Von Ralf Keuper

Um einen bes­se­ren Über­blick über die eige­nen Finan­zen zu bekom­men und die Abhän­gig­keit von Ban­ken zu redu­zie­ren, haben vie­le Unter­neh­men eige­ne Inhouse-Ban­ken auf­ge­baut[1]Inhouse Ban­king – Die Bank im eige­nen Haus.

Mitt­ler­wei­le las­sen sich die Cash­ma­nage­ment- und Tre­a­su­ry-Pro­zes­se durch Machi­ne Lear­ning erheb­lich beschleu­ni­gen und die Aus­sa­ge­kraft der Aus­wer­tun­gen und Reports erhö­hen. Ein Feld, das u.a. von dem Enter­pri­se Tro­va­ta beackert wird. Das Unter­neh­men konn­te vor weni­gen Tagen eine Finan­zie­rungs­run­de in Höhe von 20 Mio. Dol­lar abschlie­ßen[2]Trovata.io rai­ses $20 mil­li­on to aggre­ga­te enter­pri­se bank accounts with AI.

Tro­va­ta fun­giert als hoch­leis­tungs­fä­hi­ger Data Lake zur Spei­che­rung und Ver­wal­tung von Bank­da­ten in einer ska­lier­ba­ren Mul­ti-Bank-Umge­bung. Die Platt­form sam­melt und nor­ma­li­siert Daten und gene­riert dann eine Pro­gno­se. Dabei nutzt sie maschi­nel­les Ler­nen, um eine Basis­li­nie zu erstel­len und his­to­ri­sche Trends zu ana­ly­sie­ren, wodurch die Pro­gno­se­ge­nau­ig­keit erhöht wird. Die Unter­neh­men kön­nen auf die­se Wei­se ihr Cash-Repor­ting und die Erstel­lung von Ana­ly­sen und Pro­gno­sen automatisieren…

WP Twitter Auto Publish Powered By : XYZScripts.com