<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Archiving and Interchange DTD with OASIS Tables with MathML3 v1.4 20220324//EN" "JATS-archive-oasis-tables-mathml3.dtd">
<article xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:mml="http://www.w3.org/1998/Math/MathML" xml:lang="en" dtd-version="1.4" article-type="research-article">
  <front>
    <journal-meta>
      <journal-id journal-id-type="eissn">2588-0101</journal-id>
      <journal-title-group>
        <journal-title xml:lang="ru">Вестник Евразийской науки</journal-title>
        <journal-title xml:lang="en">The Eurasian Scientific Journal</journal-title>
      </journal-title-group>
      <publisher>
        <publisher-name>ООО «Издательство «Мир науки»</publisher-name>
      </publisher>
    </journal-meta>
    <article-meta>
      <article-id pub-id-type="uri">https://esj.today/58FAVN625.html</article-id>
      <title-group>
        <article-title xml:lang="ru">Большие данные и предиктивная
аналитика в прогнозировании потребительского спроса</article-title>
        <trans-title-group xml:lang="en">
          <trans-title>Big data and predictive
analytics in consumer demand forecasting</trans-title>
        </trans-title-group>
      </title-group>
      <contrib-group>
        <contrib contrib-type="author">
          <name name-style="eastern">
            <surname>Берлин</surname>
            <given-names>Матвей Сергеевич</given-names>
          </name>
          <name-alternatives>
            <name xml:lang="ru" name-style="eastern">
              <surname>Берлин</surname>
              <given-names>Матвей Сергеевич</given-names>
            </name>
            <name xml:lang="en" name-style="western">
              <surname>Berlin</surname>
              <given-names>Matvey Sergeevich</given-names>
            </name>
          </name-alternatives>
          <email>matveyberlin2003@gmail.com</email>
          <xref ref-type="aff" rid="aff1"/>
        </contrib>
        <aff-alternatives id="aff1">
          <aff>
            <institution xml:lang="ru">ФГБОУ ВО «Финансовый университет при Правительстве Российской Федерации» (Москва, Россия)</institution>
          </aff>
          <aff>
            <institution xml:lang="en">Financial University under the Government of the Russian Federation (Moscow, Russia)</institution>
          </aff>
        </aff-alternatives>
      </contrib-group>
      <pub-date pub-type="epub" iso-8601-date="2026-01-20">
        <day>20</day>
        <month>01</month>
        <year>2026</year>
      </pub-date>
      <pub-date date-type="collection">
        <year>2025</year>
      </pub-date>
      <volume>17</volume>
      <issue>s6</issue>
      <elocation-id>58FAVN625</elocation-id>
      <history>
        <date date-type="received" iso-8601-date="2025-11-25">
          <day>25</day>
          <month>11</month>
          <year>2025</year>
        </date>
        <date date-type="accepted" iso-8601-date="2026-01-06">
          <day>06</day>
          <month>01</month>
          <year>2026</year>
        </date>
      </history>
      <permissions>
        <copyright-year>2025</copyright-year>
        <copyright-holder xml:lang="ru">Берлин Матвей Сергеевич</copyright-holder>
        <copyright-holder xml:lang="en">Berlin Matvey Sergeevich</copyright-holder>
        <license xlink:href="https://creativecommons.org/licenses/by/4.0/">
          <license-p>CC BY 4.0</license-p>
        </license>
      </permissions>
      <self-uri xlink:type="simple" xlink:href="https://esj.today/58FAVN625.html">https://esj.today/58FAVN625.html</self-uri>
      <abstract xml:lang="ru">
        <p>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.</p>
      </abstract>
      <trans-abstract xml:lang="en">
        <p>Modern consumer markets are characterized by exponential growth in digital data generated through customer interactions with online platforms, mobile applications, and loyalty systems. This creates a fundamentally new information environment for marketing decisions and requires a rethinking of traditional approaches to consumer demand forecasting. This study examines methodological approaches and predictive analytics tools based on big data technologies, applied to improve the accuracy of consumer demand forecasting in the context of the digital transformation of marketing activities. This paper examines methods for systemic analysis of domestic and international scientific literature, a comparative analysis of conceptual demand forecasting models, and a content analysis of Russian Federation regulations governing data circulation and the development of artificial intelligence technologies. An analysis of the evolution of approaches to consumer demand forecasting revealed a consistent shift from statistical time-series methods to hybrid models based on machine learning that integrate structured and unstructured data sources in real time. Key research findings demonstrate that the implementation of predictive analytics can reduce demand forecasting errors by 20–50 % compared to traditional methods, reduce inventory shortages by up to 65 %, and improve the effectiveness of marketing campaigns by personalizing offers based on consumer behavioral patterns. A proprietary conceptual model of the predictive marketing cycle has been developed, combining the stages of multichannel data collection, machine learning, and automated decision-making within a closed feedback loop. The proposed model's practical significance lies in its potential use in developing corporate demand management systems in retail and e-commerce organizations.</p>
      </trans-abstract>
      <kwd-group xml:lang="ru">
        <title>Ключевые слова</title>
        <kwd>большие данные</kwd>
        <kwd>предиктивная аналитика</kwd>
        <kwd>прогнозирование спроса</kwd>
        <kwd>машинное обучение</kwd>
        <kwd>потребительское поведение</kwd>
        <kwd>маркетинговая аналитика</kwd>
        <kwd>персонализация</kwd>
        <kwd>ритейл</kwd>
        <kwd>электронная коммерция</kwd>
        <kwd>нейронные сети</kwd>
      </kwd-group>
      <kwd-group xml:lang="en">
        <title>Keywords</title>
        <kwd>big data</kwd>
        <kwd>predictive analytics</kwd>
        <kwd>demand forecasting</kwd>
        <kwd>machine learning</kwd>
        <kwd>consumer behavior</kwd>
        <kwd>marketing analytics</kwd>
        <kwd>personalization</kwd>
        <kwd>retail</kwd>
        <kwd>e-commerce</kwd>
        <kwd>neural networks</kwd>
      </kwd-group>
    </article-meta>
  </front>
  <back>
    <ref-list>
      <ref id="ref1">
        <label>1</label>
        <mixed-citation xml:lang="ru">Харатокова, М.Ш. Анализ использования аналитических данных для прогнозирования ключевых показателей компании / М.Ш. Харатокова, Э.Е. Тихонов // Научный вестник Государственного автономного образовательного учреждения высшего образования "Невинномысский государственный гуманитарно-технический институт". — 2021. — № 2. — С. 79–82. — EDN VMNAWU.</mixed-citation>
      </ref>
      <ref id="ref2">
        <label>2</label>
        <mixed-citation xml:lang="ru">Бозиева, Л. Использование больших данных для повышения эффективности go-to-market стратегий / Л. Бозиева — DOI 10.32743/UniLaw.2024.115.5.17402. // Universum: экономика и юриспруденция. — 2024. — № 5(115). — С. 5–10 — EDN TJADDB.</mixed-citation>
      </ref>
      <ref id="ref3">
        <label>3</label>
        <mixed-citation xml:lang="ru">Когденко, В.Г. Описательная, прогностическая и предписывающая аналитика: данные, методы и алгоритмы / В.Г. Когденко — DOI 10.24891/ea.18.3.447. // Экономический анализ: теория и практика. — 2019. — Т. 18, № 3(486). — С. 447–461 — EDN ZBXOMX.</mixed-citation>
      </ref>
      <ref id="ref4">
        <label>4</label>
        <mixed-citation xml:lang="ru">Колмогорова, В.И. Использование искусственного интеллекта для повышения эффективности стратегий в цифровом маркетинге / В.И. Колмогорова,
И.Д. Мудрова, Д.А. Шишлянникова — DOI 10.24412/2071-3762-2024-9327-30-34. // Практический маркетинг. — 2024. — № 9(327). — С. 30–34 — EDN LZBQWQ.</mixed-citation>
      </ref>
      <ref id="ref5">
        <label>5</label>
        <mixed-citation xml:lang="ru">Особенности применения статистического анализа в современном маркетинге / Р.А. Хамзин, С.В. Бровчак, О.В. Фирсанова, В.В. Кулебякин — DOI 10.34023/2313-6383-2023-30-4-33-42. // Вопросы статистики. — 2023. — Т. 30, № 4. — С. 33–42 — EDN DAJZWJ.</mixed-citation>
      </ref>
      <ref id="ref6">
        <label>6</label>
        <mixed-citation xml:lang="ru">Анализ потребительского поведения в цифровой экономике с использованием технологий больших данных / В.В. Драгуленко, А.Л. Золкин, О.Л. Гиршевич,
И.В. Соловьев — DOI 10.47576/2949-1894.2024.4.4.025. // Инновационная экономика: информация, аналитика, прогнозы. — 2024. — № 4. — С. 206–212 — EDN TYZIVO.</mixed-citation>
      </ref>
      <ref id="ref7">
        <label>7</label>
        <mixed-citation xml:lang="ru">Адилхан, А. Инструменты анализа данных и приложения для анализа данных в планировании спроса / А. Адилхан // Вестник науки. — 2025. — Т. 1, № 6(87). — С. 1343–1356. — EDN RDKFJT.</mixed-citation>
      </ref>
      <ref id="ref8">
        <label>8</label>
        <mixed-citation xml:lang="ru">Иванов, Ф.Д. Предиктивное моделирование в сфере управления цепями поставок на основании методов искусственного интеллекта / Ф.Д. Иванов — DOI 10.35854/1998-1627-2025-9-1200-1212. // Экономика и управление. — 2025. —
Т. 31, № 9. — С. 1200–1212 — EDN BLWILC.</mixed-citation>
      </ref>
      <ref id="ref9">
        <label>9</label>
        <mixed-citation xml:lang="ru">Балаева, А.А. Использование Big Data для повышения конкурентоспособности в бизнесе / А.А. Балаева, Е.З. Глазунова, М.В. Скиба // Актуальные вопросы современной экономики. — 2024. — № 10. — С. 547–553. — EDN SGNHCZ.</mixed-citation>
      </ref>
      <ref id="ref10">
        <label>10</label>
        <mixed-citation xml:lang="ru">Эльканова, Е.А. Развитие электронной коммерции как фактор использования современных подходов в логистических маршрутах / Е.А. Эльканова // Вестник евразийской науки. — 2025. — Т. 17, № S4. — EDN EMFYLF.</mixed-citation>
      </ref>
      <ref id="ref11">
        <label>11</label>
        <mixed-citation xml:lang="ru">Priyanka Ya. Demand Forecasting in Retail using Machine Learning and Big Data. / Ya. Priyanka // International Journal of Advanced Research in Computer and Communication Engineering — 2025 — Т. 14, № 2 — URL: https://ijarcce.com/wp-content/uploads/2025/03/IJARCCE.2025.14235.pdf (дата обращения 24.02.2026)</mixed-citation>
      </ref>
      <ref id="ref12">
        <label>12</label>
        <mixed-citation xml:lang="ru">Seyedan, M. Predictive big data analytics for supply chain demand forecasting: methods, applications, and research opportunities / M. Seyedan, F. Mafakheri — DOI 10.1186/s40537-020-00329-2. // Journal of Big Data. — 2020. — Т. 7, № 1. — С. 53 — EDN MMOFAA.</mixed-citation>
      </ref>
      <ref id="ref13">
        <label>13</label>
        <mixed-citation xml:lang="ru">Kagalwala H. et al. Predictive analytics in supply chain management: The role of AI and machine learning in demand forecasting //Advances in Consumer Research. — 2025. — Т. 2. — С. 142–149.</mixed-citation>
      </ref>
      <ref id="ref14">
        <label>14</label>
        <mixed-citation xml:lang="ru">Rabbani, A.A. Towards next-generation smart supply chain management: ai-driven big data analytics for robust demand forecasting, predictive methods, and applications / A.A. Rabbani, N. Sohu, N. Zaki, R. Muhammad, M.U. Hakeem, A.U. Din, F.E.A. Longa, A. Fatima, S. Hafeez // Center for Management Science Research. — 2025. — Т. 3,
№ 5 — С. 391–431. — URL: https://cmsrjournal.com/index.php/Journal/article/view/439 (дата обращения 24.02.2026).</mixed-citation>
      </ref>
    </ref-list>
  </back>
</article>
