аспирант с 01.01.2025 по настоящее время
Электросталь, г. Москва и Московская область, Россия
ВАК 5.2.3 Региональная и отраслевая экономика
ВАК 5.2.4 Финансы
ВАК 5.2.5 Мировая экономика
ВАК 5.2.6 Менеджмент
ВАК 5.2.7 Государственное и муниципальное управление
УДК 330.42 Математическая экономическая теория
Потребительские предпочтения на рынке цифровых продуктов меняются быстрее, чем это фиксируют традиционные инструменты мониторинга спроса. Цифровые платформы ежедневно аккумулируют тысячи пользовательских отзывов, которые содержат ранние признаки таких изменений. Однако большинство исследований анализирует отзывы лишь по тональности и количеству, игнорируя тематическую структуру и её динамику во времени. В данной работе предложена концепция выявления ранних сигналов изменения спроса на основе анализа тематических трендов в пользовательском контенте. На корпусе пользовательских отзывов платформы Steam построена тематическая модель LDA, прослежена динамика долей тем по временным окнам и проверен опережающий характер тематических индикаторов относительно прокси-показателей спроса. Для оценки статистической связи использованы тест Грейнджера и кросс корреляционный анализ. Включение тематических индикаторов в модель ARIMAX не улучшило точность прогноза по сравнению с базовой моделью ARIMA, что указывает на необходимость дальнейшего развития прогнозного инструментария. Результаты показывают, что изменения в тематической структуре отзывов могут служить опережающим индикатором спроса и использоваться при построении систем раннего предупреждения для бизнеса.
пользовательский контент, тематическое моделирование, временные ряды, прокси спроса, кросс‑корреляция, прогнозирование
1. Ильченко, П. В. Влияние ugc-контента на поведение потребителей и принятие решений о покупке // Экономика и бизнес: теория и практика. 2024. №4-2 (110). URL: https://cyberleninka.ru/article/n/vliyanie-ugc-kontenta-na-povedenie-potrebiteley-i-prinyatie-resheniy-o-pokupke.
2. Захарова, А. А. Оценка тональности комментариев пользователей методами тематического моделирования / А. А. Захарова // Сборник трудов IX Конгресса молодых ученых, Санкт-Петербург, 15–18 апреля 2020 года. Том 1. – Университет ИТМО, Санкт-Петербург: федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет ИТМО", 2021. – С. 207-211. – EDN UDUBLN.
3. Семенова, Е. (2025) «Функциональные особенности UGC на примере сетевых медиа Тамбовской области», Динамика медиасистем, 5(2), сс. 210–218. doi:https://doi.org/10.47475/2949-3390-2025-5-2-210-218.
4. Неструктурированные данные: примеры, инструменты, методики и рекомендации [Электронный ресурс] // Habr. URL: https://habr.com/ru/articles/756454.
5. Войтик, У. В., Сидорова, Н. И. Пользовательский контент (UGC) в маркетинге Бизнес-пульс : II Междунар. науч.-практ. студ. конф., Минск, 10 ноября 2023 г. : сб. материалов / редкол.: В. В. Манцурова [и др.]. – Минск : Институт бизнеса БГУ, 2024. – С. 221-224.
6. Steam Reviews Dataset [Электронный ресурс] // Kaggle. URL: https://www.kaggle.com/datasets/forgemaster/steam-reviews-dataset/code.
