Kastren Fundast analyserar din kassaposition med prediktiva modeller och rekommenderar hur mycket överskott som ska användas och när. Varje rekommendation skrivs in i en offentlig prestationslogg, så att du kan granska resonemanget innan du litar på det.
Rekommendationer granskas av en oberoende gemenskap av finansexperter innan de publiceras, inte efter.
De flesta småföretag har mer pengar på lågräntekonton än vad de behöver för den dagliga verksamheten. Detta är sällan ett val som görs med avsikt. Att bygga ett korrekt fall för att distribuera överskottslikvida medel innebär vanligtvis att man sammanställer kassaflödesprognoser, fordringstidpunkt och marknadsförhållanden och sedan tolkar dem utan att ha ett finansteam till hands.
Kastren Fundast byggdes för att förkorta den processen. Våra modeller läser din kassaflödeshistorik, kommande åtaganden och relevanta marknadssignaler, och översätter dem sedan till en vanlig engelsk rekommendation med en angiven nivå av förtroende. Du fattar fortfarande beslutet. Vi tar helt enkelt bort den manuella analysen som vanligtvis står i vägen för det.
Endast belysande exempel. Faktiska proportioner beror på dina kassaflödesdata och risktolerans.
I stället för separata verktyg kör Kastren Fundast prediktiv modellering, riskövervakning och rapportering från en kontinuerligt uppdaterad datamängd, så rekommendationerna förblir konsekventa när dina siffror förändras.
Våra modeller studerar ditt historiska kassaflöde, säsongsbetonade efterfrågemönster och bytesbalanssaldon tillsammans med offentligt tillgängliga indikatorer som Bank of Englands kursrörelser. Produktionen är ett prognosintervall för överskottslikvida medel under de kommande veckorna och månaderna, inte ett enda fast antal.
När kontanter väl är utplacerade fortsätter samma modeller att övervaka dem. Om marknadsförhållandena förändras, eller om din egen kassaflödesprognos ändras, får du en flaggad recension snarare än en tyst rapport begravd i en månadsöversikt. Tröskelvärden ställs in med dig, så varningar återspeglar din egen riskaptit.
Varje rekommendation och resultat sammanställs till en styrelseklar sammanfattning skriven på vanlig engelska, med de underliggande siffrorna tillgängliga för alla som vill kontrollera hur det fungerar. Rapporter genereras automatiskt, så ingen i ditt team spenderar en eftermiddag på att formatera kalkylark.
Transparens är lättare att lova än att demonstrera. Här är processen en rekommendation går igenom innan den når dig, och vad som händer med den efteråt.
Du kopplar ihop din bokförings- eller bankdata och sätter de riskgränser du är bekväm med.
Modellen producerar en rekommendation som kontrolleras mot dina angivna begränsningar före release.
En oberoende panel av finansproffs granskar modellens resonemang och flaggar för allt oklart.
Rekommendationen och dess slutliga resultat registreras i den offentliga prestationsloggen, i sin helhet.
| Datum loggat | Typ av rekommendation | Resultatet registrerats | Granska status |
|---|---|---|---|
| Q1 inträde | Kortvarig utplacering | Inom prognosområdet | Recenserad |
| Q1 inträde | Justering av risktröskel | Flaggade och reviderade | Recenserad |
Metodiken bakom modellerna omvärderas enligt ett fast schema, och eventuella väsentliga förändringar noteras vid sidan av loggen så att tidigare rekommendationer förblir begripliga i sammanhanget de gjordes.
Samma underliggande modeller tillämpas på en handfull återkommande situationer som brittiska småföretagare tar till oss.
För företag som har mer operativa likvida medel än nuvarande aktivitetsbehov identifierar vi hur mycket som rimligen skulle kunna användas till kortsiktiga alternativ med lägre risk utan att störa den dagliga likviditeten.
Innan vi satsar pengar på nya lokaler, utrustning eller anställer, testar våra modeller om reserver kan absorbera engagemanget under en rad handelsscenarier, inte bara det mest troliga.
Under perioder av ränte- eller marknadsrörelser kontrolleras rekommendationerna automatiskt igen, så tidigare sunda beslut omprövas snarare än att de inte får åldras.
Det här är de frågor vi oftast ställs av SME-direktörer som utvärderar om de ska lämna in sina uppgifter.
Data krypteras under överföring och i vila, och lagras på infrastruktur i Storbritannien för att anpassas till dina befintliga datauppehållskrav. Åtkomsten är begränsad till de system och granskare som är direkt involverade i att ta fram din rekommendation. Du kan begära radering av dina uppgifter när som helst, i enlighet med Storbritanniens GDPR.
De flesta företag ansluter sin bokföringsprogramvara och tillhandahåller en första datamängd inom den första veckan. Modellen behöver sedan en kort period för att bygga en tillförlitlig prognosbaslinje innan den första rekommendationen utfärdas, vanligtvis inom två till tre veckor efter anslutning, beroende på datakvalitet.
Noggrannheten mäts genom att jämföra varje prognosintervall med det faktiska utfallet när det väl inträffar, och det är denna jämförelse som fyller i den offentliga resultatloggen. Intervallet blir smalare eftersom mer av din egen data är tillgänglig, men ingen prognos är en garanti, och varje rekommendation anger dess konfidensnivå snarare än att presentera en enda fast siffra.
En datakonsultation går igenom din nuvarande kassaposition, hur en modellbaserad rekommendation skulle se ut för dina siffror och hur prestationsloggen fungerar, innan du förbinder dig till något.