Ränthetsen combine des modèles prédictifs basés sur l'IA avec des journaux de performances vérifiés par la communauté, de sorte que les décisions d'allocation de capital peuvent être fondées sur des données validées plutôt que sur des hypothèses.
La plupart des petites entreprises gèrent les liquidités excédentaires sur la base de rapprochements trimestriels et de leur intuition. Entre ces occasions, un coût d’opportunité apparaît : un capital qui n’est ni actif ni protégé contre la volatilité. Le matériel décisionnel a le temps de devenir obsolète avant même d’être utilisé.
Le problème est rarement un manque de données, mais plutôt un manque de structure pour les interpréter dans le temps. Plus il y a de variables à peser manuellement, plus le risque de perte de signaux importants dans la foule est grand.
Ränthetsen a été développé sur la base d'une hypothèse simple : les recommandations en matière d'allocation de capital doivent être vérifiables rétrospectivement, et non simplement acceptées à l'avance. Par conséquent, la plateforme est structurée autour de deux parties interconnectées : un moteur d’analyse qui traite les données financières et un journal public qui montre dans quelle mesure les recommandations précédentes ont réellement résisté.
La méthodologie s'adresse aux entreprises qui gèrent elles-mêmes leur excédent de liquidité et qui souhaitent prendre des décisions basées sur des données validées plutôt que sur des prévisions individuelles. La plateforme ne remplace pas un responsable financier, mais fonctionne comme une aide à la décision structurée dans le cadre du travail en cours.
Le moteur traite de grands volumes de données financières historiques et continues pour identifier des modèles statistiquement significatifs et non une coïncidence. Il en résulte des recommandations adaptées au profil de liquidité et au cadre de risque de chaque entreprise.
Les flux de trésorerie historiques et les données de marché sont combinés dans des modèles prédictifs qui sont mis à jour en permanence pour identifier les tendances avant qu'elles n'apparaissent dans les rapports trimestriels.
L'optimisation algorithmique permet d'équilibrer le potentiel de rendement par rapport à l'exposition, avec des valeurs limites claires adaptées à l'appétit pour le risque de l'entreprise.
Les recommandations sont continuellement ajustées à mesure que de nouvelles données arrivent, permettant aux décisions de suivre l'évolution de la liquidité plutôt que d'être à la traîne.
Chaque recommandation générée par la plateforme est horodatée avant que le résultat ne soit connu. Le résultat est ensuite publié dans un journal ouvert, dans lequel les écarts entre les prévisions et les résultats réels peuvent être suivis au fil du temps.
Les flux existants pour la comptabilité et la liquidité sont connectés sans remplacer les systèmes actuels. Les données historiques sont utilisées pour calibrer la position de départ.
Le modèle prédictif est adapté aux objectifs spécifiques de l'entreprise, à son horizon temporel et à sa tolérance au risque avant que des recommandations ne soient formulées.
Les recommandations sont présentées accompagnées d'un raisonnement sous-jacent, afin que la personne responsable puisse prendre la décision finale en toute transparence.
Toutes les données financières sont traitées conformément au RGPD, avec cryptage tant lors de la transmission que du stockage. Seuls les points de données nécessaires à l'analyse sont collectés et l'entreprise conserve un contrôle total sur les sources connectées. Aucune donnée n'est transmise à des tiers sans accord exprès.
Les modèles sont basés sur une combinaison d'analyse de séries chronologiques et d'apprentissage automatique, validés par rapport aux données historiques avant le déploiement. La précision est continuellement testée par rapport aux résultats réels, c'est pourquoi le journal des résultats est mis à jour, que la prévision soit correcte ou non.
Le coût de la plateforme doit être comparé au coût d’opportunité qui survient lorsque le capital reste inutilisé ou mal alloué pendant de longues périodes. Étant donné que chaque recommandation et ses résultats sont documentés dans le journal public, il est possible d'évaluer le retour sur coût sur la base de l'historique réel plutôt que d'hypothèses.