Ränthetsen kombinira prediktivne modele pokretane umjetnom inteligencijom s zapisima izvedbe koje je potvrdila zajednica, tako da se odluke o raspodjeli kapitala mogu temeljiti na potvrđenim podacima, a ne na pretpostavkama.
Većina manjih tvrtki upravlja viškom likvidnosti na temelju tromjesečnih usklađivanja i osjećaja. Između ovih prilika pojavljuje se oportunitetni trošak: kapital koji niti aktivno radi niti je zaštićen od volatilnosti. Materijal za donošenje odluka ima vremena da zastari prije nego što se uopće upotrijebi.
Problem je rijetko nedostatak podataka, već nedostatak strukture da se oni protumače na vrijeme. Što više varijabli treba ručno izvagati, to je veći rizik da se važni signali izgube u gomili.
Ränthetsen je razvijen na temelju jednostavne pretpostavke: preporuke o raspodjeli kapitala trebale bi se moći provjeriti retrospektivno, a ne samo prihvaćati unaprijed. Stoga je platforma strukturirana oko dva međusobno povezana dijela – mehanizma za analizu koji obrađuje financijske podatke i javnog dnevnika koji pokazuje koliko su se prethodne preporuke zapravo održale.
Metodologija je namijenjena tvrtkama koje same upravljaju viškom likvidnosti i koje žele donositi odluke na temelju provjerenih podataka, a ne individualnih predviđanja. Platforma ne zamjenjuje financijskog menadžera, već funkcionira kao strukturirana podrška odlučivanju u tekućem radu.
Motor obrađuje velike količine povijesnih i tekućih financijskih podataka kako bi identificirao uzorke koji su statistički značajni, a ne slučajni. Rezultat su preporuke prilagođene profilu likvidnosti i okviru rizika svake tvrtke.
Povijesni novčani tokovi i tržišni podaci kombinirani su u prediktivnim modelima koji se kontinuirano ažuriraju kako bi se identificirali trendovi prije nego što postanu vidljivi u tromjesečnim izvješćima.
Algoritamska optimizacija koristi se za balansiranje potencijala povrata i izloženosti, s jasnim graničnim vrijednostima prilagođenim sklonosti tvrtke prema riziku.
Preporuke se kontinuirano prilagođavaju kako pristižu novi podaci, omogućujući odlukama da prate promjene u likvidnosti umjesto da zaostaju za njima.
Svaka preporuka koju generira platforma ima vremenski žig prije nego što je rezultat poznat. Rezultat se zatim objavljuje u otvorenom dnevniku, gdje se odstupanja između predviđanja i stvarnog ishoda mogu pratiti tijekom vremena.
Postojeći tokovi za računovodstvo i likvidnost povezani su bez zamjene postojećih sustava. Za kalibraciju početne pozicije koriste se povijesni podaci.
Prediktivni model se prilagođava specifičnim ciljevima tvrtke, vremenskom horizontu i toleranciji rizika prije nego što se daju bilo kakve preporuke.
Preporuke su predstavljene zajedno s temeljnim obrazloženjem, tako da odgovorna osoba može donijeti konačnu odluku uz potpunu transparentnost.
Svi financijski podaci obrađuju se u skladu s GDPR-om, uz enkripciju tijekom prijenosa i pohrane. Prikupljaju se samo podaci potrebni za analizu, a tvrtka zadržava punu kontrolu nad time koji su izvori povezani. Podaci se ne prosljeđuju trećim stranama bez izričitog pristanka.
Modeli se temelje na kombinaciji analize vremenskih serija i strojnog učenja, provjereni u odnosu na povijesne podatke prije implementacije. Točnost se kontinuirano testira u odnosu na stvarne ishode, zbog čega se zapisnik rezultata ažurira bez obzira je li prognoza bila točna ili ne.
Trošak platforme trebao bi se usporediti s oportunitetnim troškom koji nastaje kada kapital ostane neiskorišten ili pogrešno raspoređen tijekom duljeg razdoblja. Budući da se svaka preporuka i njezin ishod dokumentiraju u javnom dnevniku, moguće je procijeniti povrat troškova na temelju stvarne povijesti, a ne pretpostavki.