大多数较小的公司根据季度调节和直觉来管理过剩的流动性。在这些情况之间，就会产生机会成本：资本既不积极运作，也不免受波动影响。决策材料在使用之前就有可能过时。
问题很少不是缺乏数据，而是缺乏及时解释数据的结构。必须手动权衡的变量越多，重要信号在人群中丢失的风险就越大。
Ränthetsen 的开发基于一个简单的假设：资本配置建议应该可以事后验证，而不仅仅是提前接受。因此，该平台是围绕两个相互关联的部分构建的：一个处理财务数据的分析引擎，以及一个显示先前建议的实际效果的公共日志。
该方法针对的是那些管理自身过剩流动性并希望根据经过验证的数据而不是个人预测做出决策的公司。该平台不会取代财务经理，而是在正在进行的工作中充当结构化决策支持。
该引擎处理大量历史和持续的财务数据，以识别具有统计意义的模式，而不是巧合的模式。结果是适合每家公司的流动性状况和风险框架的建议。
历史现金流和市场数据结合在预测模型中，该模型不断更新，以便在趋势在季度报告中显现之前识别趋势。
算法优化用于平衡回报潜力与风险敞口，并具有适合公司风险偏好的明确限值。
随着新数据的出现，建议会不断调整，从而使决策能够跟上流动性的变化，而不是落后于流动性的变化。
在得知结果之前，平台生成的每条建议都会带有时间戳。然后结果会发布在开放日志中，随着时间的推移，可以跟踪预测与实际结果之间的偏差。
现有的会计和流动性流程无需更换现有系统即可连接。历史数据用于校准起始位置。
在提出任何建议之前，预测模型会根据公司的具体目标、时间范围和风险承受能力进行调整。
建议与基本推理一起提出，以便负责人能够完全透明地做出最终决定。
所有财务数据均按照 GDPR 进行处理，并在传输和存储过程中进行加密。仅收集分析所需的数据点，并且公司保留对连接哪些源的完全控制。未经明确同意，不会将任何数据传递给第三方。
这些模型基于时间序列分析和机器学习的组合，并在部署前根据历史数据进行验证。准确性是根据实际结果不断进行测试的，这就是为什么无论预测是否正确，结果日志都会更新的原因。
平台的成本应根据资本长期闲置或错误分配时产生的机会成本来确定。由于每项建议及其结果都记录在公共日志中，因此可以根据实际历史而不是假设来评估成本回报。