במסגרת החתירה לשקיפות ובהירות רבה יותר בתמחור יהלומים, OpenFacet ערכה מחקר פנימי קפדני לבחינת השאלה האם לוגיקה אלגוריתמית, ובפרט התאמות אחוזיות של כללי אצבע (ROT), יכולה לשפר את הדיוק של מודל התמחור הבסיסי שלנו. המטרה שלנו תמיד הייתה לייצג את התמונה האמינה ביותר של מחירי השוק הקמעונאי האמיתי עבור יהלומים, תוך שמירה על אובייקטיביות מלאה ועקיבות.

פוסט זה מתעד את המתודולוגיה והרציונל מאחורי חקירתנו של חישובי כללי אצבע, ומסביר מדוע, לאחר ניתוח מעמיק, בחרנו להסתמך באופן בלעדי על נתונים ממשיים שנאספו מפלטפורמות קמעונאיות, ללא הכנסת כללים סינתטיים או טווחי תיקון.

ההשערה: האם ROT יכול לחלק ולתקן נתוני מחירי קמעונאות?

ההנחה הראשונית של המחקר הייתה פשוטה: אם השוק הקמעונאי מכיל רעש, שגיאות או פערים בזמינות, ייתכן שמגוון כללי אצבע (למשל, “ירידה מ-VS1 ל-VS2 היא בדרך כלל כ-12%”) יכול לשמש להחלקת הבנצ’מרק ולמילוי חריגות. הצוות ראה ב-ROT ככלי בטיחות לתיקון אוטומטי או אינטרפולציה של מחירים כאשר הנתונים הקמעונאיים היו דלילים או לא עקביים.

שלב אחר שלב: כיצד נערך המחקר

1. ניתוח זוגות סמוכים: התחלנו בחישוב הפרשי המחירים הממשיים בין דרגות ניקיון סמוכות (למשל, VVS1 ל-VVS2) ודרגות צבע (למשל, E ל-F) על פני מגוון גדלים של קראט באמצעות נתונים מאומתים. לדוגמה, מיפינו את ההפרשים באחוזים במחירים בין מעברי ניקיון עבור גדלים מ-0.3 קראט עד 5.0 קראט, תוך התבוננות ברורה כיצד השינויים הללו משתנים עם גודל הקראט.

   קישור למקור ניתוח המחקר

2. מטריצות ROT של ניקיון וצבע: מקובץ התמחור של יהלומים מסוג Round Brilliant (RB), יצרנו טבלאות של ממוצע, מינימום ומקסימום של ירידות באחוזים בין דרגות ניקיון וצבע. אלה נבנו לתמיכה ב-ROT קבועים וטווחיים. כמו כן, ויזואליזצנו זאת באמצעות תרשימות עמודות שהציגו את השונות של ירידות האחוזים לפי דרגה וגודל.

   קישור למקור ניתוח המחקר

3. אימות מול נתונים ממשיים: כדי לבחון את ה-ROT, השווינו את התחזיות המורכבות שלהם (למשל, מחיר מ-D/IF ל-E/VVS1) למחירים ממשיים שהושגו מנתוני Round בגדלים שונים (1 קראט, 2 קראט, 3 קראט, 5 קראט). במקרים רבים, ה-ROT התאימו מקרוב לנתונים שנצפו (בטווח של 2-5%). השוואות אלו הוצגו בתרשימות כדי להראות את הסטייה בין הערכים המוקרנים של ROT לערכים ממשיים.

   קישור למקור ניתוח המחקר

4. הרחבה לחיתוך קושיון: שכפלנו את המחקר באמצעות מערך נתונים נפרד עבור יהלומים מסוג Cushion Modified Brilliant (CMB). בהתחשב בכך ש-CMB מתומחרים באופן עקבי נמוך יותר מ-Round, השווינו מחירי CMB לעומת RB וחישבנו אחוזי הנחה לכל תא. טווח ROT עבור ההנחה נגזר והוצג בגרפים על פני גדלי קראט, והראה סטיות כלפי מטה עקביות שנעו בין −20% ליותר מ-−45%, במיוחד בגדלים שבין 1 קראט ל-3 קראט.

   קישור למקור ניתוח המחקר

5. אתגר השילוב: בעוד שערך רבים של ROT התאימו היטב למגמות שנצפו, פערים בכיסוי הקמעונאי, התנהגות תמחור לא עקבית בקטגוריות פחות נזילות וסיכונים לתיקון יתר הובילו אותנו לשאלה מרכזית: האם נוסחה כלשהי צריכה לעקוף את תמחור השוק האמיתי?

החלטת הצוות הסופית: לסמוך על הנתונים, לא על הקיצור.

לאחר ניתוח של אלפי נקודות נתונים ודיונים פנימיים נרחבים, צוות OpenFacet הגיע למסקנה כי הדרך הטובה ביותר קדימה היא לסמוך על הנתונים כפי שהם, מבלי לכפות כללים שעשויים להפוך למיושנים או לא מתואמים עם התנהגות השוק.

למרות ש-ROT הציעו ערך כקונספט, שמנו לב שגם מערכת ROT מעוצבת היטב עלולה להסתיר תנודות אמיתיות של היצע וביקוש ועלולה לפגוע במחויבות שלנו לשקיפות. המשימה של OpenFacet אינה להתאים את השוק למודל, אלא לחשוף את השוק בדיוק כפי שהוא מתנהג.

במקומות שבהם הנתונים דלילים או לא זמינים, הצוות נקט עמדה נחרצת להרחיב ולהעצים את היקף איסוף הנתונים הקמעונאיים במקום להסתמך על אקסטרפולציות מבוססות ROT. אנו מאמינים שהרחבת הכיסוי של נתונים אמיתיים היא פתרון עקרוני ובר-קיימא יותר.

מה זה אומר למשתמשים

מחירי הבנצ’מרק שלנו משקפים אגרגציה טהורה של מחירי הקמעונאות הציבוריים הטובים ביותר הזמינים, מסוננים באמצעות האלגוריתם המונחה על ידי גילוי שלנו. ללא כוונון ידני. ללא הנחות מוטמעות. ללא החלקה מלאכותית.

המשתמשים יכולים להיות בטוחים שתמחור OpenFacet הוא:

• מגובה ברשימות שוק אמיתיות שניתן לצפות בהן
• מעודכן באופן רציף
• נקי מהטיות מסחריות או מבוססות מודל

סיכום

בענף שסבל זמן רב מאטימות וסובייקטיביות, OpenFacet בוחרת בדרך הקשה יותר: להסתמך באופן בלעדי על נתוני שוק בזמן אמת, ללא קשר לפיצול או לחוסר השלמות שלהם. על ידי הימנעות מתיקונים סינתטיים, אנו שומרים על שלמות ואמינות המודל התמחור שלנו.

כמו תמיד, אנו נשארים פתוחים להתפתחות. אם התקדמות עתידית במדעי הנתונים תאפשר תיקונים מודעים לסיכונים ותקינים מבחינה סטטיסטית, נעריך מחדש. לעת עתה, האמת נמצאת בנתונים עצמם.