OpenFacet – 合理的価格、非合理的購入者：ダイヤモンド評価における行動歪みのモデリング

OpenFacetは、公的小売リストから統計的に基づいたモデルを使用してダイヤモンドの価格曲面を再構築します。しかし、特に高級品に関わる現実世界の市場は、純粋な経済的合理性で振る舞うことはほとんどありません。購入者は最適化しません—彼らは知覚します。そして彼らが知覚するものは、測定可能な差に常に比例するわけではありません。

Dカラーや内部無欠点（Internally Flawless）のクラリティの石は、次の等級よりもわずかに優れているだけではありません—それは最高です。その象徴的な地位は重みを持ちます。DとEカラー間のプレミアムは、EとF間のプレミアムよりもしばしば大きく、視覚的な差が増えるからではなく、最高であることの心理的価値が客観的な特性よりも急速に減衰するからです。クラリティも同様です：IFからVVS1へのジャンプは一歩以上です—それは完璧からの落下です。

重量ベースのアンカリングも同じ現象を示します。1.00カラットのダイヤモンドは、0.99カラットのものに対してかなりのプレミアムを要求しますが、サイズや実用性の差はごくわずかです。これは心理的な崖であり、構造的なものではありません。それでも、1.02カラットと1.03カラットの差はほとんど認識されません。購入者は物理的な閾値に反応しているのではなく、象徴的なアンカーに反応しています。

これらの効果は行動経済学、特にプロスペクト理論、アンカリングバイアス、顕示的消費の理論でよく文書化されています。これらは、価格が、特に高関与の裁量カテゴリーにおいて、人々がどのように考えるかを反映していることを示します—単に彼らが何を買うかだけではありません。

OpenFacetは、これらの観察された歪みを最小限の再構築後の補正を通じて統合します。調整は小さいですが、モデルの出力が市場の実際の価格設定に近づきます。コアロジックを上書きするのではなく、それを和らげます—構造を保持しながら行動を認めます。これらの効果はモデルを駆動しません。それらはモデルを現実に合わせます。完全な方法論については、OpenFacetの概要セクションを参照してください。

品質ダウングレードにおけるプロスペクト回避

購入者は、等価な利益よりも損失をより強く感じます。プロスペクト理論はこれを形式化します：ダウングレード（例：D→Eカラー）の心理的影響は、逆のアップグレードを超えます。視覚的な差はわずかですが、「最高ではない」という認識は不均衡なペナルティを課します。

これを、最高等級からの距離に基づく指数関数的減衰価格ブーストとしてモデル化します：

$$ P_{\text{prospect}} = P_{\text{base}} \cdot \left(1 + \alpha e^{-\beta x} \right) $$

• $x$：DカラーおよびIFクラリティからの合計ステップ
• $\alpha$：通常0.07（最大7%プレミアム）
• $\beta$：減衰率、例：1.5

これは、制御実験および市場データで観察された購入者行動と価格調整を一致させます。

カラット閾値付近のアンカリング

認知アンカリングは、購入者を目立つ丸い数字に偏らせます。これは1.00カラットで最も明らかです。0.99カラットの石—ほぼ同一の外観—は二桁の割引でリストされることがあります。

重量に敏感な修飾子を適用します：

$$ P_{\text{anchor}} = P_{\text{base}} \cdot \left(1 + \gamma e^{- \delta |w - w_{\text{anchor}}|} \right) $$

• $w$：実際のカラット
• $w_{\text{anchor}}$：アンカーポイント（例：1.00）
• $\gamma$：典型的なアンカープレミアム（~0.2）
• $\delta$：減衰の鋭さ（例：200）

これにより、重要な重量閾値周辺の不連続性が捕捉されます—たとえ基礎回帰モデルが滑らかであっても。

排他性のためのベブレンプレミアム

一部の購入者は、高価な商品をまさに高価だから求める。ベブレンの1899年の顕示的消費理論は今なお関連性があります：排他性は効用を生み出します。ダイヤモンドでは、これは客観的な差に関係なく、トップグレードの組み合わせに対する支払い意欲の向上に変換されます。

効果を、トップランキングのセルを優先する小さな二次ブーストとしてモデル化します：

$$ P_{\text{Veblen}} = P_{\text{base}} \cdot \left(1 + \phi \left(1 - \frac{\text{rank}}{\text{max rank}} \right)^2 \right) $$

• $\text{rank}$：マトリックス内の序数インデックス（例：D/IF = 1）
• $\phi$：小さな因子（例：0.04）

最終価格層での複合補正

これら三つのコンポーネントは、ALSベースの再構築および平滑化後に乗算的に適用されます：

$$ P_{\text{final}} = P_{\text{base}} \cdot \left[1 + \alpha e^{-\beta x} + \gamma e^{- \delta |w - w_{\text{anchor}}|} + \phi \left(1 - \frac{\text{rank}}{\text{max rank}} \right)^2 \right] $$

定数はリリースごとに経験的に調整されます。補正は微妙で（通常<5%の純効果）、特に等級と重量の不連続性周辺で、モデル化された価格と観察された価格の一致を大幅に改善します。

参考文献

• Kahneman, D., & Tversky, A. (1979). プロスペクト理論：リスク下の決定の分析。Econometrica、47(2)、263–291。
• Tversky, A、 & Kahneman, D.（1974）。不確実性下の判断：ヒューリスティックとバイアス。Science、185(4157)、1124–1131。
• Veblen, T. (1899）。The Theory of the Leisure Class。マクロミラン。