Ränthetsen combina modelli predittivi basati sull'intelligenza artificiale con registri delle prestazioni verificati dalla comunità, in modo che le decisioni sull'allocazione del capitale possano basarsi su dati convalidati anziché su ipotesi.
La maggior parte delle aziende più piccole gestisce la liquidità in eccesso sulla base di riconciliazioni trimestrali e di istinto. Tra queste occasioni si verifica un costo opportunità: il capitale che non lavora attivamente né è protetto dalla volatilità. Il materiale decisionale ha il tempo di diventare obsoleto prima ancora di essere utilizzato.
Il problema raramente è la mancanza di dati, ma la mancanza di una struttura per interpretarli in tempo. Più variabili devono essere soppesate manualmente, maggiore è il rischio che segnali importanti vadano persi nella massa.
Ränthetsen è stato sviluppato sulla base di un semplice presupposto: le raccomandazioni sull'allocazione del capitale dovrebbero essere verificabili in retrospettiva, non solo accettate in anticipo. Pertanto, la piattaforma è strutturata attorno a due parti interconnesse: un motore di analisi che elabora i dati finanziari e un registro pubblico che mostra quanto effettivamente hanno resistito le raccomandazioni precedenti.
La metodologia è rivolta alle aziende che gestiscono la propria liquidità in eccesso e che vogliono prendere decisioni basate su dati validati piuttosto che su previsioni individuali. La piattaforma non sostituisce un responsabile finanziario, ma funziona come supporto decisionale strutturato nel lavoro in corso.
Il motore elabora grandi volumi di dati finanziari storici e correnti per identificare modelli statisticamente significativi e non casuali. Il risultato sono raccomandazioni adattate al profilo di liquidità e al quadro di rischio di ciascuna azienda.
I flussi di cassa storici e i dati di mercato sono combinati in modelli predittivi che vengono aggiornati continuamente per identificare le tendenze prima che diventino evidenti nei rapporti trimestrali.
L'ottimizzazione algoritmica viene utilizzata per bilanciare il potenziale di rendimento rispetto all'esposizione, con valori limite chiari adattati alla propensione al rischio dell'azienda.
Le raccomandazioni vengono continuamente adeguate man mano che arrivano nuovi dati, consentendo alle decisioni di tenere il passo con i cambiamenti nella liquidità anziché restare indietro.
Ad ogni raccomandazione generata dalla piattaforma viene data una marcatura temporale prima che il risultato sia noto. Il risultato viene quindi pubblicato in un registro aperto, dove è possibile seguire nel tempo le deviazioni tra previsione e risultato effettivo.
I flussi esistenti per la contabilità e la liquidità vengono collegati senza sostituire i sistemi attuali. I dati storici vengono utilizzati per calibrare la posizione iniziale.
Il modello predittivo viene adattato agli obiettivi specifici dell'azienda, all'orizzonte temporale e alla tolleranza al rischio prima che venga formulata qualsiasi raccomandazione.
Le raccomandazioni vengono presentate insieme alle motivazioni sottostanti, in modo che la persona responsabile possa prendere la decisione finale in piena trasparenza.
Tutti i dati finanziari vengono elaborati in conformità con GDPR, con crittografia sia durante la trasmissione che durante l'archiviazione. Vengono raccolti solo i punti dati necessari per l'analisi e l'azienda mantiene il pieno controllo su quali fonti sono collegate. Nessun dato viene ceduto a terzi senza esplicito consenso.
I modelli si basano su una combinazione di analisi di serie temporali e apprendimento automatico, convalidati rispetto ai dati storici prima della distribuzione. La precisione viene continuamente testata rispetto ai risultati reali, motivo per cui il registro dei risultati viene aggiornato indipendentemente dal fatto che la previsione fosse corretta o meno.
Il costo della piattaforma dovrebbe essere confrontato con il costo opportunità che si verifica quando il capitale rimane inattivo o allocato in modo errato per periodi prolungati. Poiché ogni raccomandazione e il relativo esito sono documentati nel registro pubblico, è possibile valutare il ritorno sui costi sulla base della storia effettiva piuttosto che delle ipotesi.