Ränthetsen combină modele predictive bazate pe inteligență artificială cu jurnalele de performanță verificate de comunitate, astfel încât deciziile de alocare a capitalului pot fi bazate pe date validate, mai degrabă decât pe ipoteze.
Majoritatea companiilor mai mici gestionează excesul de lichiditate pe baza reconciliărilor trimestriale și a sentimentului instinctiv. Între aceste ocazii, apare un cost de oportunitate: capitalul care nici nu lucrează activ și nici nu este protejat împotriva volatilității. Materialul de luare a deciziilor are timp să devină depășit chiar înainte de a fi folosit.
Problema este rareori o lipsă de date, dar o lipsă de structură care să le interpreteze la timp. Cu cât mai multe variabile trebuie cântărite împreună manual, cu atât este mai mare riscul ca semnalele importante să se piardă în mulțime.
Ränthetsen a fost dezvoltat pe baza unei ipoteze simple: recomandările de alocare a capitalului ar trebui să fie verificabile retrospectiv, nu doar acceptate în avans. Prin urmare, platforma este structurată în jurul a două părți interconectate - un motor de analiză care procesează datele financiare și un jurnal public care arată cât de bine au rezistat de fapt recomandările anterioare.
Metodologia se adresează companiilor care își gestionează propriul exces de lichiditate și care doresc să ia decizii mai degrabă bazate pe date validate decât pe previziuni individuale. Platforma nu înlocuiește un manager financiar, ci funcționează ca un suport de decizie structurat în activitatea în derulare.
Motorul procesează volume mari de date financiare istorice și în curs de desfășurare pentru a identifica modele care sunt semnificative statistic, nu coincidențe. Rezultatul sunt recomandări adaptate profilului de lichiditate și cadrul de risc al fiecărei companii.
Fluxurile de numerar istorice și datele pieței sunt combinate în modele predictive care sunt actualizate continuu pentru a identifica tendințele înainte ca acestea să devină evidente în rapoartele trimestriale.
Optimizarea algoritmică este utilizată pentru a echilibra potențialul de rentabilitate față de expunere, cu valori limită clare adaptate apetitului pentru risc al companiei.
Recomandările sunt ajustate continuu pe măsură ce apar noi date, permițând deciziilor să țină pasul cu schimbările de lichiditate, mai degrabă decât să rămână în urmă.
Fiecare recomandare generată de platformă este marcată în timp înainte ca rezultatul să fie cunoscut. Rezultatul este apoi publicat într-un jurnal deschis, unde abaterile dintre prognoză și rezultatul real pot fi urmărite în timp.
Fluxurile existente pentru contabilitate și lichiditate sunt conectate fără a înlocui sistemele actuale. Datele istorice sunt folosite pentru a calibra poziția de pornire.
Modelul predictiv este adaptat la obiectivele specifice ale companiei, orizontul de timp și toleranța la risc înainte de a se face recomandări.
Recomandările sunt prezentate împreună cu raționamentul care stau la baza, astfel încât persoana responsabilă să poată lua decizia finală cu deplină transparență.
Toate datele financiare sunt procesate în conformitate cu GDPR, cu criptare atât în timpul transmiterii, cât și în timpul stocării. Sunt colectate doar punctele de date necesare pentru analiză, iar compania păstrează controlul total asupra surselor conectate. Nicio dată nu este transmisă terților fără acordul expres.
Modelele se bazează pe o combinație de analiză a seriilor de timp și învățare automată, validate pe baza datelor istorice înainte de implementare. Precizia este testată continuu în raport cu rezultatele reale, motiv pentru care jurnalul de rezultate este actualizat, indiferent dacă prognoza a fost corectă sau nu.
Costul platformei ar trebui să fie comparat cu costul de oportunitate care apare atunci când capitalul rămâne inactiv sau alocat greșit pentru perioade prelungite. Deoarece fiecare recomandare și rezultatul acesteia sunt documentate în jurnalul public, este posibil să se evalueze rentabilitatea costurilor pe baza istoricului real, mai degrabă decât a ipotezelor.