrent begynner å ta igjen, er vi to versjoner foran.
Til å bygge ut FoU-teamet og til v2-modellen for maskinlæring. Målet: prediksjon av passiv tid per salong (en modell som lærer av variabler som hårtykkelse, fargemerke og romtemperatur).
På Free en versjon begrenset til én ansatt. Fra Pro og oppover den fulle versjonen: flere ressurser, topp 5 alternative forslag, automatiske varsler. Studio og Enterprise legger til støtte for flere lokasjoner.
Du definerer den aktive og den passive varigheten på tjenestene dine én gang (hårfarge: 20 aktive / 40 passive, for eksempel). Resten går automatisk. Systemet foreslår; du godkjenner eller endrer.
Definer den aktive og den passive varigheten på tjenestene dine én gang, og la resten være opp til D-CCM. Etter den første uken kan du måle forskjellen i belegg selv.