近日，长江商学院科技与运营杰出院长讲席教授、企业家学者（DBA）项目学术主任、AI智能产业实验室主任孙天澍的合作论文《消费搜索模型：一种新的深度结构计量模型方法》（Sequential Search Transformer: A Deep Structural Econometric Model）在国际顶级管理学期刊《Management Science》在线发表。
该项研究是由孙天澍教授与明尼苏达大学卡尔森管理学院信息与决策科学副教授宋一丞合作完成，他们将研究对准了数字经济中的一个代表性场景：消费者在电商平台上从浏览到购买的路径。
在电商平台上，我们常常会点开推荐列表里的好几件商品，反复比较，却迟迟没有下单。有时是因为没找到合适的，有时是想看看后面有没有更好的。
好的推荐，不仅能帮消费者找到满意的商品，也能节约反复比较的时间和精力。要做到这一点，AI需要精准刻画消费者从浏览到购买的过程：什么吸引用户点开一件商品，看完后是否觉得合适，以及什么时候继续比较、下单或放弃购买。
孙天澍教授的论文，突破性地将Transformer深度学习架构与经典消费者序贯搜索理论结合，构建了一种新的深度结构计量模型方法——消费搜索模型（Sequential Search Transformer，SST），让模型从历史记录中学习用户偏好，同时考虑消费者获取信息、付出比较成本和决定是否购买的过程。
他们的研究发现，新模型在对消费者浏览与购买行为的预测表现均优于深度学习基准模型和结构计量经济学模型，也能够模拟不同推荐策略的可能效果，对于商品推荐、广告投放、新品推广和平台经营有直接价值，对改善用户消费体验、提升数字经济中的服务效率上都有价值贡献。
值得一提的是，该论文的前序研究《消费者搜索和动态偏好：基于深度学习的计量经济学模型》（Consumer Search and Dynamic Preference: A Deep Structural Econometric Model）曾获得信息系统领域全球最顶尖学术会议之一的国际信息系统与科技大会（CIST）2023年度最佳论文奖。
过去5年，孙天澍教授已累计发表17篇UTD24国际顶级期刊论文。
根据第三方学术平台bizpub.ai最新公开作者排名及UTD顶级期刊数据库统计，孙天澍教授的发表数量在中国内地商学院教授中排名第一，亚洲排名第五。
17篇UTD24顶刊论文横跨AI智能体、人机协同、强化学习、数据资产与数字平台经济、新零售、社交网络和医疗健康等前沿领域，跨学科融合人工智能、信息系统、运筹优化、统计学、经济学等学科前沿方法，几乎覆盖了近年来数字经济与AI商业研究的一系列前沿方向。
除此之外，其研究著作还发表于国际顶级统计期刊以及计算机会议（如JASA）。
UTD24涵盖商学主要领域的24本国际顶级期刊，是全球商学院广泛认可和采用的科研评价标准之一，其论文发表情况是衡量国际学术竞争力的重要指标。
过去5年，孙天澍教授已累计发表17篇UTD24国际顶级期刊论文。根据第三方学术平台bizpub.ai最新公开作者排名及UTD顶级期刊数据库统计，这一数量在中国内地商学院教授中排名第一，亚洲排名第五。
▍研究速览
►孙天澍教授合作研究创造性将Transformer深度学习架构与经典消费者序贯搜索理论结合，提出“消费搜索模型”这一全新深度结构计量模型方法。
►新模型将消费者决策逻辑融入AI，让AI更为精准地预测消费者行为。 在研究使用的电商数据中，新模型对消费者点击、购买和停止搜索的预测表现，优于深度学习基准模型和结构计量经济学模型。
►为商品推荐和新品推广提供决策依据。新模型将消费者如何比较商品、是否继续搜索以及何时购买的决策规则纳入了模型，因此可以模拟不同推荐策略下消费者会如何反应，而纯预测模型只能依赖过去的数据。
在电商平台上，消费者通常是一边浏览，一边做决定。点开详情页浏览到更多信息后，他可能更满意，也可能发现商品并不适合自己。
如果消费者选择继续比较，每多看一件商品，都意味着付出时间和精力成本，而新的选择未必更好。
因此，消费者会在购买的路径中会不断权衡：可以拍下或者继续看看？
经济学中的“序贯搜索理论”，描述的正是这一过程。消费者逐步了解商品，决定继续寻找还是停止，并在已经看过的商品与不购买之间做出选择。
这意味着，要理解购买，不能只看消费者对什么感兴趣，还需要把浏览、比较和停止联系起来。
深度学习擅长从大量行为记录中学习复杂规律，但不一定明确描述这些决策关系；传统经济学模型能够刻画消费者如何权衡，却难以充分利用跨越多次购物的丰富记录。
这项研究希望将两种能力结合起来：既让AI从丰富的数据中学习，也让消费者的决策逻辑成为模型的一部分。
孙天澍教授的合作研究提出“消费搜索模型”，简称SST。其中的Transformer是一种深度学习架构，就是现在AI大模型广泛采用的基础技术。
在SST中，深度学习从历史记录中学习消费者的偏好及其变化，并结合商品详情等信息，预测消费者进一步了解商品后的评价。经济学决策规则则把这些估计与价格、搜索成本联系起来，刻画消费者继续浏览、停止搜索和购买的过程。
它让AI学习消费者喜欢什么，同时把消费者如何比较、何时做决定纳入同一个模型。
研究实证部分使用了一家美国耐用品电商的数据，覆盖5万名消费者、约26万次购物会话和162万余次商品点击。研究者用消费者此前的访问记录训练模型，将最后一次访问留作测试。
结果显示，在论文比较的模型中，SST对点击、购买和停止搜索的预测表现更好。这说明，在这一研究场景中，将经济学决策逻辑融入深度学习，有助于提高AI的预测能力。
这项研究的价值还在于，SST能够用于模拟不同推荐方式下的消费者行为，比较不同推荐策略的可能效果。
原因是SST把消费者如何比较商品、是否继续搜索以及何时购买的决策规则纳入了模型，因此当推荐策略改变时，也能在这些规则和假设下推演消费者可能如何回应，而纯预测模型只能依赖过去的数据。
例如，在推荐策略模拟中，一种混合匹配方式使消费者的平均点击数从6.68次降至6.02次，减少约一成，同时保持接近的购买量。
这提示平台：消费者浏览得更多，未必代表推荐更有效；帮助消费者更快找到合适的商品，同样具有价值。
模型还可以根据新品属性与消费者偏好的匹配程度，探索新品需求预测和推广，减少对商品自身历史互动记录的依赖。
这项研究展示了一条将AI预测能力与经济学决策分析结合的有效路径：既利用数据学习行为，也在明确的行为假设下，推演企业改变策略后的可能结果。
