Moving Average Naive Modell

Schritte bei der Auswahl eines Prognosemodells Ihr Prognosemodell sollte Merkmale beinhalten, die alle wichtigen qualitativen Eigenschaften der Daten erfassen: Muster der Variation in Level und Trend, Auswirkungen von Inflation und Saisonalität, Korrelationen zwischen Variablen usw. Darüber hinaus sind die Annahmen, die Ihrem zugrunde liegen Gewähltes Modell sollte mit Ihrer Intuition übereinstimmen, wie sich die Serie wahrscheinlich in der Zukunft verhalten wird. Bei der Anpassung eines Prognosemodells haben Sie einige der folgenden Optionen: Diese Optionen werden im Folgenden kurz beschrieben. Weitere Informationen finden Sie im dazugehörigen Prognose-Ablaufdiagramm für eine bildliche Darstellung des Modellspezifikationsprozesses und verweisen auf das Statgraphics Model Specification Panel, um zu sehen, wie die Modellmerkmale in der Software ausgewählt werden. Deflation Wenn die Serie das Inflationswachstum zeigt, dann wird die Deflation dazu beitragen, das Wachstumsmuster zu berücksichtigen und die Heterosedastizität in den Residuen zu reduzieren. Sie können entweder (i) die vergangenen Daten entleeren und die langfristigen Prognosen mit einer konstanten angenommenen Rate neu anlegen oder (ii) die vergangenen Daten durch einen Preisindex wie den CPI deflationieren und dann die langfristigen Prognosen quellenfristig neu erstellen Eine Prognose des Preisindexes. Option (i) ist am einfachsten. In Excel können Sie einfach eine Spalte von Formeln erstellen, um die ursprünglichen Werte durch die entsprechenden Faktoren zu teilen. Zum Beispiel, wenn die Daten monatlich sind und Sie mit einer Rate von 5 pro 12 Monate deflationieren möchten, würden Sie durch einen Faktor von (1.05) (k12) teilen, wobei k der Zeilenindex (Beobachtungsnummer) ist. RegressIt und Statgraphics haben integrierte Tools, die dies automatisch für Sie tun. Wenn Sie diese Route gehen, ist es in der Regel am besten, die angenommene Inflationsrate gleich Ihrer besten Schätzung der aktuellen Rate, vor allem, wenn Sie gehen zu prognostizieren mehr als eine Periode vor. Wenn Sie stattdessen Option (ii) wählen, müssen Sie zuerst die deflationierten Prognosen und Vertrauensgrenzen auf Ihre Datenkalkulationstabelle speichern, dann eine Prognose für den Preisindex erzeugen und speichern und schließlich die entsprechenden Spalten zusammen multiplizieren. (Rückkehr nach oben) Logarithmus-Transformation Wenn die Reihe das zusammengesetzte Wachstum und ein multiplikatives saisonales Muster zeigt, kann eine Logarithmus-Transformation zusätzlich zu oder lieu der Deflation hilfreich sein. Die Protokollierung der Daten wird ein inflationäres Wachstumsmuster nicht verkleinern, aber es wird es so ausrichten, dass es durch ein lineares Modell (z. B. ein zufälliges Spaziergang oder ARIMA-Modell mit konstantem Wachstum oder ein lineares exponentielles Glättungsmodell) angepasst werden kann. Auch das Protokollieren wird multiplikative saisonale Muster zu additiven Mustern umwandeln, so dass, wenn Sie saisonale Anpassung nach dem Protokollieren durchführen, sollten Sie den additiven Typ verwenden. Die Protokollierung befasst sich mit der Inflation implizit, wenn Sie wollen, dass die Inflation explizit modelliert wird - d. h. Wenn Sie möchten, dass die Inflationsrate ein sichtbarer Parameter des Modells ist oder wenn Sie Plots von deflationierten Daten anzeigen möchten, dann sollten Sie sich entleeren, anstatt sich zu loggen. Eine weitere wichtige Verwendung für die Log-Transformation ist die Linearisierung von Beziehungen zwischen Variablen in einem Regressionsmodus l. Wenn zum Beispiel die abhängige Variable eine multiplikative und nicht additive Funktion der unabhängigen Variablen ist oder wenn die Beziehung zwischen abhängigen und unabhängigen Variablen in Form von prozentualen Änderungen anstelle von absoluten Änderungen linear ist, dann eine Log-Transformation auf eine oder mehrere Variablen anwenden Kann angemessen sein, wie im Beispiel des Bierverkaufs. (Zurück zum Seitenanfang.) Saisonale Anpassung Wenn die Serie ein starkes Saisonmuster hat, von dem angenommen wird, dass sie von Jahr zu Jahr konstant ist, kann die saisonale Anpassung ein geeigneter Weg sein, um das Muster zu schätzen und zu extrapolieren. Der Vorteil der saisonalen Anpassung ist, dass es das saisonale Muster explizit modelliert und Ihnen die Möglichkeit gibt, die saisonalen Indizes und die saisonbereinigten Daten zu studieren. Der Nachteil ist, dass es die Schätzung einer großen Anzahl von zusätzlichen Parametern erfordert (insbesondere für monatliche Daten), und es stellt keine theoretische Begründung für die Berechnung von fehlerhaften Konfidenzintervallen zur Verfügung. Out-of-Sample-Validierung ist besonders wichtig, um das Risiko der Überlagerung der vergangenen Daten durch saisonale Anpassung zu reduzieren. Wenn die Daten stark saisonal sind, aber Sie nicht wählen saisonale Anpassung, die Alternativen sind entweder (i) verwenden Sie eine saisonale ARIMA-Modell. Die implizit das saisonale Muster mit saisonalen Verzögerungen und Unterschieden prognostiziert, oder (ii) das Winters saisonale exponentielle Glättungsmodell verwenden, das zeitveränderliche saisonale Indizes schätzt. (Zurück zum Seitenanfang.) QuotIndependentquot Variablen Wenn es noch andere Zeitreihen gibt, von denen man glaubt, dass sie in Bezug auf Ihre interessante Serie (zB führende Wirtschaftsindikatoren oder politische Variablen wie Preis, Werbung, Promotionen etc.) Möchte die Regression als Modelltyp betrachten. Ob Sie Regression wählen oder nicht, müssen Sie die oben genannten Möglichkeiten für die Umwandlung Ihrer Variablen (Deflation, Log, saisonale Anpassung - und vielleicht auch differenzierende) berücksichtigen, um die Zeitdimension zu nutzen und die Beziehungen zu linearisieren. Auch wenn Sie an dieser Stelle keine Regression wählen, können Sie erwähnen, Regressoren später zu einem Zeitreihenmodell (z. B. einem ARIMA-Modell) hinzuzufügen, wenn die Residuen sich mit anderen Variablen signifikanten Kreuzkorrelationen ergeben. (Zurück zum Seitenanfang) Glättung, Mittelung oder zufälliger Spaziergang Wenn Sie sich für die saisonale Anpassung der Daten entschieden haben - oder wenn die Daten nicht saisonal beginnen, dann können Sie vielleicht ein Mittelwert oder ein Glättungsmodell verwenden Passt das nicht-seasonal Muster, das in den Daten an dieser Stelle bleibt. Ein einfaches gleitendes durchschnittliches oder einfaches exponentielles Glättungsmodell berechnet lediglich einen lokalen Durchschnitt von Daten am Ende der Reihe, unter der Annahme, dass dies die beste Schätzung des aktuellen Mittelwerts ist, um den die Daten schwanken. (Diese Modelle gehen davon aus, dass der Mittelwert der Serie langsam und zufällig ohne anhaltende Trends variiert.) Eine einfache exponentielle Glättung wird normalerweise einem einfachen gleitenden Durchschnitt bevorzugt, weil ihr exponentiell gewichteter Durchschnitt eine sinnvollere Aufgabe hat, die älteren Daten zu diskontieren, weil seine Glättungsparameter (alpha) ist kontinuierlich und lässt sich leicht optimieren und weil es eine zugrundeliegende theoretische Grundlage für die Berechnung von Konfidenzintervallen hat. Wenn Glättung oder Mittelung nicht hilfreich zu sein scheint - d. h. Wenn der beste Prädiktor des nächsten Wertes der Zeitreihe einfach seinen vorherigen Wert ist - dann wird ein zufälliges Wandermodell angezeigt. Dies ist beispielsweise dann der Fall, wenn die optimale Anzahl von Terme im einfachen gleitenden Durchschnitt 1 ist oder wenn der optimale Wert von alpha in einfacher exponentieller Glättung 0,9999 beträgt. Browns lineare exponentielle Glättung kann verwendet werden, um eine Serie mit langsam zeitveränderlichen linearen Trends passen, aber vorsichtig sein, um solche Trends sehr weit in die Zukunft zu extrapolieren. (Die sich schnell wachsenden Konfidenzintervalle für dieses Modell belegen seine Ungewissheit über die ferne Zukunft.) Holts lineare Glättung schätzt auch zeitveränderliche Trends, verwendet aber separate Parameter für die Glättung von Level und Trend, was in der Regel eine bessere Anpassung an die Daten liefert Als Brown8217s Modell. Q uadratische exponentielle Glättung versucht, zeitvariable quadratische Trends abzuschätzen und sollte praktisch niemals verwendet werden. (Dies entspricht einem ARIMA-Modell mit drei Ordnungen von Nichtseason-Differenzen.) Lineare exponentielle Glättung mit einem gedämpften Trend (d. h. ein Trend, der sich in entfernten Horizonten abflacht) wird oft in Situationen empfohlen, in denen die Zukunft sehr unsicher ist. Die verschiedenen exponentiellen Glättungsmodelle sind Sonderfälle von ARIMA Modellen (siehe unten) und können mit ARIMA Software ausgestattet werden. Insbesondere ist das einfache exponentielle Glättungsmodell ein ARIMA (0,1,1) Modell, das Holt8217s lineare Glättungsmodell ist ein ARIMA (0,2,2) Modell und das gedämpfte Trendmodell ist ein ARIMA (1,1,2 ) Modell. Eine gute Zusammenfassung der Gleichungen der verschiedenen exponentiellen Glättungsmodelle finden Sie auf dieser Seite auf der SAS-Website. (Die SAS-Menüs für die Spezifizierung von Zeitreihenmodellen werden auch dort gezeigt, wie sie in den Statgraphiken ähnlich sind.) Lineare, quadratische oder exponentielle Trendlinienmodelle sind weitere Optionen für die Extrapolation einer entsetzten Serie, aber sie übertreffen selten zufällige Spaziergänge, Glättung oder ARIMA-Modelle auf Geschäftsdaten. (Zurück zum Seitenanfang) Winters Seasonal Exponential Smoothing Winters Saisonale Glättung ist eine Erweiterung der exponentiellen Glättung, die gleichzeitig zeitveränderliche Level-, Trend - und saisonale Faktoren mit rekursiven Gleichungen schätzt. (So, wenn du dieses Modell benutzt, würdest du die Daten nicht saisonal anpassen.) Die Wintersaisonfaktoren können entweder multiplikativ oder additiv sein: Normalerweise sollten Sie die multiplikative Option wählen, wenn Sie die Daten nicht angemeldet haben. Obwohl das Winters-Modell clever und vernünftig intuitiv ist, kann es schwierig sein, in der Praxis anzuwenden: Es hat drei Glättungsparameter - Alpha, Beta und Gamma - für die getrennte Glättung der Level-, Trend - und Saisonfaktoren, die geschätzt werden müssen gleichzeitig. Die Bestimmung der Startwerte für die saisonalen Indizes kann durch Anwendung der Verhältnis-zu-Verschiebung durchschnittlichen Methode der saisonalen Anpassung an Teil oder alle der Serie und oder durch Backforecasting erfolgen. Der Schätzalgorithmus, den Statgraphics für diese Parameter verwendet, scheitert manchmal nicht und liefert Werte, die bizarr aussehende Prognosen und Konfidenzintervalle geben, also würde ich bei der Verwendung dieses Modells Vorsicht walten lassen. (Zurück zum Seitenanfang.) ARIMA Wenn Sie keine saisonale Anpassung wählen (oder wenn die Daten nicht saisonal sind), können Sie das ARIMA-Modell-Framework verwenden. ARIMA-Modelle sind eine sehr allgemeine Klasse von Modellen, die zufälligen Spaziergang, zufälligen Trend, exponentielle Glättung und autoregressive Modelle als spezielle Fälle beinhaltet. Die konventionelle Weisheit ist, dass eine Serie ein guter Kandidat für ein ARIMA-Modell ist, wenn (i) es durch eine Kombination von differenzierenden und anderen mathematischen Transformationen wie Protokollierung stationiert werden kann, und (ii) Sie haben eine beträchtliche Menge an Daten zu arbeiten : Mindestens 4 volle Jahreszeiten bei saisonalen Daten. (Wenn die Serie durch Differenzierung nicht adäquat stationärisiert werden kann - zB wenn es sehr unregelmäßig ist oder ihr Verhalten im Laufe der Zeit qualitativ verändert hat - oder wenn Sie weniger als 4 Datenperioden haben, dann wäre es besser, mit einem Modell besser zu sein Das saisonale Anpassung und eine Art einfache Mittelung oder Glättung verwendet.) ARIMA Modelle haben eine spezielle Namenskonvention von Box und Jenkins eingeführt. Ein nicht-seasonales ARIMA-Modell wird als ARIMA (p, d, q) - Modell klassifiziert, wobei d die Anzahl der nicht-seasonalen Differenzen ist, p die Anzahl der autoregressiven Terme (Verzögerungen der differenzierten Reihe) und q die Anzahl der Moving - Durchschnittliche Ausdrücke (Verzögerungen der Prognosefehler) in der Vorhersagegleichung. Ein saisonales ARIMA-Modell wird als ARIMA (p, d, q) x (P, D, Q) klassifiziert. Wobei D, P und Q jeweils die Anzahl der saisonalen Unterschiede, saisonale autoregressive Begriffe (Verzögerungen der differenzierten Reihen bei Vielfachen der Saisonperiode) und saisonale gleitende Durchschnittsterme (Verzögerungen der Prognosefehler bei Vielfachen der Saison Periode). Der erste Schritt in der Anpassung eines ARIMA-Modells ist es, die richtige Reihenfolge der Differenzierung zu bestimmen, die benötigt wird, um die Serie zu stationieren und die Brutto-Features der Saisonalität zu entfernen. Dies ist gleichbedeutend mit der Bestimmung, welche Quoten-Zufalls-Spaziergang oder Zufalls-Trend-Modell den besten Ausgangspunkt bietet. Versuchen Sie nicht, mehr als 2 Gesamtaufträge von differencing (nicht saisonale und saisonale kombiniert) zu verwenden, und verwenden Sie nicht mehr als einen saisonalen Unterschied. Der zweite Schritt ist zu bestimmen, ob ein konstanter Begriff in das Modell gehören: in der Regel haben Sie einen konstanten Begriff, wenn die gesamte Reihenfolge der Differenzierung ist 1 oder weniger, sonst sind Sie nicht. In einem Modell mit einer Reihenfolge der Differenzierung stellt der konstante Begriff den durchschnittlichen Trend in den Prognosen dar. In einem Modell mit zwei Ordnungen der Differenzierung wird der Trend in den Prognosen durch den am Ende der Zeitreihe beobachteten lokalen Trend bestimmt und der konstante Term repräsentiert den Trend-in-the-Trend, dh die Krümmung der Langzeit - Langfristige prognosen Normalerweise ist es gefährlich, Trends-in-Trends zu extrapolieren, also unterdrücken Sie den dazugehörigen Begriff in diesem Fall. Der dritte Schritt besteht darin, die Anzahl der autoregressiven und gleitenden Durchschnittsparameter (p, d, q, P, D, Q) zu wählen, die benötigt werden, um jegliche Autokorrelation zu beseitigen, die in den Resten des naiven Modells verbleibt (dh jegliche Korrelation, Bloß differenzierend). Diese Zahlen bestimmen die Anzahl der Verzögerungen der differenzierten Serien und die Verzögerungen der Prognosefehler, die in der Prognosegleichung enthalten sind. Wenn es an dieser Stelle keine signifikante Autokorrelation in den Residuen gibt, dann ist das getan: das beste Modell ist ein naives Modell Wenn es eine signifikante Autokorrelation bei den Verzögerungen 1 oder 2 gibt, sollten Sie versuchen, q1 einzustellen, wenn einer der folgenden Punkte zutrifft: ( I) Es gibt einen nicht-saisonalen Unterschied im Modell, (ii) die Verzögerung 1 Autokorrelation ist negativ. Und (iii) die restliche Autokorrelationskurve ist sauberer (weniger, mehr isolierte Spikes) als die restliche partielle Autokorrelationskurve. Wenn es keinen nicht-saisonalen Unterschied in der Modell-und und die Lag 1 Autokorrelation ist positiv und und die restlichen partiellen Autokorrelation Handlung sieht sauberer, dann versuchen p1. (Manchmal sind diese Regeln für die Wahl zwischen p1 und q1 in Konflikt mit einander, in welchem ​​Fall es wahrscheinlich nicht viel Unterschied, die Sie verwenden. Versuchen Sie sie beide und vergleichen.) Wenn es Autokorrelation bei Verzögerung 2, die nicht durch die Einstellung p1 entfernt wird Oder q1, dann kannst du p2 oder q2 oder gelegentlich p1 und q1 ausprobieren. Noch seltener kann man Situationen begegnen, in denen p2 oder 3 und q1 oder umgekehrt die besten Ergebnisse liefert. Es wird sehr dringend empfohlen, dass Sie pgt1 und qgt1 nicht im selben Modell verwenden. Im Allgemeinen sollten Sie bei der Montage von ARIMA-Modellen eine zunehmende Modellkomplexität vermeiden, um nur winzige weitere Verbesserungen der Fehlerstatistiken oder das Aussehen der ACF - und PACF-Plots zu erhalten. Auch in einem Modell mit pgt1 und qgt1 gibt es eine gute Möglichkeit der Redundanz und Nicht-Eindeutigkeit zwischen den AR - und MA-Seiten des Modells, wie in den Anmerkungen zur mathematischen Struktur des ARIMA-Modells s erläutert. Es ist in der Regel besser, in einer vorwärts schrittweise statt rückwärts schrittweise Weise vorzugehen, wenn man die Modellspezifikationen anpasst: Mit einfacheren Modellen beginnen und nur noch mehr Begriffe hinzufügen, wenn es einen klaren Bedarf gibt. Die gleiche Regelung gilt für die Anzahl der saisonalen autoregressiven Begriffe (P) und die Anzahl der saisonalen gleitenden Durchschnittstermine (Q) in Bezug auf die Autokorrelation zum Saisonzeitraum (z. B. Verzögerung 12 für monatliche Daten). Versuchen Sie Q1, wenn es bereits einen saisonalen Unterschied im Modell gibt und die saisonale Autokorrelation negativ ist und die restliche Autokorrelationskurve in der Nähe der Saisonverzögerung sauberer aussieht, sonst versuchen Sie P1. (Wenn es logisch ist, dass die Serie eine starke Saisonalität aufweist, dann müssen Sie einen saisonalen Unterschied verwenden, sonst wird das saisonale Muster bei Langzeitprognosen ausblenden.) Gelegentlich können Sie P2 und Q0 oder Vice v ersa ausprobieren, Oder PQ1. Allerdings ist es sehr dringend empfohlen, dass PQ nie größer sein sollte als 2. Saisonmuster haben selten die Art von perfekter Regelmäßigkeit über eine ausreichend große Anzahl von Jahreszeiten, die es ermöglichen würde, zuverlässig zu identifizieren und zu schätzen, dass viele Parameter. Außerdem wird der Backforecasting-Algorithmus, der bei der Parameterschätzung verwendet wird, wahrscheinlich zu unzuverlässigen (oder sogar verrückten) Ergebnissen führen, wenn die Anzahl der Jahreszeiten von Daten nicht signifikant größer als PDQ ist. Ich würde nicht weniger als PDQ2 volle Jahreszeiten empfehlen, und mehr ist besser. Auch bei der Montage von ARIMA-Modellen sollten Sie darauf achten, dass die Daten nicht übertrieben werden, trotz der Tatsache, dass es eine Menge Spaß sein kann, sobald Sie den Hang davon bekommen. Wichtige Sonderfälle: Wie oben erwähnt, ist ein ARIMA (0,1,1) - Modell ohne Konstante identisch mit einem einfachen exponentiellen Glättungsmodell und nimmt einen Floating-Level an (d. h. keine mittlere Reversion), aber mit null langfristigem Trend. Ein ARIMA (0,1,1) Modell mit Konstante ist ein einfaches exponentielles Glättungsmodell mit einem linearen Trendbegriff. Ein ARIMA (0,2,1) oder (0,2,2) Modell ohne Konstante ist ein lineares exponentielles Glättungsmodell, das einen zeitveränderlichen Trend ermöglicht. Ein ARIMA (1,1,2) - Modell ohne Konstante ist ein lineares exponentielles Glättungsmodell mit gedämpftem Trend, d. h. ein Trend, der sich schließlich in längerfristigen Prognosen abhebt. Die gebräuchlichsten saisonalen ARIMA Modelle sind das ARIMA (0,1,1) x (0,1,1) Modell ohne Konstante und das ARIMA (1,0,1) x (0,1,1) Modell mit konstantem. Die ersteren dieser Modelle setzen grundsätzlich eine exponentielle Glättung sowohl der nicht-seasonalen als auch der saisonalen Komponenten des Musters in den Daten ein, während sie einen zeitveränderlichen Trend zulassen, und das letztere Modell ist etwas ähnlich, nimmt aber einen konstanten linearen Trend an und ist daher etwas langer - term Vorhersagbarkeit. Sie sollten immer diese beiden Modelle unter Ihrer Aufstellung von Verdächtigen, wenn passende Daten mit konsistenten saisonalen Muster. Einer von ihnen (vielleicht mit einer geringfügigen Variation, wie z. B. steigende p oder q um 1 undeiner Einstellung P1 sowie Q1) ist oft die beste. (Zurück zum Anfang der Seite) Im Jahr 2013 schrieb GuideStar, BBB Wise Giving Alliance und Charity Navigator einen offenen Brief an die Spender von Amerika in einer Kampagne, um den Overhead Mythos die falsche Vorstellung zu beenden, dass die finanziellen Verhältnisse der einzige Indikator für gemeinnützige sind Performance. Für unseren zweiten Brief, der im Oktober 2014 veröffentlicht wurde, laden wir die Nonprofits von Amerika ein, um ihren Teil dazu zu bringen, die Aufmerksamkeit der Spender auf das zu konzentrieren, was wirklich wichtig ist: Ihre Organisationen bemühen sich, die Welt zu einem besseren Ort zu machen. Wir bitten die gemeinnützigen Organisationen und den sozialen Sektor, um uns zu begleiten, wenn wir uns auf eine Overhead-Lösung begeben. Brief an die Spender von Amerika Brief an die Nonprofits von Amerika Wie man die Nachricht teilen Wir brauchen Ihre Hilfe Helfen Sie uns, das Wort zu verbreiten, dass der Prozentsatz der Wohltätigkeitsausgaben, die auf Verwaltungs - und Fundraising-Kosten gehen, die gemeinhin als Overheadis bezeichnet werden, nicht eine primäre Maßnahme eines Wohltätigkeitsleistung und das Ergebnis mehr. Beide Overhead Myth Briefe sind unter einer Creative Commons Namensnennung-No Derivs Lizenz lizenziert. Was bedeutet, dass man entweder einen Brief verwenden kann, um die Nachricht an deine Spender und andere Stakeholder zu vermitteln. Beide Briefe können mit Ihren Stakeholdern geteilt werden, aber Sie mögen: E-Mail sie als Anhänge, drucken und in Ihre Spenderanfragen einschließen, sie auf Ihre Website stellen, über Social Media teilen oder sie für Ihre nächste Vorstandssitzung ausdrucken. Was können Nonprofits tun Die unten aufgeführten Werkzeuge und Ressourcen können dazu beitragen, dass Nonprofits über den Overhead Mythos hinausgehen, in Richtung Overhead Solution. Indem sie ihren Wert auf der Grundlage der Auswirkungen. Demonstrieren Sie ethische Praxis und teilen Sie Daten über Ihre LeistungDiese 28-jährige Startup ist bewegt 350 Millionen und will vollständig töten Kreditkarten Theres eine kleine 12-Person-Startup Churning aus Des Moines, Iowa. Milne hat keinen finanziellen Hintergrund, doch seine kleine Operation bewegt sich zwischen 30 und 50 Millionen pro Monat auf dem Weg, um mehr als 350 Millionen im nächsten Jahr zu bewegen. Im Gegensatz zu PayPal. Dwolla nimmt keinen Prozentsatz der Transaktion ein. Es fragt nur 0,25 ob es sich um 1 oder 1000 handelt. Wir haben Milne darüber informiert, wie er einen Kreditkartenkiller und einen quadratischen Rivalen aus der Mitte der Nation baut, in der VCs und Presse knapp sind. BI: Wir hören, dass Sie Kreditkarten-Unternehmen wütend machen. Wie machst du das Ben Milne: Letztendlich versuchten wir, das nächste Visum zu bauen, nicht das nächste PayPal. Wurde ein menschliches Netzwerk aufgebaut, basierend darauf, wie wir denken, dass die Zukunft der Zahlungen funktionieren wird. Das aktuelle Modell muss gesprengt werden. Dwolla begann aus meiner alten Firma. Ich besaß eine Rednerherstellerin und wir haben alles direkt über eine Website verkauft. Ich habe mich wirklich von Austauschgebühren besessen und wie man sie nicht bezahlen kann. Jedes Mal, wenn ein Kaufmann mit einer Kreditkarte bezahlt wird, müssen sie einen Prozentsatz aufgeben. In meinem Fall verlor ich 55.000 im Jahr an Kreditkartenfirmen. Ich fühlte mich wie sie mich von mir gestohlen haben - ich wurde bezahlt und jemand hat Geld aus der Tasche genommen. Also dachte ich, wie bekomme ich eine Website bezahlt, ohne die Kreditkartengebühren zu bezahlen. Wir haben eine Bank geschlagen, und erstaunlich genug sagten sie: Gib ihm einen Schuss. Das war vor drei Jahren, also haben wir schon lange an dem Projekt gearbeitet. Im Dezember des vergangenen Jahres haben wir herausgefunden, wie wir recht legal machen können. Wie viele Transaktionen sind Sie Das durchschnittliche Transaktionsvolumen für Dwolla liegt bei rund 500 Dollar. Wir bewegen uns zwischen 30 und 50 Millionen pro Monat. Im 28. Ich begann meine erste Firma, Elemental Design, als ich 18 war. Ich fiel aus der Universität von Nord-Iowa und baute das. Ich begann College, weil ich das dachte, wo ich gehen sollte. Ich habe mich auf ein College eingestellt, ich bin eingegangen, ging und erkannte, dass es nicht für mich war. Ich hatte Kunden, also habe ich aufgehört zu klassifizieren. Wir haben dieses Unternehmen von einer 1.200 Investition auf über eine Million Einnahmen in vier Jahren, mit drei oder vier Personen und ohne externe Investitionen. Das Unternehmen lief selbst und ich wollte an einem anderen Projekt arbeiten. Sie haben keinen Finanzhintergrund und doch haben Sie Dwolla gebaut. Es war auf einige seltsame Weise hilfreich. Ich denke, das erste Finanzinstitut, das wir gingen, hörte mir nur für Unterhaltung zu. Sie lassen mich einsteigen, um das volle Führungsteam an der Bank zu platzieren. Ich sehe nicht wie ein Bankier aus, sie wussten, dass ich keinen Bankenhintergrund hatte. Sie stimmten tatsächlich zu, mit Dwolla zu arbeiten, nachdem zwei Stunden des Streits mit mir und ich kritzelten auf einem Tafel darüber, wie das Ganze funktionieren könnte. Hätte ich eher typisch gewesen, vielleicht hätten sie mir nicht zugehört Insofern denke ich, dass ich nicht wüsste, wie die Mechaniker gut funktionierten - wir wussten nur, wie wir sie arbeiten wollten. Was hast du für die ersten zwei Jahre gemacht, als Dwolla nicht technisch legal war. Nun, es war legal, wir konnten einfach nicht außerhalb von Iowa operieren. Für die ersten zwei Jahre haben wir die Plattform gebaut. Wir haben eine Shtload von Tests in einem kleinen Maßstab, weil gesetzlich wir nicht starten konnte Dwolla bundesweit. Wir verbrachten zwei Jahre in Iowa-Feinabstimmung Dwolla mit den Finanzinstituten, bauen einige der ersten Modelle, und versuchen, herauszufinden, wie man legal zu tun, was wir tun. Howd Sie finden eine legale Lücke Verschieben Geld ist ein außergewöhnlich geregeltes Geschäft. War in Iowa, was irgendwie konservativ ist - ich weiß nicht, ob das uns geholfen hat oder uns weh tut, aber auf lange Sicht halte ich es uns geholfen. Wir haben es geschafft, dies rechtmäßig zu tun, wir hatten zwei Möglichkeiten: Wir könnten in einer ungeheuren Menge Geld nehmen und ausgehen und Lizenzen bekommen, das ist, wie die meisten Leute es tun, aber wir hatten keinen Zugang zu dieser Art von Kapital hier. Die andere Möglichkeit war, wirklich strategische Investoren mitzubringen, was wir getan haben. Einer unserer Investoren ist ein Finanzinstitut ist ein Finanzdienstleistungsunternehmen. Unsere Investoren machen Kredit - und Debitverarbeitung für Banken. Also, wenn Sie eine Kreditkarte von Ihrer Bank erhalten, wird es von Unternehmen wie sie ausgestellt. Unsere Investoren vertreiben auch unser Produkt an Finanzinstitute. So haben wir ein Zahlungsnetz aufgebaut, und wir können es rechtlich tun, weil wir unsere Investoren sind. Wir starteten im Dezember des vergangenen Jahres und begannen, 50.000 pro Woche zu bewegen. Jetzt schwebten etwa 1 Million am Tag. Wir haben diesen Meilenstein im Juni oder Juli getroffen. Jetzt haben wir die Sachen beruhigt. Wir mussten die Bremsen klopfen, weil die Art, wie Sie mit Geld umgehen, richtig geführt werden muss. Wir haben einige neue Partner an Bord und wollten es im Dezember wieder hart treffen. Weve bekam einige Sachen kommen im Dezember, dass wir denken, sollte wirklich groß sein. Wie funktioniert Dwolla und wie unterscheidet es sich von PayPal Mit Dwolla werden die Zahlungen direkt von Ihrem Bankkonto geleistet. Keine Kredit - oder Debitkarten sind erlaubt. Und weil sie nicht im System existieren, müssen wir die Gebühren nicht in das System bringen. Sie können jede Menge Geld ausgeben und wenn Sie das tun, muss die Person am anderen Ende nicht zahlen 1, 2, 3 oder 4. Sie zahlen nur 0,25 eine Transaktion, die besonders hilfreich ist, wenn seine 1.000, 2.000 oder 5.000 Transaktionen . Offensichtlich wird PayPal mit diesen größeren Transaktionen sehr kostenaufwendig. Der größte Unterschied zwischen Ideen wie diesem und einem PayPal - und PayPal ist eine phänomenale Idee, Square ist auch - ist, dass diese auf Netzwerke wie Visa und MasterCard gebaut werden. Wir bauten unsere eigenen. Können Benutzer nur Geld an Dw olla Mitglieder schicken, können Sie Geld an jemanden senden. Nur die Person, die es sendet, muss ein Dwolla-Konto haben, um die Transaktion einzuleiten. Die Person, die es empfängt, muss sich für ein Konto anmelden, aber wir waren überrascht über die Umwandlung dort. Es hat sich gut verstanden. Wir nutzen soziale Netzwerke wirklich stark als Kontaktlisten, was wir wirklich anders machen. Sie können Geld mit einer E-Mail-Adresse oder mit einer Telefonnummer zu senden, aber die beliebteste Art und Weise zu tun ist es, eine Verbindung zu Facebook und geben Sie einen Freund Namen. Wir denken, auf lange Sicht das Senden von Geld sollte so einfach und mühelos sein wie ein Freund auf Facebook zu finden. Das ist wirklich ein Verhalten, das wir versuchen zu imitieren, wenn es um Peer-to - eer-Zahlungen geht. Wenn jemand kein Dwolla-Konto hat, bekommt man eine Mauerpost, die sagt, du hast Geld bekommen. Wenn ein Freund das an dich geschickt hat und es ihr Name und ihr Gesicht war, hättest du eine andere emotionale Verbindung dazu als eine beliebige E-Mail von hellokitten32aol. Es ist eine völlig andere Interaktion und eine, die für uns bei der Umwandlung von Benutzern in das System sehr hilfreich war. Welche Art von Einkäufen und Geldtransfers ist Dwolla, der für uns verwendet wird. Wir sind ziemlich gut im B2B 11 unseres Geschäfts ist Person-zu-Person, und die große Mehrheit ist Business-to-Business, Consumer-to-Business und Business-to - Verbraucher. Die Plattform wurde ursprünglich für die Einnahme von Zahlungen durch Websites gebaut, und wir haben APIs, die Ihnen erlauben, das zu tun. Wir haben die Skala auf die noch ziemlich erlebt. Wo wir gesehen haben, eine Tonne von Transaktionen ist jetzt mit Menschen zahlen monatliche Miete. Wenn Im ein Vermieter und ich will es sammeln, nehmen eine Kreditkarte Zahlung bedeutet, fehlt auf 3 von 1800 Gebühr. Dwolla ist 0,25 Cent. Die durchschnittliche Dwolla-Transaktion liegt bei rund 500. PayPal nimmt 2.9 plus .30 eine Transaktion. Warum hat nicht jemand Seite-trat die Kreditkarten-Unternehmen, bevor ich denke, eine Menge davon ist Timing und Glück. Und ein bisschen von deinem Fuß in die Tür. Einer unserer Investoren ist ein 1,8 Milliarden Finanzinstitut. Das ist atypisch überall, geschweige denn in Iowa. Mit ihnen an Bord erlaubten uns, in viele Räume zu kommen. Wir bedienen alle vom Vermieter, die eine Zahlung an die Einzelperson nehmen, die einen Kaffee mit ihrem Handy kauft, zu Milliarden-Dollar-Konzernen. Weil es so atypisch war und auf mobile Zahlungen anders schaute, kamen wir mit der Federal Reserve und dem U. S. Treasury in den Raum, der uns erlaubt hatte, ein Gespräch zu führen, nicht nur aus betriebswirtschaftlicher Sicht, sondern auch aus dem Standpunkt der Regierung. Alle Banken sind durch ein ACH-System verbunden. Kreditkarten-Unternehmen nutzen das gleiche System, um Ihre Kreditkarten-Gebühren zu bezahlen. Banken intern auf dem gleichen System gesetzt, um Geld in ihre eigenen Banken zu bewegen. Dieses System in seinem eigenen Recht ist mit Mängeln durchsetzt - Tonnen von Betrug Fragen und Abfälle und Verzögerungen. Wenn du jemals eine Zahlung gehabt hast, nimm ein paar Tage, um es zu löschen, weil sie auf dieses ACH-System warten. Wir wollen das System zwischen den Banken reparieren, die Verzögerungen herausnehmen und es sofort machen. Wenn wir diese allgegenwärtige Geldschicht der Verteilung zwischen Verbrauchern und Händlern und Entwicklern und Finanzinstituten schaffen können, die das Problem tatsächlich beheben. Keiner hat in 30 Jahren ein Zahlungsnetzwerk aufgebaut - seit Kreditkarten. Jeder hat sich darauf konzentriert, wie wir ein Portal für Kreditkarten bauen, von digitalen Brieftaschen bis zum Platz. Wir glauben nicht an Kreditkarten. Wir glauben an die Genehmigung und an niedrigere Kostenübertragungen. Unsere Generation versteht das eigentlich, wenn du sht kaufst, kommt es aus deinem Bankkonto und du musst dafür bezahlen. Da youre an Bankkonten angeschlossen ist, müssen die Benutzer kein Geld in einem Dwolla-Konto haben, um einen Transfer zu machen. Du kannst Geld in Dwolla halten, aber du musst es nicht haben. Wurde viele Verbraucher finden, die es dort halten wollen. Es gibt tatsächlich eine positive durchschnittliche Balance innerhalb von Dwolla für jeden Verbraucher. Wir haben auch Unternehmen, die Dwolla verwenden, um Lohn-und Gehaltsabrechnung zu tun, so dass sie ein Gleichgewicht in dort, um die Kosten zu decken. Sie könnten einen Account von 0 in Dwolla haben und es würde keine Gebühr geben Die einzige Gebühr wäre, wenn jemand Sie bezahlt hat. Wir nehmen ein Viertel. Wir wollen das Viertel. Es ist alles, was wir wollen Wie funktioniert Dwollas mobile Zahlungen Wir bauen ein mobiles Zielsystem Ihr Handy ist nur eine andere Sicht auf eine Website, so dass eine mobile Zahlung ist nur eine Autorisierung auf Ihrem Handy. Wir nehmen die Website, plop es in das Handy, fügen Sie Hinzufügen von Näherungslösungen, so dass Sie sehen können, welche Dwolla Händler sind in Ihrer Nähe, und dann machen es einfach zu bezahlen, wenn Sie in ein Geschäft, das unser System akzeptiert zu gehen. Dwolla nutzt die GPS-Funktion und ermöglicht es Ihnen, eine Zahlung in Echtzeit zu machen. So sagen Sie, wenn ein Starbucks akzeptiert Dwolla Ill in der Lage sein zu sehen, dass auf einer Google Map, gehen Sie dort und laden Sie den Kaffee auf mein Handy Ja, youll nur in den Laden gehen und bezahlen. Es ist wie ein Check-in auf Foursquare, du wirst nur anstatt einchecken. Wir begannen in einem Café und arbeiteten jetzt mit 400 oder 500 Händlern. Ein Teil von uns, der heraus skaliert, ist, dass wir Wendepunkte auswählen müssen und dann etwas tun müssen, um diese Gemeinschaften aktiv zu verfolgen und mit ihnen zu integrieren. Nun fange schon im Dezember an. Haben die Banken zu zahlen, um mit Dwolla No integriert werden, geben wir ihnen nur den Service und dann kommt Ihr Bankkonto mit Dwolla. Es gibt 16 Banken im ganzen Land, die mit Dwolla kommen. Wurden mit einigen riesigen Finanzinstituten darüber reden, dasselbe zu tun. Banken werden Schwierigkeiten haben, im Mobile relevant zu sein. Die grundlegende Frage mit mobilen Zahlungen ist: wie kommst du zu deinem Bargeld, egal wo du Bank bist Niemand hat diese Nuss geknackt Ich fühle mich wirklich wie weve nicht nur geknackt, dass Nuss aber bereits verkauft es in Finanzinstitute. Du musst den Banken nichts bezahlen, um sich einzuloggen und Zugangskonten zu nennen. Wir bauten einen Web Service, der mit den Finanzinstituten verbunden ist und wir müssen sie nicht bezahlen, um mit ihnen zu arbeiten. Wurde ein Dienstleister für sie und wir arbeiten zur gleichen Zeit, um ihre Kunden glücklich zu machen. Wer sind Ihre Investoren Weve erhöht 1,3 Millionen. Veridian Credit Union ist einer unserer primären Investoren. Der andere Investor ist eine Gesellschaft namens The Members Group, die Kredit-, Debit-, ACH - und Sicherheitslösungen für Banken und Kreditgenossenschaften anbietet. Wie groß ist das Dwolla-Team. Wurden etwa 12 Personen - das ist ein Tier von einem Startup in Iowa. Wir waren im letzten Dezember kleiner, etwa 2 oder 3 Personen, also hatten wir ziemlich gutes Wachstum. Die meisten sind in Des Moines. Weve erlebt eine starke Frühphasen-Validierung und hat einen Umsatz erzielt, der Hey sagt, das kann gut funktionieren. 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. Maybe. 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: