2025. — Т 17. — № s6 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/58favn625.html

Полный текст статьи в формате PDF (объем файла: 602.1 Кбайт)

Ссылка для цитирования этой статьи:

Берлин, М. С. Большие данные и предиктивная аналитика в прогнозировании потребительского спроса / М. С. Берлин // Вестник Евразийской науки. — 2025. — Т 17. — № s6. — URL: https://esj.today/PDF/58FAVN625.pdf (дата обращения: 16.07.2026).

Большие данные и предиктивная аналитика в прогнозировании потребительского спроса

Берлин Матвей Сергеевич
ФГБОУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
E-mail: matveyberlin2003@gmail.com

Аннотация. Современные условия функционирования потребительских рынков характеризуются экспоненциальным ростом объёмов цифровых данных, генерируемых в процессе взаимодействия покупателей с онлайн-платформами, мобильными приложениями и системами лояльности, что формирует принципиально новую информационную среду для принятия маркетинговых решений и требует переосмысления традиционных подходов к прогнозированию потребительского спроса. Предметом настоящего исследования выступают методологические подходы и инструменты предиктивной аналитики на основе технологий больших данных, применяемые для повышения точности прогнозирования потребительского спроса в условиях цифровой трансформации маркетинговой деятельности. В работе рассматриваются методы системного анализа отечественной и зарубежной научной литературы, сравнительного анализа концептуальных моделей прогнозирования спроса, а также контент-анализа нормативно-правовых актов Российской Федерации в области регулирования оборота данных и развития технологий искусственного интеллекта. Анализ эволюции подходов к прогнозированию потребительского спроса позволил выявить закономерный переход от статистических методов временных рядов к гибридным моделям на основе машинного обучения, интегрирующим структурированные и неструктурированные источники данных в режиме реального времени. Ключевые результаты исследования свидетельствуют о том, что внедрение предиктивной аналитики позволяет снизить ошибку прогнозирования спроса на 20–50 % по сравнению с традиционными методами, сократить дефицит товарных запасов до 65 % и повысить эффективность маркетинговых кампаний за счёт персонализации предложений на основе поведенческих паттернов потребителей. Разработана авторская концептуальная модель предиктивного маркетингового цикла, объединяющая этапы сбора мультиканальных данных, машинного обучения и принятия автоматизированных решений в рамках замкнутого контура обратной связи. Практическая значимость определяется возможностью использования предложенной модели при формировании корпоративных систем управления спросом в организациях розничной и электронной торговли.

Ключевые слова: большие данные; предиктивная аналитика; прогнозирование спроса; машинное обучение; потребительское поведение; маркетинговая аналитика; персонализация; ритейл; электронная коммерция; нейронные сети

Скачать