Ränthetsen kombinuje prediktivní modely poháněné umělou inteligencí s protokoly výkonu ověřenými komunitou, takže rozhodnutí o alokaci kapitálu mohou být založena spíše na ověřených datech než na předpokladech.
Většina menších společností spravuje přebytečnou likviditu na základě čtvrtletního odsouhlasení a pocitu vnitřností. Mezi těmito příležitostmi vznikají náklady příležitosti: kapitál, který není ani aktivně funkční, ani není chráněn proti volatilitě. Rozhodovací materiál má čas zastarat, než bude vůbec použit.
Problémem je málokdy nedostatek dat, ale nedostatek struktury pro jejich včasnou interpretaci. Čím více proměnných musí být ručně zváženo, tím větší je riziko ztráty důležitých signálů v davu.
Ränthetsen byl vyvinut na základě jednoduchého předpokladu: doporučení pro alokaci kapitálu by měla být zpětně ověřitelná, nikoli pouze předem přijatá. Platforma je proto strukturována kolem dvou vzájemně propojených částí – analytického stroje, který zpracovává finanční data, a veřejného protokolu, který ukazuje, jak dobře obstála předchozí doporučení.
Metodika je zaměřena na společnosti, které si vlastní přebytečnou likviditu spravují a které se chtějí rozhodovat spíše na základě ověřených dat než na individuálních prognózách. Platforma nenahrazuje finančního manažera, ale funguje jako strukturovaná podpora rozhodování v probíhající práci.
Motor zpracovává velké objemy historických a průběžných finančních dat, aby identifikoval vzorce, které jsou statisticky významné, nikoli náhodné. Výsledkem jsou doporučení přizpůsobená profilu likvidity a rizikovému rámci každé společnosti.
Historické peněžní toky a tržní údaje jsou kombinovány v prediktivních modelech, které jsou průběžně aktualizovány, aby identifikovaly trendy dříve, než se projeví ve čtvrtletních zprávách.
Algoritmická optimalizace se používá k vyrovnání potenciálu návratnosti a expozice s jasnými limitními hodnotami přizpůsobenými ochotě společnosti riskovat.
Doporučení jsou průběžně upravována podle toho, jak přicházejí nová data, což umožňuje, aby rozhodnutí držela krok se změnami v likviditě a nezaostávala za nimi.
Každé doporučení vygenerované platformou je opatřeno časovým razítkem, než je znám výsledek. Výsledek je poté zveřejněn v otevřeném protokolu, kde lze v průběhu času sledovat odchylky mezi prognózou a skutečným výsledkem.
Stávající toky pro účetnictví a likviditu jsou propojeny, aniž by nahradily současné systémy. Historická data se používají ke kalibraci výchozí pozice.
Prediktivní model je přizpůsoben konkrétním cílům společnosti, časovému horizontu a toleranci rizika před tím, než jsou učiněna jakákoli doporučení.
Doporučení jsou prezentována spolu se základním odůvodněním, takže odpovědná osoba může učinit konečné rozhodnutí zcela transparentně.
Veškeré finanční údaje jsou zpracovávány v souladu s GDPR, s šifrováním jak při přenosu, tak při ukládání. Shromažďují se pouze datové body potřebné pro analýzu a společnost si ponechává plnou kontrolu nad tím, které zdroje jsou připojeny. Žádné údaje nejsou bez výslovného souhlasu předávány třetím stranám.
Modely jsou založeny na kombinaci analýzy časových řad a strojového učení, které byly před nasazením ověřeny na základě historických dat. Přesnost je průběžně testována proti reálným výsledkům, a proto je protokol výsledků aktualizován bez ohledu na to, zda byla předpověď správná či nikoli.
Náklady na platformu by měly být porovnány s náklady příležitosti, které vznikají, když kapitál zůstane nečinný nebo nesprávně alokovaný po delší dobu. Protože každé doporučení a jeho výsledek jsou zdokumentovány ve veřejném protokolu, je možné posoudit návratnost nákladů na základě skutečné historie spíše než na základě předpokladů.