Passi nella scelta di un modello di previsione Il modello di previsione dovrebbero includere caratteristiche che cattura tutte le importanti proprietà qualitativa dei dati: modelli di variazione nel livello e di tendenza, effetti dell'inflazione e la stagionalità, le correlazioni tra le variabili, ecc Inoltre, i presupposti che stanno alla base la tua modello scelto dovrebbe essere d'accordo con la vostra intuizione di come la serie rischia di comportarsi in futuro. Quando si monta un modello di previsione, si hanno alcune delle seguenti opzioni: Queste opzioni sono brevemente descritte di seguito. Vedere la Tabella Previsione flusso di accompagnamento per una vista pittorica del processo del modello-specifica, e fare riferimento al pannello Statgraphics Specifica di modello per vedere come le caratteristiche del modello sono selezionate nel software. La deflazione Se la serie mostra una crescita inflazionistica, quindi la deflazione aiuterà a spiegare il modello di crescita e ridurre eteroschedasticità nei residui. È possibile (i) sgonfiare i dati passati e rigonfiare le previsioni a lungo termine ad un tasso assunto costante, o (ii) sgonfiare i dati passati da un indice dei prezzi, come il CPI, e poi quotmanuallyquot rigonfiare le previsioni a lungo termine con una previsione dell'indice dei prezzi. Opzione (i) è il più facile. In Excel, si può semplicemente creare una colonna di formule per dividere i valori originali dai fattori appropriati. Ad esempio, se i dati sono mensili e si vuole sgonfiarsi a un tasso del 5 per 12 mesi, si dovrebbe dividere per un fattore di (1,05) (K12) dove k è l'indice di riga (numero di osservazione). RegressIt e Statgraphics hanno strumenti integrati che fanno questo automaticamente per voi. Se si va questa strada, di solito è meglio impostare il tasso di inflazione assunto pari al vostro migliore stima del tasso attuale, soprattutto se avete intenzione di prevedere più di un periodo avanti. Se invece si sceglie l'opzione (ii), è necessario innanzitutto salvare le previsioni sgonfiato e limiti di confidenza per il foglio di calcolo di dati, quindi generare e salvare una previsione per l'indice dei prezzi, e, infine, si moltiplicano le colonne appropriate insieme. (Torna a inizio pagina.) Logaritmo trasformazione Se la serie mostra composto crescita Andor un andamento stagionale moltiplicativo, una trasformazione logaritmica può essere utile in aggiunta o sostituzione di deflazione. Registrazione dei dati non appiattire un modello di crescita inflazionistica, ma sarà raddrizzarlo fuori in modo che esso può essere montato da un modello lineare (ad esempio una passeggiata casuale o modello ARIMA con una crescita costante, o un modello di livellamento esponenziale lineare). Inoltre, la registrazione ti permette di convertire i modelli stagionali moltiplicativi di additivo modelli, in modo che se si esegue la regolazione stagionale dopo la registrazione, è necessario utilizzare il tipo di additivo. Registrazione occupa di inflazione in modo implicito, se si desidera l'inflazione per essere modellato in modo esplicito - i. e. se si desidera che il tasso di inflazione per essere un parametro visibile del modello o se si desidera visualizzare appezzamenti di dati sgonfio - allora si dovrebbe sgonfiarsi, piuttosto che il login. Un altro uso importante per la trasformazione logaritmica è linearizzare relazioni tra le variabili in una modalità di regressione l. Ad esempio, se la variabile dipendente è una moltiplicativo anziché additivo funzione delle variabili indipendenti, o se il rapporto tra le variabili dipendenti ed indipendenti è lineare in termini di variazioni percentuali piuttosto che variazioni assolute, quindi applicando una trasformazione logaritmica per una o più variabili può essere opportuno, come nell'esempio vendite di birra. (Torna a inizio pagina.) La destagionalizzazione Se la serie ha un forte andamento stagionale che si crede di essere costante di anno in anno, destagionalizzazione può essere un modo appropriato per valutare ed estrapolare il modello. Il vantaggio di destagionalizzazione è che i modelli informatici andamento stagionale esplicitamente, dandovi la possibilità di studiare gli indici stagionali e dei dati destagionalizzati. Lo svantaggio è che richiede la stima di un gran numero di parametri aggiuntivi (in particolare per i dati mensili), e fornisce alcuna giustificazione logica per il calcolo degli intervalli di confidenza quotcorrectquot. Out-of-campione di convalida è particolarmente importante per ridurre il rischio di un eccesso di montaggio dei dati passati attraverso la destagionalizzazione. Se i dati sono fortemente stagionale, ma non si sceglie destagionalizzazione, le alternative sono a uno (i) utilizzare un modello ARIMA stagionale. che prevede implicitamente l'andamento stagionale con ritardi stagionali e le differenze, o (ii) utilizzare il modello di livellamento Winters stagionale esponenziale, che stima che variano nel tempo gli indici stagionali. (Torna a inizio pagina.) Variabili quotIndependentquot Se ci sono altre serie di tempo, che si crede di avere potere esplicativo rispetto alla serie di interessi (ad esempio portando gli indicatori economici o variabili di politica come il prezzo, pubblicità, promozioni, ecc) è potrebbe prendere in considerazione di regressione come tipo di modello. O se non si sceglie di regressione, è ancora necessario considerare i possibilies di cui sopra per trasformare i tuoi variabili (deflazione, log, destagionalizzazione - e forse anche di differenziazione), in modo da sfruttare la dimensione temporale Andor linearizzare le relazioni. Anche se non si sceglie di regressione a questo punto, si può prendere in considerazione l'aggiunta di regressori in seguito ad un modello di serie temporali (per esempio un modello ARIMA) se i residui risultano avere signficant cross-correlazioni con altre variabili. (Torna a inizio pagina.) Smoothing, media, o random walk se si è scelto di destagionalizzare i dati - o se i dati non sono stagionali per cominciare - allora si potrebbe desiderare di utilizzare un modello di media o l'attenuazione su montare il modello nonseasonal che rimane nei dati a questo punto. Una media mobile semplice o semplice modello esponenziale smoothing semplicemente calcola una media locale dei dati al fine della serie, supponendo che questa è la migliore stima del valore medio di corrente attorno al quale i dati sono fluttuanti. (Questi modelli assumono che la media della serie è variabile lentamente e in modo casuale, senza tendenze persistenti.) Il livellamento esponenziale semplice è normalmente preferibile ad una media mobile semplice, in quanto la sua media ponderata esponenzialmente fa un lavoro più ragionevole di attualizzazione dei dati più vecchi, perché la sua lisciatura parametro (alfa) è continua e può essere facilmente ottimizzata, e perché ha una base teorica sottostante per calcolare intervalli di confidenza. Se lisciatura o media non sembra essere utile - i. e. se il miglior predittore del valore successivo della serie storica è semplicemente il suo precedente valore - allora un modello random walk è indicato. Questo è il caso, per esempio, se il numero ottimale di termini nella semplice media mobile risulta essere 1, o se il valore ottimale di alfa semplice livellamento esponenziale risulta essere 0.9999. Browns livellamento esponenziale lineare può essere utilizzato per adattare una serie con le tendenze lineari lentamente a tempo variabile, ma essere cauti circa estrapolare tali tendenze molto lontano nel futuro. (Le rapidamente più ampi intervalli di confidenza per questo modello testimoniano la sua incertezza circa il futuro lontano.) Holts smoothing lineare anche le stime tendenze variabili nel tempo, ma utilizza i parametri distinti per lisciare il livello e la tendenza, che di solito fornisce una migliore vestibilità ai dati rispetto al modello Brown8217s. Q uadratic livellamento esponenziale tenta di stimare l'andamento quadratico variabili nel tempo, e dovrebbe quasi mai essere utilizzato. (Ciò corrisponde ad un modello ARIMA con tre ordini di differenziazione non stagionale.) Lineare livellamento esponenziale con un trend smorzata (cioè una tendenza che si appiattisce a orizzonti lontani) è spesso raccomandata in situazioni in cui il futuro è molto incerto. I vari modelli di livellamento esponenziale sono casi speciali di modelli ARIMA (descritto di seguito) e possono essere dotati di software ARIMA. In particolare, il semplice modello di livellamento esponenziale è una ARIMA (0,1,1) del modello, Holt8217s modello di livellamento lineare è un modello ARIMA (0,2,2), e il modello di tendenza smorzata è un ARIMA (1,1,2 ) modello. Una buona sintesi delle equazioni dei vari modelli di livellamento esponenziale può essere trovato in questa pagina sul sito SAS. (Il menu SAS per specificare i modelli di serie storiche sono anche dimostrato there8212they sono simili a quelli di Statgraphics.) Lineare, quadratica, o modelli della linea di tendenza esponenziale sono altre opzioni per estrapolare una serie destagionalizzato, ma raramente sovraperformare random walk, levigante, o modelli ARIMA sui dati aziendali. (Torna a inizio pagina.) Winters stagionale esponenziale Winters stagionale Smoothing è un'estensione di livellamento esponenziale che stima allo stesso tempo il livello variabile nel tempo, di tendenza, e fattori stagionali usando equazioni ricorsive. (Quindi, se si utilizza questo modello, si dovrebbe non prima stagione regolare i dati.) I fattori stagionali inverni possono essere sia moltiplicativo o additivo: normalmente si dovrebbe scegliere l'opzione moltiplicativo a meno che non aver eseguito l'accesso ai dati. Anche se il modello Winters è intelligente e ragionevolmente intuitivo, può essere difficile da applicare in pratica: ha tre parametri di livellamento - alfa, beta e gamma - per lisciare separatamente le livello, della tendenza e fattori stagionali, che devono essere stimati contemporaneamente. Determinazione dei valori iniziali per gli indici stagionali può essere realizzata applicando il metodo rapporto medio-a-movimento di regolazione stagionale per parte o tutta la serie eo da backforecasting. L'algoritmo di stima che Statgraphics utilizza per questi parametri a volte non riesce a convergere valori eo rendimenti che danno previsioni bizzarro e intervalli di confidenza, quindi vi consiglio di attenzione quando si utilizza questo modello. (Torna a inizio pagina.) ARIMA Se non si sceglie di regolazione stagionale (o se i dati non sono stagionale), si potrebbe desiderare di utilizzare il quadro modello ARIMA. modelli ARIMA sono una classe molto generale di modelli che comprende random walk, tendenza casuale, livellamento esponenziale, e modelli autoregressivi come casi particolari. La saggezza convenzionale è che una serie è un buon candidato per un modello ARIMA se (i) può essere stationarized da una combinazione di differenziazione e di altre trasformazioni matematiche come la registrazione, e (ii) si dispone di una notevole quantità di dati con cui lavorare : almeno 4 stagioni complete nel caso di dati stagionali. (Se la serie non può essere adeguatamente stationarized dalla differenziazione - ad esempio se è molto irregolare o sembra essere qualitativamente cambiando il suo comportamento nel tempo - o se si dispone di meno di 4 stagioni di dati, allora si potrebbe essere meglio con un modello che utilizza destagionalizzazione e una sorta di semplice media o di levigatura.) modelli ARIMA hanno una speciale convenzione di denominazione introdotta da Box e Jenkins. Un modello ARIMA nonseasonal è classificato come modello ARIMA (p, d, q), dove d è il numero di differenze non stagionali, p è il numero di termini autoregressivi (ritardi della serie differenziata) e q è il numero di MOVING - termini medi (GAL degli errori di previsione) nella equazione di previsione. Un modello ARIMA stagionale è classificato come ARIMA (p, d, q) x (P, D, Q). dove D, P, e Q sono, rispettivamente, il numero di differenze stagionali, condizioni stagionali autoregressivi (GAL della serie differenziata a multipli del periodo stagionale), ed i termini media mobile stagionali (GAL degli errori di previsione a multipli della stagione periodo). Il primo passo per il montaggio di un modello ARIMA è quello di determinare l'ordine appropriato di differenziazione necessaria per stationarize serie e rimuovere le caratteristiche lordi di stagionalità. Ciò equivale a determinare quali quotnaivequot random walk o modello casuale di tendenza fornisce il miglior punto di partenza. Non tentare di utilizzare più di 2 ordini totali di differenziazione (non stagionale e stagionale combinato), e di non utilizzare più di 1 differenza stagionale. Il secondo passo è quello di determinare se includere un termine costante nel modello: di solito si fa includere un termine costante se l'ordine totale di differenziazione è 1 o meno, altrimenti voi non. In un modello con un ordine di differenziazione, il termine costante rappresenta l'andamento medio nelle previsioni. In un modello a due ordini di differenziazione, l'andamento delle previsioni è determinata dalla tendenza locale osservato alla fine della serie di tempo, e il termine costante rappresenta l'andamento-in-the-tendenza, cioè la curvatura lungo previsioni termine. Normalmente è pericoloso estrapolare le tendenze-in-tendenze, in modo da sopprimere il termine contant in questo caso. Il terzo passo è quello di scegliere il numero di autoregressivo e spostamento parametri medi (p, d, q, P, D, D) che sono necessari per eliminare qualsiasi autocorrelazione che rimane nei residui del modello naive (cioè qualsiasi correlazione che residua dopo mera differenziazione). Questi numeri determinano il numero di ritardi della serie differenziata ritardi eo degli errori di previsione che sono inclusi nell'equazione di previsione. Se non c'è autocorrelazione significativo nei residui, a questo punto, quindi STOP, il gioco è fatto: il miglior modello è un modello ingenuo Se c'è una significativa autocorrelazione a ritardi 1 o 2, si dovrebbe provare a impostare q1 se uno dei seguenti casi: ( i) vi è una differenza non stagionale nel modello, (ii) il ritardo 1 autocorrelazione è negativo. Andor (iii) la trama di autocorrelazione dei residui è più pulita di aspetto (un numero inferiore, i picchi più isolate) che la trama di autocorrelazione parziale residua. Se non vi è alcuna differenza non stagionali nel modello Andor il ritardo 1 autocorrelazione è positivo Andor la trama di autocorrelazione parziale residua sembra più pulito, quindi provare p1. (A volte queste regole per scegliere tra P1 e il conflitto Q1 con l'altro, nel qual caso probabilmente non rende molta differenza che quella che si usa. Prova entrambi e confrontare.) Se c'è autocorrelazione in ritardo 2 che non viene rimosso impostando P1 o q1, si può quindi provare p2 o Q2, o occasionalmente P1 e Q1. Più raramente si possono incontrare situazioni in cui p2 o 3 e q1, o viceversa, produce i risultati migliori. E 'fortemente raccomandato di non utilizzare pgt1 e qgt1 nello stesso modello. In generale, nel montaggio modelli ARIMA, si dovrebbe evitare di aumentare complessità del modello in modo da ottenere solo piccole migliorare ulteriormente le statistiche di errore o l'aspetto delle trame ACF e PACF. Inoltre, in un modello con entrambi pgt1 e qgt1, c'è una buona possibilità di ridondanza e non unicità tra AR e MA lati del modello, come spiegato nelle note sulla struttura matematica del modello ARIMA s. Di solito è meglio procedere a un graduale in avanti piuttosto che indietro modo graduale quando tweaking le specifiche del modello: iniziare con modelli più semplici e solo aggiungere altri termini, se vi è una chiara necessità. Le stesse regole valgono per il numero di termini autoregressivi stagionali (P) e il numero di termini stagionali media mobile (Q) rispetto al autocorrelazione al periodo stagionale (ad esempio lag 12 per i dati mensili). Prova Q1 se c'è già una differenza stagionale nel modello Andor l'autocorrelazione stagionale è negativo Andor la trama di autocorrelazione dei residui appare più pulita in prossimità del ritardo stagionale altrimenti prova P1. (Se è logico per la serie di esporre una forte stagionalità, quindi è necessario utilizzare una differenza di stagione, altrimenti il modello stagionale svanirà quando si effettuano previsioni a lungo termine.) Di tanto in tanto si potrebbe desiderare di provare P2 e Q0 o vice v ERSA, o PQ1. Tuttavia, è fortemente raccomandato che PQ non dovrebbe mai essere superiore a 2. I modelli stagionali raramente hanno il tipo di perfetta regolarità su un numero sufficiente di stagioni che consentano di individuare in modo affidabile e stimano che molti parametri. Inoltre, l'algoritmo backforecasting utilizzato nella stima parametro può produrre risultati inaffidabili (o anche folli) quando il numero di stagioni di dati non è significativamente più grande PDQ. Vorrei raccomandare non meno di PDQ2 stagioni complete, e più è meglio. Anche in questo caso, nel montaggio modelli ARIMA, si deve fare attenzione per evitare di raccordo dei dati, nonostante il fatto che essa può essere molto divertente una volta a ottenere il blocco di esso. casi particolari importanti: Come notato sopra, un modello ARIMA (0,1,1) senza costante è identico ad un semplice modello di livellamento esponenziale, ed assume un livello galleggiante (cioè senza mean reversion), ma con lo zero tendenza a lungo termine. Un modello ARIMA (0,1,1) con costante è un semplice modello di livellamento esponenziale con un termine di trend lineare diverso da zero incluso. Un ARIMA (0,2,1) o modello (0,2,2) senza costante è un modello di livellamento esponenziale lineare che permette una tendenza variabile nel tempo. Un modello ARIMA (1,1,2) senza costante è un modello di livellamento esponenziale lineare con tendenza smorzata, cioè una tendenza che alla fine si appiattisce in previsioni a più lungo termine. I modelli più comuni stagionali ARIMA sono (0,1,1) x (0,1,1) modello ARIMA senza (1,0,1) x modello costante e la ARIMA (0,1,1) con costante. Il primo di questi modelli vale sostanzialmente livellamento esponenziale ad entrambi i componenti non stagionali e stagionali del modello nei dati pur consentendo un andamento variabile nel tempo, e quest'ultimo modello è in qualche modo simile, ma assume un andamento lineare costante e quindi un po 'più lunga prevedibilità - term. Si deve sempre includere questi due modelli fra la vostra linea di sospetti quando i dati di montaggio con i modelli stagionali coerenti. Uno di loro (magari con una variazione minore tale aumento p o q da 1 andor P1 impostazione nonché Q1) è abbastanza spesso la migliore. (Torna a inizio pagina.) Nel 2013, GuideStar, BBB Wise Giving Alliance, e Charity Navigator ha scritto una lettera aperta ai donatori d'America in una campagna per porre fine al mito Overhead la falsa concezione che indici finanziari sono l'unico indicatore di no-profit prestazione. Per la nostra seconda lettera, pubblicato nel mese di ottobre 2014, invitiamo i no-profit di America per fare la loro parte per mettere a fuoco i donatori l'attenzione su ciò che conta davvero: i tuoi organizzazioni sforzi per rendere il mondo un posto migliore. Chiediamo organizzazioni non profit e il settore sociale in generale di unirsi a noi mentre ci muoviamo verso una soluzione Overhead. Lettera ai donatori d'America Lettera ai nonprofit dell'America Come condividere il messaggio Abbiamo bisogno del vostro aiuto Aiutaci a diffondere la parola che la percentuale delle spese di beneficenza che vanno a amministrativo e di raccolta fondi costscommonly indicato come non overheadis una misura primaria di un prestazioni charitys e che i risultati materia più. Entrambe le lettere mito Overhead sono rilasciati sotto Creative Commons Attribution-No opere derivate licenza. il che significa che è possibile utilizzare sia la lettera per comunicare il messaggio ai vostri donatori e le altre parti interessate. Entrambe le lettere possono essere condivisi con le parti interessate come più vi piace: le e-mail come allegati, stampare e includere nelle vostre sollecitazioni donatori, metterli sul tuo sito web, la quota attraverso i social media, o stamparlo per la vostra prossima riunione del consiglio. Che cosa può fare nonprofit Gli strumenti e le risorse elencate di seguito può aiutare organizzazioni non profit si muovono al di là del mito Overhead, verso la soluzione Overhead. dimostrando il loro valore in base all'impatto. Dimostrare pratica etica e condividere i dati sulle vostre PerformanceThis 28-Year-Olds avvio si sta muovendo a 350 milioni e vuole uccidere completamente le carte di credito Theres un minuscolo 12-persona avvio sfornare di Des Moines, Iowa. Milne non ha sfondo della finanza, ma la sua piccola operazione si muove tra 30 e 50 milioni al mese la sua sulla buona strada per spostare più di 350 milioni nel prossimo anno. A differenza di PayPal. Dwolla non prende una percentuale della transazione. Si chiede solo per 0.25 se il suo movimento 1 o 1.000. Abbiamo intervistato Milne su come si sta costruendo un killer carta di credito e rivale piazza a partire dalla metà della nazione in cui VC e stampa sono scarse. BI: Abbiamo sentito sei rendendo le aziende di carte di credito arrabbiato. Come stai facendo che Ben Milne: In definitiva stavano cercando di costruire la prossima Visa, non il prossimo PayPal. Sono stati la costruzione di una rete umana in base a come pensiamo che il futuro dei pagamenti funzionerà. Il modello attuale ha bisogno di essere fatto saltare in aria. Dwolla iniziato dalla mia vecchia società. Ho posseduto una società di produzione di altoparlanti e abbiamo venduto tutto direttamente attraverso un sito web. Mi sono davvero ossessionato con commissioni interbancarie e come non pagarle. Ogni volta che un commerciante viene pagato con una carta di credito che devono rinunciare a una percentuale. Nel mio caso, stavo perdendo 55.000 l'anno per le società di carte di credito. Mi sono sentito come se fossero rubando da me - mi è stato sempre pagato e qualcuno stava prendendo soldi dalla tasca. Così ho pensato, come verrò pagato attraverso un sito web senza pagare commissioni carta di credito Piantammo una banca, e abbastanza sorprendentemente hanno detto, anche dare un colpo. E 'stato tre anni fa, quindi weve lavorato sul progetto per un tempo molto lungo. Nel dicembre dello scorso anno abbiamo capito come fare legalmente ciò che facciamo. Quante transazioni stai facendo il volume medio delle transazioni per Dwolla è proprio dietro di 500 dollari. Ci muoviamo tra 30 e 50 milioni al mese. Im 28. Ho iniziato la mia prima società, Elemental Design, quando avevo 18 anni ho abbandonato la University of Northern Iowa e costruito questo. Ho iniziato l'università, perché ho pensato che questo è dove dovevo andare. Ho applicato a un college, sono entrato in, sono andato, e ho capito che non era per me. Ho avuto clienti così ho smesso di andare a lezione. Siamo cresciuti tale società da un investimento di 1.200 a oltre un milione di entrate in quattro anni, con tre o quattro persone e senza investimenti esterni. La società è stata in esecuzione per sé e ho voluto lavorare su un altro progetto. Non avete un background finanziario e ancora si costruito Dwolla suo stato utile in qualche modo strano. Credo che il primo istituto finanziario siamo andati in solo mi ha ascoltato per l'intrattenimento. Mi hanno lasciato entrare per lanciare il team esecutivo completo alla banca. I dont sembro un banchiere, sapevano ho avuto uno sfondo bancario. Essi in realtà accettato di lavorare con Dwolla dopo due ore di discutere con me e mi scarabocchiare su una lavagna su come il tutto potrebbe funzionare. Se fossi stato più tipico, forse andrei hanno ascoltato me. A questo proposito, penso che non sapendo come i meccanici hanno lavorato era buono - abbiamo appena saputo il modo in cui abbiamo voluto loro di lavorare. Cosa hai fatto per i primi due anni in cui non era tecnicamente ben Dwolla legale era legale, abbiamo appena potuto operare al di fuori di Iowa. Per i primi due anni abbiamo costruito la piattaforma. Abbiamo fatto un shtload di test su piccola scala, perché legalmente non abbiamo potuto lanciare Dwolla a livello nazionale. Abbiamo trascorso due anni all'interno di Iowa messa a punto Dwolla con le istituzioni finanziarie, la costruzione di alcuni dei modelli iniziali, e cercando di capire come fare legalmente ciò che facciamo. Howd si trovare una scappatoia soldi Moving legale è un business estremamente regolamentato. Erano in Iowa, che è una specie di conservatore - non so se questo ci ha aiutato o farci del male, ma nel lungo termine, penso che ci ha aiutato. Abbiamo pensato di fare questo legalmente, abbiamo avuto due opzioni: Potremmo prendere in una enorme quantità di denaro e di uscire e ottenere le licenze, che è come la maggior parte delle persone lo fanno, ma non abbiamo avuto accesso a quel tipo di capitale qui. L'altra opzione era quella di portare in investitori realmente strategici, che è quello che abbiamo fatto. Uno dei nostri investitori è un istituto finanziario One è una società di servizi finanziari. I nostri investitori fanno di credito e di debito di elaborazione per le banche. Così, quando si ottiene una carta di credito dalla tua banca, il suo essere emessi da aziende come loro. I nostri investitori sono anche distribuendo il nostro prodotto alle istituzioni finanziarie. Così weve costruito una rete di pagamento, e possiamo farlo legalmente a causa di chi sono i nostri investitori. Abbiamo lanciato nel dicembre dello scorso anno e ha iniziato lo spostamento di 50.000 a settimana. Ora sono stati aggirano intorno a 1 milione al giorno. Abbiamo raggiunto questo traguardo in giugno o luglio. Ora weve queta le cose. Abbiamo dovuto toccare i freni, perché il modo di gestire il denaro deve essere gestito in modo corretto. Abbiamo alcuni nuovi partner a bordo e stavamo andando a colpire duro nel mese di dicembre di nuovo. Weve ha ottenuto un po 'di roba in uscita a dicembre che pensiamo dovrebbe essere davvero grande. Come funziona Dwolla e come è diverso da PayPal con Dwolla, i pagamenti vengono effettuati direttamente dal tuo conto bancario. Non si accettano carte di credito o di debito sono ammessi. E poiché essi non esistono nel sistema, noi non dobbiamo portare le tasse nel sistema. Si può spendere qualsiasi somma di denaro e quando lo si fa, la persona all'altro capo doesnt deve pagare 1, 2, 3 o 4. Essi si limitano a pagare 0,25 una transazione, che è particolarmente utile quando i suoi 1.000, 2.000 o 5.000 transazioni . Ovviamente PayPal diventa molto costo proibitivo con tali operazioni più grandi. La più grande differenza tra le idee di questo tipo e un PayPal - PayPal ed è un'idea fenomenale, Square è troppo - è che quelli sono costruiti sulla cima di reti come Visa e MasterCard. Stavano costruendo la nostra. Gli utenti possono inviare solo il denaro ai membri olla Dw No, è possibile inviare denaro a chiunque. Solo la persona che invia deve avere un conto Dwolla per avviare l'operazione. La persona che lo riceve dovrà registrarsi per un account, ma weve stato sorpreso alla conversione lì. La sua funzionato relativamente bene. Sfruttiamo i social network in realtà pesantemente come elenchi di contatti, che è una cosa che facciamo veramente diverso. È possibile inviare denaro con un indirizzo email o un numero di telefono, ma il modo più popolare per farlo è quello di collegare a Facebook e digitare un nome di amici. Pensiamo che, nel lungo periodo, l'invio di denaro dovrebbe essere il più semplice e senza sforzo come trovare un amico su Facebook. Questo è davvero un comportamento cerchiamo di imitare quando si tratta di peer-to - eer pagamenti. Quando qualcuno non ha un account Dwolla, ottengono un post muro che dice, Youve ha ottenuto il denaro. Se un amico ha inviato che a voi e che era il loro nome e il loro volto, si dovrebbe avere un diverso legame emotivo a quello di una e-mail arbitrario da hellokitten32aol. La sua un'interazione totalmente diverso e uno questo è stato molto utile per noi nel convertire gli utenti nel sistema. Che tipo di acquisti e trasferimenti di denaro è Dwolla utilizzato per Facciamo piuttosto bene nel B2B 11 della nostra attività è da persona a persona, e la grande maggioranza è business-to-business, consumer-to-business e business-to - consumatore. La piattaforma è stata originariamente costruita per prendere in pagamenti attraverso i siti web, e noi abbiamo API che permettono di fare questo. Noi havent sperimentato la scala su quelli ancora abbastanza. Dove weve visto una tonnellata di transazioni in questo momento è con la gente pagare l'affitto mensile. Se Im un padrone di casa e voglio raccoglierla, prendendo un pagamento con carta di credito significa rinunciare a 3 di un 1800 carico. Dwolla è di 0,25 centesimi. La transazione media Dwolla è proprio dietro 500. PayPal prende 2.9 più .30 una transazione. Perché hasnt chiunque eluso le società di carte di credito, prima che un sacco di esso è il tempo e fortuna. E un po 'di ottenere il vostro piede nella porta. Uno dei nostri investitori è un istituto finanziario di 1,8 miliardi. Quello è atipico ovunque, figuriamoci in Iowa. Averli a bordo ci ha permesso di entrare in un sacco di camere. Serviamo tutti, dal padrone di casa prendere in un unico pagamento al singolo acquisto di un caffè con il loro cellulare, alle società miliardi di dollari. Perché erano così atipico e guardare i pagamenti mobili in modo diverso, siamo arrivati in camera con la Federal Reserve e il Tesoro americano, che ha permesso di avere una conversazione, non solo dal punto di vista aziendale, ma dal punto di vista della distribuzione monetaria governo. Tutte le banche sono collegate da un sistema ACH. società di carte di credito utilizzano lo stesso sistema per pagare i costi della carta di credito. Banche impostato internamente lungo lo stesso sistema per spostare denaro nelle loro banche. Questo sistema a sé stante è pieno di difetti - tonnellate di questioni attinenti alle frodi e sprechi e ritardi. Se youve mai avuto un pagamento richiedere alcuni giorni per cancellare, la sua perché theyre in attesa su quel sistema ACH. Vogliamo risolvere questo sistema tra le banche, togliere i ritardi e rendere immediato. Se siamo in grado di creare questo strato di cassa onnipresente di distribuzione tra consumatori e commercianti e gli sviluppatori e le istituzioni finanziarie, che in realtà risolve il problema. Nessuno ha costruito una rete di pagamento in 30 anni - dal momento che le carte di credito. Ognuno si è concentrata su come si costruisce un portale per le carte di credito, da portafogli digitali Square. Noi non crediamo in carte di credito. Crediamo in autorizzazione e nei trasferimenti a basso costo. La nostra generazione capisce davvero che quando si acquista SHT, si esce dal vostro conto in banca e si deve pagare per questo. Dal momento che sei collegato a conti bancari, gli utenti non hanno di avere i soldi in un conto Dwolla per fare un trasferimento È possibile tenere il denaro all'interno di Dwolla ma non dovete. Stavano trovando un sacco di consumatori vogliono tenerlo lì. Vi è in realtà un saldo medio positivo all'interno di Dwolla per ogni consumatore. Abbiamo anche le aziende che utilizzano Dwolla di fare il libro paga, in modo theyll mantenere un equilibrio in là per coprire il costo. Si potrebbe dispone di un account di 0 a Dwolla e non ci sarebbe alcun costo L'unica tassa sarebbe se qualcuno ti ha pagato. Prendiamo un quarto. Vogliamo davvero così trimestre. Il suo tutto quello che vogliamo come si fa pagamenti mobili Dwollas lavorano Abbiamo costruito un sistema rivolto cellulare il telefono cellulare è solo un diverso punto di vista di un sito web, quindi un pagamento mobile è solo un'autorizzazione sul tuo telefono cellulare. Prendiamo il sito, plop nel telefono cellulare, iniziare ad aggiungere le soluzioni di prossimità in modo da poter vedere che i commercianti Dwolla sono vicino a voi, e quindi rendere più facile da pagare una volta si va in un negozio che accetta il nostro sistema. Dwolla utilizza la funzione GPS e consente di effettuare un pagamento in tempo reale. Quindi sei dicendo che se uno Starbucks accetta Dwolla Ill essere in grado di vedere che su una mappa di Google, andare lì e pagare il caffè al mio telefono Sì, youll solo a piedi in negozio e pagare. E 'come il check-in su Foursquare, tu sei solo pagando invece di check-in. Abbiamo iniziato in una caffetteria e ora stavano lavorando con 400 o 500 commercianti. Una parte di noi scaling out è che dobbiamo raccogliere punti di flesso e poi fare un po 'di assunzione di perseguire attivamente quelle comunità e integrarsi con loro. Bene essere dall'inizio che nel mese di dicembre. Le banche devono pagare per essere integrato con Dwolla No, dobbiamo solo dare loro il servizio e poi il vostro conto in banca arriva con Dwolla. Ci sono 16 banche in tutto il paese che vengono con Dwolla. Sono stati a parlare con alcune istituzioni finanziarie enormi di fare la stessa cosa. Le banche stanno andando ad avere problemi di essere rilevanti nella telefonia mobile. Il problema fondamentale con i pagamenti mobili è: come si fa a raggiungere il vostro denaro indipendentemente da dove si banca Nessuno ha incrinato quel dado. Ho veramente voglia di weve non solo incrinato che il dado, ma sono stati già vendendo in istituzioni finanziarie. Non dovete pagare nulla alle banche di accedere e account di accesso Nope. Abbiamo costruito un servizio web che si collega con le istituzioni finanziarie e non devono pagare loro di lavorare con loro. Sono stati un fornitore di servizi a loro e lavoriamo allo stesso tempo di rendere i loro clienti felici. Chi sono i tuoi investitori Weve sollevate 1,3 milioni. Veridian Credit Union è uno dei nostri investitori primari. L'altro investitore è una società chiamata i membri del gruppo che fornisce soluzioni di credito, di debito, ACH e di sicurezza per le banche e le cooperative di credito. Quanto è grande la squadra Dwolla c'erano circa 12 persone - questo è una bestia di una startup in Iowa. Eravamo più piccolo lo scorso dicembre, di circa 2 o 3 persone, così weve avuto abbastanza buona crescita. La maggior parte tutti sono a Des Moines. Weve ha registrato una forte convalida fase iniziale e hanno generato entrate che dice Hey, questa cosa può funzionare bene. Weve got this little fire and now were trying to figure out how to pour a shtload of gas on it, and really make this scale out. The beginning of that is in December and right now were trying to ensure we have the right partners to really kick that thing off really hard. What happens in December Oh, its going to be good. Weve got this product coming out in December that solves a whole bunch of really big problems inside of the ACH system, which all banks are connected to, and it does it in a way thats never been done before. Are you raising capital We have a lot of really positive conversations going on at the moment and were trying to figure out who the right partner to work with is. Were fortunate that our current investors are very supportive of what were doing. How are you doing all this from Iowa It seems like this company should be on Wall Street. Può essere. Right now Des Moines is the right place for us to be. In the future theres going to have to be a lot of business development outside of Des Moines and there are some things we wont be able to do from here. If we can convince people in Iowa, who are more conservative by nature, to use Dwolla then my personal feeling is weve really got something there. Had we been outside of Iowa, maybe we would have tried to scale things up too quickly and maybe it would have blown up in our faces. Maybe not. In my own naive way, I would never build a company anywhere but Iowa so maybe I just dont know any better. My personal feeling is, if you want to build it, where you are is just an excuse. Figure out what the area has to offer you and then leverage that. Hustle your ass off and make it work. Learn more:
No comments:
Post a Comment