Ränthetsen apvieno ar AI darbinātus prognozēšanas modeļus ar kopienas pārbaudītiem veiktspējas žurnāliem, tāpēc lēmumus par kapitāla piešķiršanu var pamatot ar apstiprinātiem datiem, nevis pieņēmumiem.
Lielākā daļa mazāko uzņēmumu pārvalda lieko likviditāti, pamatojoties uz ceturkšņa saskaņošanu un iekšēju sajūtu. Starp šiem gadījumiem rodas alternatīvās izmaksas: kapitāls, kas nedarbojas nedz aktīvi, nedz aizsargāts pret nepastāvību. Lēmumu pieņemšanas materiālam ir laiks novecot, pirms tas tiek izmantots.
Problēma reti ir datu trūkums, bet gan struktūras trūkums, lai tos savlaicīgi interpretētu. Jo vairāk mainīgo ir jānosver kopā manuāli, jo lielāks ir risks, ka pūlī tiks pazaudēti svarīgi signāli.
Ränthetsen tika izstrādāts, pamatojoties uz vienkāršu pieņēmumu: kapitāla sadales ieteikumiem jābūt pārbaudāmiem retrospektīvi, nevis tikai pieņemtiem iepriekš. Tāpēc platforma ir veidota no divām savstarpēji saistītām daļām – analīzes dzinēja, kas apstrādā finanšu datus, un publisku žurnālu, kas parāda, cik labi iepriekšējie ieteikumi ir bijuši spēkā.
Metodika ir paredzēta uzņēmumiem, kas paši pārvalda savu lieko likviditāti un vēlas pieņemt lēmumus, pamatojoties uz apstiprinātiem datiem, nevis individuālām prognozēm. Platforma neaizstāj finanšu vadītāju, bet darbojas kā strukturēts lēmumu atbalsts notiekošajā darbā.
Programma apstrādā lielus vēsturisku un aktuālu finanšu datu apjomus, lai noteiktu statistiski nozīmīgus, nevis nejaušus modeļus. Rezultātā tiek iegūti ieteikumi, kas pielāgoti katra uzņēmuma likviditātes profilam un riska ietvaram.
Vēsturiskās naudas plūsmas un tirgus dati tiek apvienoti prognozējošos modeļos, kas tiek pastāvīgi atjaunināti, lai noteiktu tendences, pirms tās kļūst redzamas ceturkšņa pārskatos.
Algoritmiskā optimizācija tiek izmantota, lai līdzsvarotu atdeves potenciālu pret iedarbību, ar skaidrām robežvērtībām, kas pielāgotas uzņēmuma vēlmei riskēt.
Ieteikumi tiek nepārtraukti koriģēti, kad tiek saņemti jauni dati, ļaujot lēmumiem sekot līdzi likviditātes izmaiņām, nevis atpalikt no tām.
Katrs platformas ģenerētais ieteikums tiek apzīmēts ar laika zīmogu, pirms ir zināms rezultāts. Pēc tam rezultāts tiek publicēts atklātā žurnālā, kurā laika gaitā var sekot novirzēm starp prognozi un faktisko rezultātu.
Esošās plūsmas uzskaitei un likviditātei tiek savienotas, neaizstājot pašreizējās sistēmas. Sākuma pozīcijas kalibrēšanai tiek izmantoti vēsturiskie dati.
Prognozējošais modelis ir pielāgots uzņēmuma konkrētajiem mērķiem, laika horizontam un riska tolerancei, pirms tiek sniegti ieteikumi.
Ieteikumi tiek sniegti kopā ar to pamatojumu, lai atbildīgā persona varētu pieņemt galīgo lēmumu ar pilnīgu pārredzamību.
Visi finanšu dati tiek apstrādāti saskaņā ar GDPR, ar šifrēšanu gan pārsūtīšanas, gan uzglabāšanas laikā. Tiek apkopoti tikai analīzei nepieciešamie datu punkti, un uzņēmums saglabā pilnīgu kontroli pār to, kuri avoti ir savienoti. Dati netiek nodoti trešajām personām bez skaidras piekrišanas.
Modeļi ir balstīti uz laikrindu analīzes un mašīnmācīšanās kombināciju, kas pirms izvietošanas pārbaudīta, salīdzinot ar vēsturiskajiem datiem. Precizitāte tiek nepārtraukti pārbaudīta attiecībā pret reāliem rezultātiem, tāpēc rezultātu žurnāls tiek atjaunināts neatkarīgi no tā, vai prognoze bija pareiza vai nē.
Platformas izmaksas būtu jāsalīdzina ar alternatīvajām izmaksām, kas rodas, ja kapitāls ilgstoši paliek dīkstāvē vai nepareizi sadalīts. Tā kā katrs ieteikums un tā rezultāts ir dokumentēti publiskajā žurnālā, ir iespējams novērtēt izmaksu atdevi, pamatojoties uz faktisko vēsturi, nevis pieņēmumiem.