Ränthetsen combineert AI-aangedreven voorspellende modellen met door de gemeenschap geverifieerde prestatielogboeken, zodat beslissingen over kapitaaltoewijzing kunnen worden gebaseerd op gevalideerde gegevens in plaats van op aannames.
De meeste kleinere bedrijven beheren overtollige liquiditeit op basis van kwartaalafstemmingen en onderbuikgevoelens. Tussen deze gelegenheden ontstaan opportuniteitskosten: kapitaal dat niet actief werkt en ook niet beschermd is tegen volatiliteit. Het besluitvormingsmateriaal heeft de tijd om verouderd te raken voordat het zelfs maar wordt gebruikt.
Het probleem is zelden een gebrek aan gegevens, maar een gebrek aan structuur om deze op tijd te interpreteren. Hoe meer variabelen handmatig bij elkaar moeten worden gewogen, hoe groter het risico dat belangrijke signalen verloren gaan in de massa.
Ränthetsen is ontwikkeld op basis van een eenvoudige aanname: aanbevelingen voor kapitaalallocatie moeten achteraf verifieerbaar zijn en niet alleen vooraf worden geaccepteerd. Daarom is het platform opgebouwd rond twee onderling verbonden delen: een analyse-engine die financiële gegevens verwerkt, en een openbaar logboek dat laat zien hoe goed eerdere aanbevelingen stand hebben gehouden.
De methodologie is gericht op bedrijven die hun eigen overtollige liquiditeit beheren en die beslissingen willen nemen op basis van gevalideerde gegevens in plaats van individuele voorspellingen. Het platform vervangt geen financieel manager, maar functioneert als gestructureerde beslissingsondersteuning bij de lopende werkzaamheden.
De engine verwerkt grote hoeveelheden historische en lopende financiële gegevens om patronen te identificeren die statistisch significant zijn en niet toevallig. Het resultaat zijn aanbevelingen die zijn aangepast aan het liquiditeitsprofiel en het risicokader van elke onderneming.
Historische kasstromen en marktgegevens worden gecombineerd in voorspellende modellen die voortdurend worden bijgewerkt om trends te identificeren voordat deze zichtbaar worden in kwartaalrapportages.
Algoritmische optimalisatie wordt gebruikt om het rendementspotentieel af te wegen tegen de blootstelling, met duidelijke grenswaarden die zijn aangepast aan de risicobereidheid van het bedrijf.
Aanbevelingen worden voortdurend aangepast naarmate er nieuwe gegevens binnenkomen, waardoor beslissingen gelijke tred kunnen houden met veranderingen in de liquiditeit in plaats van daar achter te blijven.
Elke door het platform gegenereerde aanbeveling krijgt een tijdstempel voordat de uitkomst bekend is. Het resultaat wordt vervolgens gepubliceerd in een open logboek, waar afwijkingen tussen de prognose en de werkelijke uitkomst in de loop van de tijd kunnen worden gevolgd.
Bestaande stromen voor boekhouding en liquiditeit worden met elkaar verbonden zonder de huidige systemen te vervangen. Historische gegevens worden gebruikt om de startpositie te kalibreren.
Het voorspellende model wordt aangepast aan de specifieke doelstellingen, tijdshorizon en risicotolerantie van het bedrijf voordat er aanbevelingen worden gedaan.
Aanbevelingen worden samen met de onderliggende redenering gepresenteerd, zodat de verantwoordelijke persoon in volledige transparantie de uiteindelijke beslissing kan nemen.
Alle financiële gegevens worden verwerkt in overeenstemming met de AVG, met encryptie zowel tijdens verzending als opslag. Alleen de datapunten die nodig zijn voor de analyse worden verzameld en het bedrijf behoudt de volledige controle over welke bronnen zijn aangesloten. Zonder uitdrukkelijke toestemming worden geen gegevens aan derden doorgegeven.
De modellen zijn gebaseerd op een combinatie van tijdreeksanalyse en machine learning, gevalideerd aan de hand van historische gegevens vóór implementatie. De nauwkeurigheid wordt voortdurend getoetst aan echte resultaten. Daarom wordt het resultatenlogboek bijgewerkt, ongeacht of de voorspelling correct was of niet.
De kosten van het platform moeten worden afgezet tegen de opportuniteitskosten die ontstaan wanneer kapitaal gedurende langere perioden inactief blijft of verkeerd wordt toegewezen. Omdat elke aanbeveling en de uitkomst ervan worden gedocumenteerd in het openbare logboek, is het mogelijk om het rendement op de kosten te beoordelen op basis van feitelijke geschiedenis in plaats van aannames.