OpenFacet реконструирует ценовые поверхности алмазов на основе публичных розничных списков, используя статистически обоснованные модели. Но реальные рынки, особенно рынки предметов роскоши, редко ведут себя с чистой экономической рациональностью. Покупатели не оптимизируют — они воспринимают. И то, что они воспринимают, не всегда пропорционально измеримым различиям.

Камень с цветом D или безупречной чистотой (Internally Flawless) не просто немного лучше следующего уровня — он лучший. Этот символический статус имеет вес. Премия между цветами D и E часто больше, чем между E и F, не потому, что визуальная разница увеличивается, а потому, что психологическая ценность пребывания на вершине затухает быстрее, чем любая объективная характеристика. То же самое относится к чистоте: переход от IF к VVS1 — это больше, чем шаг, это падение с идеала.

Привязка к весу демонстрирует то же явление. Алмаз весом 1.00 карат требует значительной премии по сравнению с камнем весом 0.99 карата, несмотря на незначительную разницу в размере или полезности. Это психологический обрыв, а не структурный. Однако разница между 1.02 и 1.03 карата едва заметна. Покупатели реагируют не на физические пороги — они реагируют на символические ориентиры.

Эти эффекты хорошо задокументированы в поведенческой экономике, особенно в теории перспектив, предвзятости привязки и теориях демонстративного потребления. Они показывают, что ценообразование, особенно в категориях с высоким вовлечением, отражает то, как люди думают, а не только то, что они покупают.

OpenFacet интегрирует эти наблюдаемые искажения через минимальные корректировки после реконструкции. Корректировки невелики по величине, но они приближают результаты модели к тому, как рынок фактически устанавливает цены. Вместо того чтобы переопределять основную логику, они смягчают её — сохраняя структуру, но учитывая поведение. Эти эффекты не управляют моделью. Они согласовывают её с реальностью. Полную методологию смотрите в разделе о OpenFacet.

Неприятие потерь при снижении качества

Покупатели относятся к потерям более интенсивно, чем к эквивалентным выигрышам. Теория перспектив формализует это: психологическое воздействие понижения (например, с D на E по цвету) превышает обратное повышение. Хотя визуальная разница минимальна, восприятие «не лучший» влечет непропорциональное наказание.

Мы моделируем это как экспоненциально затухающую надбавку к цене в зависимости от расстояния от высшего класса:

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

• $x$: общее количество шагов от цвета D и чистоты IF
• $\alpha$: обычно 0.07 (максимальная премия 7%)
• $\beta$: скорость затухания, например, 1.5

Это согласовывает корректировки цен с поведением покупателей, наблюдаемым в контролируемых экспериментах и рыночных данных.

Привязка к пороговым значениям карата

Когнитивная привязка заставляет покупателей ориентироваться на заметные круглые числа. Это особенно очевидно на уровне 1.00 карата. Камень весом 0.99 карата — почти идентичный по внешнему виду — может продаваться с двузначной скидкой.

Мы применяем модификатор, чувствительный к весу:

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

• $w$: фактический вес в каратах
• $w_{\text{anchor}}$: точка привязки (например, 1.00)
• $\gamma$: типичная премия за привязку (~0.2)
• $\delta$: резкость затухания (например, 200)

Это обеспечивает учет разрывов вокруг критических порогов веса — даже если базовая регрессионная модель гладкая.

Премия Веблена за эксклюзивность

Некоторые покупатели ищут дорогие товары именно потому, что они дорогие. Теория демонстративного потребления Веблена 1899 года остаётся актуальной: эксклюзивность создаёт полезность. В алмазах это выражается в повышенной готовности платить за комбинации высших классов, независимо от объективных различий.

Мы моделируем эффект как небольшую квадратичную надбавку, отдающую предпочтение ячейкам с высоким рейтингом:

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

• $\text{rank}$: порядковый индекс в матрице (например, D/IF = 1)
• $\phi$: небольшой фактор (например, 0.04)

Композитная корректировка в финальном слое цен

Эти три компонента применяются мультипликативно после реконструкции и сглаживания на основе ALS:

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

Константы эмпирически настраиваются для каждого выпуска. Корректировка остаётся тонкой (обычно чистый эффект <5%), но существенно улучшает согласованность между моделируемыми и наблюдаемыми ценами — особенно вокруг разрывов в классе и весе.

Ссылки

• Kahneman, D., & Tversky, A. (1979). Теория перспектив: анализ принятия решений в условиях риска. Econometrica, 47(2), 263–291.
• Tversky, A., & Kahneman, D. (1974). Суждения в условиях неопределенности: эвристики и предубеждения. Science, 185(4157), 1124–1131.
• Veblen, T. (1899). Теория праздного класса. Macmillan.