Az Ränthetsen a mesterséges intelligencia által vezérelt prediktív modelleket egyesíti a közösség által ellenőrzött teljesítménynaplókkal, így a tőkeallokációs döntések validált adatokon, nem pedig feltételezéseken alapulhatnak.
A legtöbb kisebb vállalat negyedéves egyeztetések és megérzések alapján kezeli a többletlikviditást. Ezen alkalmak között alternatív költség merül fel: olyan tőke, amely sem aktívan működik, sem nem védett a volatilitás ellen. A döntéshozatali anyagnak van ideje elavulni, mielőtt felhasználnák.
A probléma ritkán az adatok hiányában van, hanem az időben történő értelmezéshez szükséges struktúra hiányában. Minél több változót kell manuálisan összemérni, annál nagyobb a veszélye annak, hogy a fontos jelek elvesznek a tömegben.
Az Ränthetsen-et egy egyszerű feltevés alapján fejlesztették ki: a tőkeallokációs ajánlásoknak utólag ellenőrizhetőnek kell lenniük, nem csak előzetesen. Ezért a platform két, egymással összefüggő részből áll – egy pénzügyi adatokat feldolgozó elemzőmotorból és egy nyilvános naplóból, amely megmutatja, hogy a korábbi ajánlások mennyire tartották be magukat.
A módszertan azokat a vállalatokat célozza meg, amelyek saját maguk kezelik többletlikviditásukat, és nem egyéni előrejelzések, hanem validált adatok alapján kívánnak döntéseket hozni. A platform nem helyettesíti a pénzügyi vezetőt, hanem strukturált döntéstámogatóként funkcionál a folyamatban lévő munkában.
A motor nagy mennyiségű történelmi és folyamatban lévő pénzügyi adatot dolgoz fel, hogy azonosítsa a statisztikailag szignifikáns, nem véletlenszerű mintákat. Az eredmény az egyes vállalatok likviditási profiljához és kockázati kereteihez igazított ajánlások.
A múltbeli cash flow-kat és a piaci adatokat prediktív modellekben kombinálják, amelyeket folyamatosan frissítenek a trendek azonosítása érdekében, mielőtt azok megjelennének a negyedéves jelentésekben.
Algoritmikus optimalizálást alkalmaznak a megtérülési potenciál és az expozíció közötti egyensúly megteremtésére, világos határértékekkel, amelyek a vállalat kockázati étvágyához igazodnak.
Az ajánlásokat az új adatok beérkezésével folyamatosan módosítják, így a döntések lépést tudnak tartani a likviditás változásaival, nem pedig elmaradnak azoktól.
A platform által generált minden ajánlást időbélyeggel látnak el, mielőtt az eredmény ismertté válna. Az eredményt ezután egy nyílt naplóban teszik közzé, ahol az előrejelzés és a tényleges eredmény közötti eltérések időben követhetők.
A meglévő számviteli és likviditási áramlások a jelenlegi rendszerek cseréje nélkül kapcsolódnak egymáshoz. A kiindulási helyzet kalibrálásához az előzményadatokat használják.
A prediktív modellt a vállalat konkrét céljaihoz, időhorizontjához és kockázati toleranciájához igazítják, mielőtt bármilyen javaslatot tennének.
Az ajánlások a mögöttes indoklással együtt kerülnek bemutatásra, hogy a felelős személy teljes átláthatósággal tudja meghozni a végső döntést.
Minden pénzügyi adat feldolgozása a GDPR szerint történik, mind az átvitel, mind a tárolás során titkosítással. Csak az elemzéshez szükséges adatpontokat gyűjtjük össze, és a vállalat teljes ellenőrzése alatt marad, hogy mely források kapcsolódnak össze. Kifejezett hozzájárulás nélkül semmilyen adatot nem adunk át harmadik félnek.
A modellek az idősorelemzés és a gépi tanulás kombinációján alapulnak, amelyeket a telepítés előtt a múltbeli adatokkal ellenőrzünk. A pontosságot folyamatosan teszteljük a valós eredményekkel szemben, ezért az eredménynapló frissül, függetlenül attól, hogy az előrejelzés helyes volt-e vagy sem.
A platform költségét össze kell vetni azzal az alternatív költséggel, amely akkor merül fel, ha a tőke huzamosabb ideig tétlen marad, vagy rosszul allokálják. Mivel minden ajánlás és annak eredménye dokumentálva van a nyilvános naplóban, lehetséges a költségek megtérülése a tényleges előzmények, nem pedig a feltételezések alapján értékelni.