Ränthetsen ühendab AI-toega ennustavad mudelid kogukonna kontrollitud toimivuslogidega, nii et kapitali jaotamise otsused võivad põhineda pigem kinnitatud andmetel kui eeldustel.
Enamik väiksemaid ettevõtteid haldab üleliigset likviidsust kvartaalsete leppimiste ja kõhutunde põhjal. Nende sündmuste vahel tekib alternatiivkulu: kapital, mis ei tööta aktiivselt ega ole volatiilsuse eest kaitstud. Otsustusmaterjalil on aega aeguda, enne kui seda hakatakse kasutama.
Probleem on harva andmete puudumises, vaid struktuuri puudumises nende õigeaegseks tõlgendamiseks. Mida rohkem muutujaid tuleb käsitsi kokku kaaluda, seda suurem on oht, et olulised signaalid lähevad rahvahulka kaduma.
Ränthetsen töötati välja lihtsa eelduse põhjal: kapitali jaotamise soovitused peaksid olema tagantjärele kontrollitavad, mitte lihtsalt eelnevalt aktsepteeritud. Seetõttu koosneb platvorm kahest omavahel ühendatud osast – analüüsimootorist, mis töötleb finantsandmeid, ja avalikust logist, mis näitab, kui hästi on varasemad soovitused tegelikult vastu pidanud.
Metoodika on suunatud ettevõtetele, kes juhivad ise oma liigset likviidsust ja soovivad teha otsuseid valideeritud andmete, mitte individuaalsete prognooside põhjal. Platvorm ei asenda finantsjuhti, vaid toimib struktureeritud otsustustoena käimasolevas töös.
Mootor töötleb suuri ajaloolisi ja käimasolevaid finantsandmeid, et tuvastada mustrid, mis on statistiliselt olulised, mitte juhuslikud. Tulemuseks on soovitused, mis on kohandatud iga ettevõtte likviidsusprofiilile ja riskiraamistikule.
Ajaloolised rahavood ja turuandmed on kombineeritud prognoosimudelites, mida uuendatakse pidevalt, et tuvastada trendid enne, kui need kvartaliaruannetes ilmnevad.
Algoritmilist optimeerimist kasutatakse tootluspotentsiaali ja kokkupuute tasakaalustamiseks koos selgete piirväärtustega, mis on kohandatud ettevõtte riskiisuga.
Soovitusi kohandatakse pidevalt uute andmete saabumisel, mis võimaldab otsustel likviidsuse muutustega sammu pidada, mitte neist maha jääda.
Iga platvormi loodud soovitus on enne tulemuse teada saamist ajatempliga. Seejärel avaldatakse tulemus avatud logis, kus prognoositava ja tegeliku tulemuse vahelisi kõrvalekaldeid saab aja jooksul jälgida.
Olemasolevad raamatupidamis- ja likviidsusvood on ühendatud ilma praeguseid süsteeme asendamata. Algpositsiooni kalibreerimiseks kasutatakse ajaloolisi andmeid.
Ennustav mudel kohandatakse ettevõtte konkreetsete eesmärkide, ajahorisondi ja riskitaluvusega enne soovituste andmist.
Soovitused esitatakse koos põhjendustega, et vastutav isik saaks teha lõpliku otsuse täieliku läbipaistvusega.
Kõiki finantsandmeid töödeldakse vastavalt GDPR-ile, krüpteerituna nii edastamise kui ka salvestamise ajal. Kogutakse ainult analüüsiks vajalikud andmepunktid ning ettevõttel jääb täielik kontroll selle üle, millised allikad on ühendatud. Ilma selgesõnalise nõusolekuta andmeid ei edastata kolmandatele isikutele.
Mudelid põhinevad aegridade analüüsi ja masinõppe kombinatsioonil, mis on enne juurutamist kinnitatud ajalooliste andmete põhjal. Täpsust testitakse pidevalt tegelike tulemuste suhtes, mistõttu tulemuste logi uuendatakse sõltumata sellest, kas prognoos oli õige või mitte.
Platvormi maksumus tuleks võrrelda alternatiivkuluga, mis tekib siis, kui kapital jääb pikemaks ajaks jõude või on valesti jaotatud. Kuna iga soovitus ja selle tulemus dokumenteeritakse avalikus logis, on võimalik kulude tasuvust hinnata pigem tegeliku ajaloo kui oletuste põhjal.