Fremgangsmåte ved å velge en prognosemodell Din prognosemodell bør inneholde funksjoner som fanger opp alle viktige kvalitative egenskaper av dataene: variasjonsmønstre i nivå og trend, effekter av inflasjon og sesongmessighet, korrelasjoner mellom variabler, osv. Videre er antagelsene som ligger til grunn for din valgt modell bør være enig med din intuisjon om hvordan serien ser ut til å oppføre seg i fremtiden. Når du bruker en prognosemodell, har du noen av følgende valg: Disse alternativene er kort beskrevet nedenfor. Se det medfølgende prognostiseringsdiagrammet for en bildevisning av modellspesifikasjonsprosessen, og referer tilbake til Statgraphics Model Specification-panelet for å se hvordan modellegenskapene er valgt i programvaren. Deflation Hvis serien viser inflasjonær vekst, vil deflasjon bidra til å regne for vekstmønsteret og redusere heteroscedasticitet i residualene. Du kan enten (i) deflater de forrige dataene og gjenopplate de langsiktige prognosene med en konstant antatt hastighet, eller (ii) deflater de siste dataene med en prisindeks som KPI, og deretter kvittere med å reinflate de langsiktige prognosene ved å bruke en prognose av prisindeksen. Alternativ (i) er det enkleste. I Excel kan du bare opprette en kolonne med formler for å dele de opprinnelige verdiene med de relevante faktorene. For eksempel, hvis dataene er månedlige og du vil deflate med en hastighet på 5 per 12 måneder, vil du dele med en faktor (1.05) (k12) hvor k er radindeksen (observasjonsnummer). RegressIt og Statgraphics har innebygde verktøy som gjør dette automatisk for deg. Hvis du går denne ruten, er det vanligvis best å angi antatt inflasjonsrate som det beste estimatet av dagens rente, spesielt hvis du skal prognose mer enn en periode framover. Hvis du i stedet velger valgmulighet (ii), må du først lagre deflaterte prognosene og konfidensgrensene i dataregnearket ditt, og deretter generere og lagre en prognose for prisindeksen, og til slutt multiplisere de tilhørende kolonnene sammen. (Tilbake til toppen av siden.) Logaritme transformasjon Hvis serien viser sammensatt vekst og et multipliserende sesongmønster, kan en logaritme transformasjon være nyttig i tillegg til eller i stedet for deflasjon. Logging av dataene vil ikke flate et inflasjonsvækstmønster, men det vil rette det ut slik at det kan monteres av en lineær modell (for eksempel en tilfeldig tur eller ARIMA-modell med konstant vekst eller en lineær eksponensiell utjevningsmodell). Også logging vil konvertere multiplikative sesongmønstre til additivmønstre, slik at hvis du utfører sesongjustering etter logging, bør du bruke additiv typen. Logging handler om inflasjon på en implisitt måte hvis du vil at inflasjonen skal modelleres eksplisitt - dvs. Hvis du vil at inflasjonsraten skal være en synlig parameter for modellen, eller hvis du vil se plott av deflaterte data - så skal du deflate i stedet for å logge. En annen viktig bruk for logtransformasjonen er linearisering av relasjoner mellom variabler i en regresjonsmodus l. For eksempel, hvis den avhengige variabelen er en multiplikativ snarere enn additiv funksjon av de uavhengige variablene, eller hvis forholdet mellom avhengige og uavhengige variabler er lineært i forhold til prosentvise endringer i stedet for absolutte endringer, så bruker man en logtransformasjon til en eller flere variabler kan være hensiktsmessig, som i ølsalgseksemplet. (Tilbake til toppen av siden.) Sesongjustering Hvis serien har et sterkt sesongmessig mønster som antas å være konstant fra år til år, kan sesongjustering være en passende måte å estimere og ekstrapolere mønsteret på. Fordelen med sesongjustering er at den eksplisitt modellerer sesongmønsteret, og gir deg muligheten til å studere sesongindeksene og de sesongjusterte dataene. Ulempen er at det krever estimering av et stort antall tilleggsparametere (spesielt for månedlige data), og det gir ingen teoretisk begrunnelse for beregningen av kvotekvoterte konfidensintervaller. Validering utenfor prøven er spesielt viktig for å redusere risikoen for overpassing av tidligere data gjennom sesongjustering. Hvis dataene er sterkt sesongmessige, men du ikke velger sesongjustering, er alternativene å enten (i) bruke en sesongbasert ARIMA-modell. som implisitt prognoser sesongmønsteret ved hjelp av sesongmessige lag og forskjeller, eller (ii) bruker Winters sesongmessige eksponensielle utjevningsmodell, som anslår tidsvarierende sesongindekser. (Gå tilbake til toppen av siden.) QuotIndependentquot variabler Hvis det finnes andre tidsserier som du mener har forklarende kraft i forhold til din serie av interesser (f. eks. Ledende økonomiske indikatorer eller policyvariabler som pris, reklame, kampanjer, etc.) kan ønske å vurdere regresjon som modelltype. Uansett om du velger regresjon, må du likevel vurdere mulighetene som er nevnt ovenfor for å omdanne variablene dine (deflasjon, logg, sesongjustering - og kanskje også differensiering) for å utnytte tidsdimensjonen og / eller linearisere relasjonene. Selv om du ikke velger regresjon på dette tidspunktet, kan du kanskje vurdere å legge til regressorer senere til en tidsseriemodell (for eksempel en ARIMA-modell) hvis residualene viser seg å ha signifikante krysskorrelasjoner med andre variabler. (Tilbake til toppen av siden.) Utjevning, gjennomsnittlig eller tilfeldig spasertur Hvis du har valgt å justere dataene sesongmessig - eller hvis dataene ikke er sesongmessige til å begynne med - kan du kanskje bruke en gjennomsnittlig eller utjevningsmodell til passe det ikke-soneformede mønsteret som forblir i dataene på dette punktet. En enkel glidende gjennomsnitt eller enkel eksponensiell utjevningsmodell beregner bare et lokalt gjennomsnitt av data på slutten av serien, under forutsetning av at dette er det beste estimatet av gjeldende middelverdien rundt hvilken dataene varierer. (Disse modellene antar at gjennomsnittet av serien varierer langsomt og tilfeldig uten vedvarende trender.) Enkel eksponensiell utjevning foretrekkes normalt for et enkelt bevegelige gjennomsnitt, fordi dets eksponentielt vektede gjennomsnitt gjør en mer fornuftig jobb med å diskontere de eldre dataene, fordi dens utjevningsparameter (alfa) er kontinuerlig og kan lett optimaliseres, og fordi den har et underliggende teoretisk grunnlag for beregning av konfidensintervall. Hvis utjevning eller gjennomsnitt ikke ser ut til å være nyttig - det vil si. hvis den beste prediktoren for den neste verdien av tidsseriene bare er dens tidligere verdi - så er en tilfeldig gangmodell angitt. Dette er tilfellet for eksempel hvis det optimale antall vilkår i det enkle glidende gjennomsnittet viser seg å være 1, eller hvis den optimale verdien av alfa i enkel eksponensiell utjevning viser seg å være 0.9999. Browns lineær eksponensiell utjevning kan brukes til å passe en serie med sakte tidsvarierende lineære trender, men vær forsiktig med å ekstrapolere slike trender veldig langt inn i fremtiden. (De raskt utvidede konfidensintervaller for denne modellen vitner for usikkerheten om den fjerne fremtid.) Huller lineær utjevning anslår også tidsvarierende trender, men bruker separate parametere for å jevne ut nivå og trend, som vanligvis gir bedre passform til dataene enn Brown8217s modell. Q uadratisk eksponensiell utjevning forsøker å estimere tidsvarierende kvadratiske trender, og bør nesten aldri brukes. (Dette vil korrespondere med en ARIMA-modell med tre ordrer av ikke-soneforskjeller.) Linjær eksponensiell utjevning med en dempet trend (det vil si en trend som flater ut i fjerne horisonter) anbefales ofte i situasjoner der fremtiden er svært usikker. De ulike eksponensielle utjevningsmodellene er spesielle tilfeller av ARIMA-modeller (beskrevet nedenfor) og kan utstyres med ARIMA-programvare. Spesielt er den enkle eksponensielle utjevningsmodellen en ARIMA (0,1,1) modell. Holt8217s lineær utjevningsmodell er en ARIMA (0,2,2) modell, og den dempede trendmodellen er en ARIMA (1,1,2 ) modell. Et godt sammendrag av ligningene i de ulike eksponentielle utjevningsmodeller finnes på denne siden på SAS nettside. (SAS-menyene for å spesifisere tidsseriemodeller vises også der de er lik de som er i Statgraphics.) Lineære, kvadratiske eller eksponentielle trendlinjemodeller er andre alternativer for ekstrapolering av en desesasonalisert serie, men de går sjelden utover tilfeldig gange, utjevning eller ARIMA modeller på forretningsdata. (Tilbake til toppen av siden.) Vinter Sesongmessig eksponensiell utjevning Vinter Sesonglig utjevning er en utvidelse av eksponensiell utjevning som samtidig estimerer tidsvarierende nivå, trend og sesongfaktorer ved bruk av rekursive ligninger. (Hvis du bruker denne modellen, vil du ikke først justere dataene sesongmessig.) Winters sesongfaktorer kan enten være multiplikativ eller additiv: normalt bør du velge multiplikasjonsalternativet med mindre du har logget inn dataene. Selv om Winters-modellen er smart og rimelig intuitiv, kan det være vanskelig å bruke i praksis: det har tre utjevningsparametere - alfa, beta og gamma - for å utjevne nivå, trend og sesongfaktorer separat, som må estimeres samtidig. Bestemmelse av startverdier for sesongindeksene kan gjøres ved å bruke forholdsmessige gjennomsnittlige metode for sesongjustering til deler eller hele serien andor ved tilbakekalling. Estimeringsalgoritmen som Statgraphics bruker for disse parametrene, feiler noen ganger ikke sammen, og gir verdier som gir bizarre prognoser og konfidensintervaller, så jeg vil anbefale forsiktighet når du bruker denne modellen. (Tilbake til toppen av siden.) ARIMA Hvis du ikke velger sesongjustering (eller hvis dataene ikke er sesongbaserte), kan du ønske å bruke ARIMA-modellrammen. ARIMA-modeller er en svært generell klasse av modeller som inkluderer tilfeldig gange, tilfeldig trend, eksponensiell utjevning og autoregressive modeller som spesielle tilfeller. Den konvensjonelle visdommen er at en serie er en god kandidat til en ARIMA-modell hvis (i) den kan stasjonæriseres ved en kombinasjon av differensiering og andre matematiske transformasjoner som logging, og (ii) du har en betydelig mengde data til å jobbe med : minst 4 fulle årstider når det gjelder sesongdata. (Hvis serien ikke kan stasjoneres på riktig måte ved differensiering - f. eks. Hvis den er svært uregelmessig eller synes å kvalitativt endre sin oppførsel over tid - eller hvis du har færre enn 4 årstider, kan du bli bedre med en modell som bruker sesongjustering og noen form for enkel gjennomsnitt eller utjevning.) ARIMA-modeller har en spesiell navngivningskonvensjon innført av Box og Jenkins. En ikke-sasonlig ARIMA-modell er klassifisert som en ARIMA-modell (p, d, q), hvor d er antall ikke-soneforskjeller, p er antall autoregressive termer (lag av differensierte serier) og q er antall flyttbare - gjennomsnittlige termer (lags av prognosefeilene) i prediksjonsligningen. En sesongbasert ARIMA-modell er klassifisert som en ARIMA (p, d, q) x (P, D, Q). hvor D, P og Q er henholdsvis antall sesongmessige forskjeller, sesongbaserte autoregressive termer (lags av differensierte serier ved multiplene av sesongperioden) og sesongmessige glidende gjennomsnittlige termer (lags av prognosefeilene ved flere ganger av sesongens periode). Det første trinnet i å montere en ARIMA-modell er å bestemme riktig rekkefølge for differensiering som trengs for å stasjonere serien og fjerne bruttoegenskapene til sesongmessigheten. Dette tilsvarer å avgjøre hvilken kvotestilling som tilfeldigvis eller tilfeldig trendmodell gir det beste utgangspunktet. Ikke forsøk å bruke mer enn 2 forskjellige ordrer av differensiering (sesongbasert og sesongbasert kombinert), og bruk ikke mer enn 1 sesongmessig forskjell. Det andre trinnet er å avgjøre om en konstant term skal inkluderes i modellen. Vanligvis inkluderer du en konstant term hvis total rekkefølgen av differensiering er 1 eller mindre, ellers gjør du det ikke. I en modell med en ordre av differensiering representerer den konstante sikt den gjennomsnittlige trenden i prognosene. I en modell med to differensordrer, er trenden i prognosene bestemt av lokal trenden observert i slutten av tidsserien, og den konstante sikt representerer trend-i-trenden, dvs. krumningen av langvarig langsiktige prognoser. Normalt er det farlig å ekstrapolere trender i trender, slik at du undertrykker kontantperioden i dette tilfellet. Det tredje trinnet er å velge antall autoregressive og bevegelige gjennomsnittsparametere (p, d, q, P, D, Q) som er nødvendige for å eliminere autokorrelasjon som forblir i gjenstander av naivmodellen (dvs. enhver korrelasjon som gjenstår etter bare differensiering). Disse tallene bestemmer antall lags av differenced series andor lags av prognosefeilene som inngår i prognosekvasjonen. Hvis det ikke er noen signifikant autokorrelasjon i residualene på dette punktet, så STOP, du er ferdig: Den beste modellen er en naiv modell Hvis det er betydelig autokorrelasjon ved lags 1 eller 2, bør du prøve å sette q1 hvis ett av følgende gjelder: ( i) det er en sesongmessig forskjell i modellen, (ii) lag 1-autokorrelasjonen er negativ. andor (iii) gjenværende autokorrelasjonsplott er renere utseende (færre, mer isolerte pigger) enn den gjenværende partielle autokorrelasjonsplottet. Hvis det ikke er noen sesongmessig forskjell i modellen, og er lag 1-autokorrelasjonen positiv, og den resterende partielle autokorrelasjonsplottet ser renere ut, så prøv p1. (Noen ganger er disse reglene for å velge mellom p1 og q1 konflikt med hverandre, i så fall gjør det sannsynligvis ikke stor forskjell som du bruker. Prøv dem begge og sammenlign.) Hvis det er autokorrelasjon ved lag 2 som ikke fjernes ved å sette p1 eller q1, kan du prøve p2 eller q2, eller noen ganger p1 og q1. Mer sjelden kan du oppleve situasjoner der p2 eller 3 og q1, eller omvendt, gir de beste resultatene. Det anbefales sterkt at du ikke bruker pgt1 og qgt1 i samme modell. Generelt, når du monterer ARIMA-modeller, bør du unngå å øke modellkompleksiteten for å oppnå bare små ytterligere forbedringer i feilstatistikken eller utseendet til ACF - og PACF-plottene. I en modell med både pgt1 og qgt1 finnes det også en god mulighet for redundans og ikke-unikhet mellom AR - og MA-siden av modellen, som forklart i notatene om den matematiske strukturen til ARIMA-modellen s. Det er vanligvis bedre å fortsette i en fremad trinnvis snarere enn bakover trinnvis måte når du tilpasser modellspesifikasjonene: Start med enklere modeller og legg bare til flere vilkår hvis det er et klart behov. De samme regler gjelder for antall sesongbaserte autoregressive termer (P) og antall sesongmessige glidende gjennomsnittlige betingelser (Q) med hensyn til autokorrelasjon i sesongperioden (for eksempel lag 12 for månedlige data). Prøv Q1 dersom det allerede er en sesongmessig forskjell i modellen, og hvis sesongens autokorrelasjon er negativ, og hvis gjenværende autokorrelasjonsplott ser renere ut i nærheten av sesongslaget, ellers kan du prøve P1. (Hvis det er logisk for serien å vise sterk sesongmessighet, må du bruke en sesongmessig forskjell, ellers vil sesongmønsteret fade ut når du gjør langsiktige prognoser.) Noen ganger kan du prøve å P2 og Q0 eller vice v ersa, eller PQ1. Det anbefales imidlertid sterkt at PQ aldri burde være større enn 2. Sesongmønstre har sjelden den typen perfekt regelmessighet over et stort antall årstider som vil gjøre det mulig å pålitelig identifisere og anslå at mange parametere. Også tilbakekallingsalgoritmen som brukes i parameterestimering, vil trolig gi upålitelige (eller til og med galte) resultater når antall sesonger av data ikke er vesentlig større enn PDQ. Jeg vil anbefale ikke mindre enn PDQ2 hele årstider, og mer er bedre. Igjen, når du monterer ARIMA-modeller, bør du være forsiktig med å unngå overpassing av dataene, til tross for at det kan være mye moro når du får tak i det. Viktige spesielle tilfeller: Som angitt ovenfor, er en ARIMA (0,1,1) modell uten konstant identisk med en enkel eksponentiell utjevningsmodell, og det antar et flytende nivå (det vil si ingen gjennomsiktig reversering), men med null langsiktig trend. En ARIMA (0,1,1) modell med konstant er en enkel eksponensiell utjevningsmodell med en ikke-lineær trendkategori inkludert. En ARIMA (0,2,1) eller (0,2,2) modell uten konstant er en lineær eksponensiell utjevningsmodell som muliggjør en tidsvarierende trend. En ARIMA (1,1,2) modell uten konstant er en lineær eksponensiell utjevningsmodell med fuktet trend, det vil si en trend som til slutt flater ut i langsiktige prognoser. De vanligste sesongbaserte ARIMA-modellene er ARIMA-modellen (0,1,1) x (0,1,1) uten konstant og ARIMA-modellen (1,0,1) x (0,1,1) med konstant. Den tidligere av disse modellene bruker i utgangspunktet eksponensiell utjevning til både de ikke-sesongmessige og sesongmessige komponentene i mønsteret i dataene, samtidig som det tillates en tidsvarierende trend, og sistnevnte modell er noe lik, men antar en konstant lineær trend og derfor litt lengre tidsforutsigbarhet. Du bør alltid inkludere disse to modellene blant ditt utvalg av mistenkte når du monterer data med konsekvent sesongmessige mønstre. En av dem (kanskje med en mindre variasjon som øker p eller q med 1 ogor setting P1 så vel som Q1) er ganske ofte det beste. (Gå tilbake til toppen av siden.) I 2013 skrev GuideStar, BBB Wise Giving Alliance og Charity Navigator et åpent brev til giverne av Amerika i en kampanje for å avslutte overhead myten den falske oppfatningen at økonomiske forhold er eneste indikatoren for ideelle organisasjoner opptreden. For vårt andre brev, utgitt i oktober 2014, inviterer vi nonprofits av Amerika til å gjøre sin del for å fokusere giverne oppmerksomhet på det som virkelig betyr noe: Organisasjonens innsats for å gjøre verden til et bedre sted. Vi ber nonprofits og samfunnssektoren generelt for å bli med oss når vi beveger oss mot en overhead løsning. Brev til amerikanske givere Brev til nonprofits of America Slik deles meldingen Vi trenger din hjelp Hjelp oss til å spre ordet at prosentandelen av veldedighetskostnader som går til administrasjon og pengeinnsamling kostnadskommunelt referert til som overhead ikke et primært mål på en veldedighet ytelse og som resulterer i mer. Begge brevbokstaver er lisensiert under en Creative Commons Attribution-No Derivs License. som betyr at du kan bruke enten brev til å formidle meldingen til dine givere og andre interessenter. Begge brevene kan deles med dine interessenter, men du liker: Send dem som vedlegg, skriv ut og ta med i donoroppfordringen din, legg dem på nettstedet ditt, del via sosiale medier eller skriv ut det til ditt neste styremøte. Hva kan nonprofits gjøre? De verktøyene og ressursene som er oppført nedenfor kan hjelpe ideelle organisasjoner bevege seg utover Overhead Myth, mot Overhead Solution. ved å bevise sin verdi basert på påvirkning. Demonstrere etisk praksis og dele data om din ytelse Denne 28-åringer starter opp 350 millioner og ønsker å fullstendig drepe kredittkort. Det er en liten 12-personers oppstart som går ut av Des Moines, Iowa. Milne har ingen finansiell bakgrunn, men hans lille operasjon beveger seg mellom 30 og 50 millioner per måned. Det er på rette spor for å flytte mer enn 350 millioner i det neste året. I motsetning til PayPal. Dwolla tar ikke en prosentandel av transaksjonen. Det ber bare om 0,25 om det beveger seg 1 eller 1000. Vi intervjuet Milne om hvordan han bygger et kredittkort morder og Square rival fra midten av nasjonen hvor VC og presse er knappe. BI: Vi hører at du gjør kredittkortselskaper sint. Hvordan gjør du det Ben Milne: Til slutt prøvde å bygge det neste Visa, ikke den neste PayPal. Bygde et menneskelig nettverk basert på hvordan vi tror betalingenes fremtid vil fungere. Den nåværende modellen må blåses opp. Dwolla startet av mitt gamle selskap. Jeg eide et høyttalerefirma, og vi solgte alt direkte via et nettsted. Jeg ble virkelig besatt av bytteavgifter og hvordan ikke å betale dem. Hver gang en kjøpmann blir betalt med et kredittkort, må de gi opp en prosentandel. I mitt tilfelle tapte jeg 55 000 i året til kredittkortselskaper. Jeg følte at de stjal fra meg - jeg ble betalt og noen tok penger ut av lommen min. Så jeg tenkte, hvordan får jeg betalt gjennom et nettsted uten å betale kredittkortgebyr Vi la en bank, og utrolig nok sa de, vel, gi det et skudd. Det var for tre år siden, så vi har jobbet med prosjektet i veldig lang tid. I desember i fjor fant vi ut hvordan vi lovlig skal gjøre hva vi gjør. Hvor mange transaksjoner gjør du Det gjennomsnittlige transaksjonsvolumet for Dwolla er rett rundt 500 dollar. Vi flytter mellom 30 og 50 millioner per måned. Jeg er 28. Jeg startet mitt første firma, Elemental Design, da jeg var 18. Jeg droppet ut av University of Northern Iowa og bygget det. Jeg begynte på college fordi jeg trodde det var der jeg skulle gå. Jeg søkte på en høyskole, jeg kom inn, gikk og skjønte det var ikke for meg. Jeg hadde kunder så jeg sluttet å gå til klassen. Vi vokste det selskapet fra en 1200 investering til over en million i omsetning på fire år, med tre eller fire personer og uten utenfor investeringer. Selskapet løp seg selv og jeg ønsket å jobbe med et annet prosjekt. Du har ikke en finansiell bakgrunn og ennå har du bygget Dwolla. Det har vært nyttig på noen underlige måter. Jeg tror at den første finansinstitusjonen vi gikk inn i, bare lyttet til meg for underholdning. De la meg komme inn for å kaste hele ledelsen på banken. Jeg ser ikke ut som en bankmann, de visste at jeg ikke hadde en bankbakgrunn. De bestemte seg faktisk for å jobbe med Dwolla etter to timers krangling med meg og jeg scribbling på en tavle om hvordan hele greia kunne fungere. Hadde jeg vært mer typisk, hadde de kanskje ikke lyttet til meg. I den forbindelse tror jeg det ikke å vite hvordan mekanikken fungerte bra, vi bare visste hvordan vi ønsket at de skulle jobbe. Hva gjorde du de to første årene da Dwolla ikke var teknisk lovlig Vel, det var lovlig, vi kunne ikke operere utenfor Iowa. I de første to årene har vi bygget ut plattformen. Vi gjorde en shtload av testing i liten skala fordi lovlig vi ikke kunne starte Dwolla landsomfattende. Vi tilbrakte to år inne i Iowa finjustering Dwolla med finansinstitusjoner, bygde ut noen av de første modellene, og forsøkte å finne ut hvordan man lovlig skal gjøre det vi gjør. Hvordan finner du et lovlig smutthull Flytting av penger er en eksepsjonelt regulert virksomhet. Var i Iowa, som er slags konservativ - Jeg vet ikke om det hjalp oss eller skadet oss, men på lang sikt tror jeg det hjalp oss. Vi regnet med å gjøre dette lovlig, vi hadde to alternativer: Vi kunne ta en enorm mengde penger og gå ut og få lisenser, slik er det de fleste gjør, men vi har ikke tilgang til den slags hovedstad her. Det andre alternativet var å ta med virkelig strategiske investorer, noe som vi gjorde. En av våre investorer er en finansinstitusjon, en er et finansielt selskap. Våre investorer gjør kreditt - og debetbehandling for banker. Så når du får et kredittkort fra din bank, blir det utstedt av selskaper som dem. Våre investorer distribuerer også produktet til finansinstitusjoner. Så weve vært å bygge et betalingsnett, og vi kan gjøre det lovlig på grunn av hvem våre investorer er. Vi lanserte i desember i fjor og begynte å flytte 50 000 i uken. Nå svømte rundt 1 million om dagen. Vi treffer denne milepælen i juni eller juli. Nå weve quieted ting ned. Vi måtte trykke på bremsene fordi måten du håndterer penger må styres riktig. Vi har noen nye partnere ombord og skulle slå det hardt i desember igjen. Vi har noen ting som kommer ut i desember, som vi mener burde være veldig store. Hvordan fungerer Dwolla og hvordan er det forskjellig fra PayPal Med Dwolla, blir betalinger gjort direkte fra bankkontoen din. Ingen kreditt - eller debetkort er tillatt. Og fordi de ikke eksisterer i systemet, trenger vi ikke å ta gebyrene inn i systemet. Du kan bruke noe penger og når du gjør det, må personen i den andre enden ikke betale 1, 2, 3 eller 4. De betaler bare 0,25 en transaksjon, noe som er spesielt nyttig når det er 1000, 2000 eller 5000 transaksjoner . Åpenbart blir PayPal svært kostbart uoverkommelig med de større transaksjonene. Den største forskjellen mellom ideer som dette og en PayPal - og PayPal er en fenomenal ide, Square er også - er at de er bygget utover nettverk som Visa og MasterCard. Var å bygge vår egen. Kan brukere bare sende penger til Dw olla medlemmer Nei, du kan sende penger til noen. Bare personen som sender den må ha en Dwolla-konto for å starte transaksjonen. Personen som mottar den må registrere seg for en konto, men vi har vært overrasket over konverteringen der. Dens fungerte relativt bra. Vi utnytter sosiale nettverk veldig tungt som kontaktlister, noe som vi virkelig gjør forskjellige. Du kan sende penger med en e-postadresse eller med et telefonnummer, men den mest populære måten å gjøre det på er å koble til Facebook og skrive inn et vennens navn. Vi tror på lang sikt at å sende penger skal være like enkelt og uanstrengt som å finne en venn på Facebook. Det er virkelig en oppførsel vi prøver å etterligne når det kommer til peer-to - eer-betalinger. Når noen ikke har en Dwolla-konto, får de en veggpost som sier at du har penger. Hvis en venn sendte det til deg og det var deres navn og ansikt, ville du ha en annen følelsesmessig forbindelse til det enn en vilkårlig e-post fra hellokitten32aol. Det er en helt annen interaksjon og en som har vært veldig nyttig for oss i å konvertere brukere inn i systemet. Hva slags innkjøp og pengeoverføringer er Dwolla brukt til? Vi gjør det bra i B2B 11 av vår virksomhet er person til person, og det store flertallet er business-to-business, business-to-business og business-to-business. - consumer. Plattformen ble opprinnelig bygget for å ta betalinger gjennom nettsteder, og vi har APIer som lar deg gjøre det. Vi har ikke opplevd skalaen på de ganske ennå. Hvor vi har sett massevis av transaksjoner akkurat nå, er det med folk som betaler månedlig leie. Hvis jeg er utleier og jeg vil samle den, tar det kredittkortbetaling på 3 av en 1800-avgift. Dwolla er 0,25 cent. Den gjennomsnittlige Dwolla-transaksjonen er rett rundt 500. PayPal tar 2,9 pluss .30 en transaksjon. Hvorfor har ikke noen side-tråkket kredittkortselskapene før jeg tror mye av det er timing og flaks. Og litt å få foten i døren. En av våre investorer er en 1,8 milliarder finansinstitusjon. Det er atypisk hvor som helst, enn si i Iowa. Å ha dem ombord tillot oss å komme inn i mange rom. Vi betjener alle fra utleier å ta inn en betaling til den enkelte som kjøper en kaffe med sin mobiltelefon, til milliarder dollar selskaper. Fordi det var så atypisk og se på mobile betalinger annerledes, kom vi inn i rommet med Federal Reserve og US Treasury som tillot oss å snakke, ikke bare fra et bedrifts synspunkt, men fra et regjeringens monetære distribusjonsperspektiv. Alle banker er forbundet med ett ACH-system. Kredittkortselskaper bruker det samme systemet til å betale av kredittkortet ditt. Banker internt satt sammen det samme systemet for å flytte penger i sine egne banker. Dette systemet er i seg selv riddled med feil - tonn svindelproblemer og avfall og forsinkelser. Hvis du har hatt en betaling, ta noen dager for å fjerne, fordi de venter på det ACH-systemet. Vi ønsker å fikse det systemet mellom bankene, ta ut forsinkelsene og gjøre det øyeblikkelig. Hvis vi kan skape dette allestedsnærværende kontantstrømslaget mellom forbrukere og selgere og utviklere og finansinstitusjoner, løser det faktisk problemet. Ingen har bygget et betalingsnettverk i 30 år - siden kredittkort. Alle har konsentrert seg om hvordan vi bygger en portal for kredittkort, fra digitale lommebøker til Square. Vi tror ikke på kredittkort. Vi tror på autorisasjon og i lavere kostnadsoverføringer. Vår generasjon forstår faktisk at når du kjøper sht, kommer den ut av bankkontoen din, og du må betale for det. Siden du er koblet til bankkontoer, må brukerne ikke ha penger på en Dwolla-konto for å overføre. Du kan holde penger inne i Dwolla, men du trenger ikke. Var det å finne mange forbrukere vil holde det der. Det er faktisk en positiv gjennomsnittlig balanse inne i Dwolla for hver forbruker. Vi har også bedrifter som bruker Dwolla til å gjøre lønn, så de holder balanse der for å dekke kostnadene. Du kan ha en konto på 0 i Dwolla og det ville ikke være noe gebyr. Den eneste avgiften ville være hvis noen betalte deg. Vi tar kvart. Vi vil virkelig ha det kvartalet. Det er alt vi vil. Hvordan jobber Dwollas mobile betalinger. Vi har bygget et mobilvennlig system. Mobiltelefonen din er bare en annen visning av et nettsted, så en mobil betaling er bare en autorisasjon på mobilen din. Vi tar nettsiden, plop den inn i mobiltelefonen, begynner å legge til nærhetsløsninger, slik at du kan se hvilke Dwolla-selgere som er nær deg, og gjør det enkelt å betale når du går inn i en butikk som aksepterer vårt system. Dwolla bruker GPS-funksjonen og lar deg betale i sanntid. Så du sier om en Starbucks aksepterer Dwolla Ill kunne se det på et Google Map, gå dit og lade kaffen til telefonen min Ja, du går bare inn i butikken og betaler. Det er som å sjekke inn på Foursquare, du betaler bare i stedet for å sjekke inn. Vi startet i en kaffebar og jobbet nå med 400 eller 500 selgere. En del av oss skalere ut er vi nødt til å velge infleksjonspunkter og deretter gjøre noen ansettelser for aktivt å forfølge disse samfunnene og integrere med dem. Vel, begynn det i desember. Må bankene betale for å bli integrert med Dwolla Nei, vi gir dem bare tjenesten, og så kommer bankkontoen din med Dwolla. Det er 16 banker over hele landet som følger med Dwolla. Snakket med noen store finansinstitusjoner om å gjøre det samme. Bankene kommer til å ha problemer med å være relevante i mobilen. Det grunnleggende problemet med mobile betalinger er: Hvordan kommer du til kontanter uansett hvor du banker Ingen har sprukket den mutteren. Jeg føler virkelig at vi ikke bare sprakk den mutteren, men solgte den allerede til finansinstitusjoner. Du trenger ikke å betale bankene noe for å logge inn og få tilgang til kontoer Nope. Vi bygde en webtjeneste som knytter sammen med finansinstitusjonene, og vi trenger ikke å betale dem for å jobbe med dem. Var en tjenesteleverandør til dem, og vi jobber samtidig for å gjøre kundene lykkelige. Hvem er dine investorer Weve økte 1,3 millioner. Veridian Credit Union er en av våre primære investorer. Den andre investoren er et selskap som heter The Members Group, som tilbyr kreditt-, debet-, ACH - og sikkerhetsløsninger til banker og kredittforeninger. Hvor stor er Dwolla-teamet Var rundt 12 personer - det er et dyr som starter i Iowa. Vi var mindre i desember, ca 2 eller 3 personer, så weve hadde ganske god vekst. De fleste er i Des Moines. Weve opplevde sterk tidlig stadium validering og har generert inntekter som sier Hei, denne tingen kan fungere bra. Vi har denne lille brannen, og nå prøvde vi å finne ut hvordan vi skal hente en masse gass på den, og virkelig gjøre denne skalaen ut. Begynnelsen av det er i desember, og akkurat nå prøvde vi å sikre at vi har de rette partnerne for å virkelig slå den tingen av veldig hardt. Hva skjer i desember Oh, det kommer til å bli bra. Vi har fått dette produktet ut i desember som løser en hel masse med store problemer inni ACH-systemet, som alle bankene er koblet til, og det gjør det på en måte som aldri har blitt gjort før. Skaffer du kapital Vi har mange virkelig positive samtaler som foregår i øyeblikket og prøvde å finne ut hvem den rette samarbeidspartneren skal jobbe med. Var heldig at våre nåværende investorer er veldig støttende på hva som var gjort. Hvordan gjør du alt dette fra Iowa? Det virker som dette selskapet burde være på Wall Street. Kan være. Akkurat nå er Des Moines det rette stedet for oss å være. I fremtiden skal det være mye forretningsutvikling utenfor Des Moines, og det er noen ting vi ikke kan gjøre herfra. Hvis vi kan overbevise folk i Iowa, som er mer konservative av natur, for å bruke Dwolla, så er min personlige følelse, at vi virkelig har noe der. Hadde vi vært utenfor Iowa, kanskje vi ville ha forsøkt å skala opp ting for fort, og kanskje det ville ha blåst opp i våre ansikter. Kanskje ikke. På min egen naive måte ville jeg aldri bygge et selskap hvor som helst, men Iowa, så kanskje jeg bare ikke vet noe bedre. Min personlige følelse er, hvis du vil bygge den, hvor du er, er bare en unnskyldning. Finn ut hva området har å tilby deg og utnytte det. Hustle deg av og få det til å fungere. Lære mer:
No comments:
Post a Comment