Ränthetsen łączy modele predykcyjne oparte na sztucznej inteligencji ze zweryfikowanymi przez społeczność dziennikami wydajności, dzięki czemu decyzje dotyczące alokacji kapitału mogą opierać się na zweryfikowanych danych, a nie na założeniach.
Większość mniejszych firm zarządza nadwyżką płynności w oparciu o rozliczenia kwartalne i przeczucie. Pomiędzy tymi sytuacjami powstaje koszt alternatywny: kapitał, który nie pracuje aktywnie i nie jest chroniony przed zmiennością. Materiał służący do podejmowania decyzji może stać się nieaktualny, zanim w ogóle zostanie wykorzystany.
Problemem rzadko jest brak danych, ale brak struktury umożliwiającej ich interpretację w czasie. Im więcej zmiennych trzeba ręcznie zważyć, tym większe ryzyko utraty ważnych sygnałów w tłumie.
Ränthetsen został opracowany w oparciu o proste założenie: rekomendacje dotyczące alokacji kapitału powinny być weryfikowalne z perspektywy czasu, a nie tylko akceptowane z góry. Dlatego platforma składa się z dwóch wzajemnie powiązanych części – silnika analitycznego przetwarzającego dane finansowe oraz publicznego dziennika, który pokazuje, jak dobrze sprawdziły się poprzednie rekomendacje.
Metodologia skierowana jest do firm, które zarządzają własnymi nadwyżkami płynności i chcą podejmować decyzje w oparciu o zweryfikowane dane, a nie indywidualne prognozy. Platforma nie zastępuje menedżera finansowego, ale pełni funkcję ustrukturyzowanego wsparcia decyzji w bieżącej pracy.
Silnik przetwarza duże ilości historycznych i bieżących danych finansowych w celu zidentyfikowania wzorców, które są statystycznie istotne, a nie przypadkowe. W rezultacie powstają rekomendacje dostosowane do profilu płynności i ram ryzyka każdej spółki.
Historyczne przepływy pieniężne i dane rynkowe są łączone w modele predykcyjne, które są stale aktualizowane w celu identyfikacji trendów, zanim staną się one widoczne w raportach kwartalnych.
Aby zrównoważyć potencjał zwrotu z ekspozycją, stosuje się optymalizację algorytmiczną, stosując jasne wartości limitów dostosowane do apetytu na ryzyko firmy.
Zalecenia są stale dostosowywane w miarę napływu nowych danych, dzięki czemu decyzje mogą nadążać za zmianami płynności, a nie pozostawać w tyle.
Każda rekomendacja wygenerowana przez platformę jest oznaczana czasem, zanim znany jest wynik. Wynik jest następnie publikowany w otwartym dzienniku, w którym można na przestrzeni czasu śledzić odchylenia między prognozą a rzeczywistym wynikiem.
Istniejące przepływy księgowe i płynnościowe są łączone bez konieczności wymiany obecnych systemów. Do kalibracji pozycji początkowej wykorzystywane są dane historyczne.
Model predykcyjny jest dostosowywany do konkretnych celów firmy, horyzontu czasowego i tolerancji ryzyka przed wydaniem jakichkolwiek rekomendacji.
Zalecenia są przedstawiane wraz z uzasadnieniem, tak aby osoba odpowiedzialna mogła podjąć ostateczną decyzję przy zachowaniu pełnej przejrzystości.
Wszystkie dane finansowe przetwarzane są zgodnie z RODO, z szyfrowaniem zarówno podczas przesyłania, jak i przechowywania. Gromadzone są tylko te punkty danych, które są niezbędne do analizy, a firma zachowuje pełną kontrolę nad tym, jakie źródła są podłączane. Żadne dane nie są przekazywane podmiotom trzecim bez wyraźnej zgody.
Modele opierają się na połączeniu analizy szeregów czasowych i uczenia maszynowego, przed wdrożeniem weryfikowane na podstawie danych historycznych. Dokładność jest stale testowana w porównaniu z rzeczywistymi wynikami, dlatego dziennik wyników jest aktualizowany niezależnie od tego, czy prognoza była poprawna, czy nie.
Koszt platformy należy zestawić z kosztem alternatywnym, który powstaje, gdy kapitał pozostaje bezczynny lub źle alokowany przez dłuższe okresy. Ponieważ każde zalecenie i jego wynik są dokumentowane w dzienniku publicznym, możliwa jest ocena zwrotu z kosztów w oparciu o rzeczywistą historię, a nie założenia.