Ценообразование на основе спроса: VBP, ИИ-модели и право в РФ

В период с апреля 2024 года по март 2025 года на российском рынке детского питания наблюдалась парадоксальная ситуация: натуральные продажи выросли на 15%, в то время как денежные объемы увеличились на 20%. Эта диспропорция — наглядное свидетельство того, что потребители готовы платить более высокую цену за гарантированное качество в социально значимых категориях, демонстрируя, как эмоционально-ценностные факторы могут временно маскировать действие классического закона спроса. Эта статистика служит мощным аргументом: в современной экономике ценообразование, ориентированное исключительно на затраты или конкурентов, становится слепым, а единственно верным подходом признается ориентация на воспринимаемую потребителем ценность и динамический спрос.

Введение: Актуальность, цели и структура исследования

Проблема: Необходимость перехода от затратного ценообразования к стратегиям, основанным на ценности и спросе (VBP, Dynamic Pricing)

В условиях турбулентности, высокой инфляции, нарушения традиционных цепочек поставок и стремительной цифровизации, старые парадигмы ценообразования, основанные на формуле «затраты плюс» (Cost-Plus Pricing), утратили свою эффективность. Этот подход не учитывает главного — готовности потребителя платить (Willingness-to-Pay, WTP) и реальной ценности, которую продукт или услуга несет для целевой аудитории.

Современный рынок требует от предприятий перехода к стратегиям, которые максимально гибко реагируют на изменение спроса в режиме реального времени. Это означает необходимость внедрения Value-Based Pricing (VBP), где цена определяется ценностью, и Dynamic Pricing (Динамического ценообразования), где цена адаптируется к текущей рыночной конъюнктуре. Успех этих стратегий напрямую зависит от способности компании точно прогнозировать и измерять спрос, используя для этого продвинутые экономико-математические модели, основанные на Big Data и искусственном интеллекте (ИИ). Это прямое следствие того, что в условиях цифровизации скорость реакции становится критическим фактором конкурентоспособности.

Цель работы: Разработать теоретико-аналитическую основу для внедрения продвинутых стратегий ценообразования с учетом экономических, поведенческих и правовых факторов

Целью данного исследования является не только систематизация теоретических основ ценообразования, ориентированного на спрос, но и проведение глубокого анализа новейших методологий и инструментов. В ходе работы будет разработана комплексная теоретико-аналитическая база, которая позволит оценить возможности и риски применения таких стратегий в контексте российского законодательства и современных поведенческих тенденций.

Структура: Краткое представление трех основных разделов

Исследование структурировано следующим образом:

Теоретико-методологические основы: Раскрытие классических концепций спроса, ценовой эластичности и их трансформация в эпоху Big Data через призму интеллектуальных экономико-математических моделей.
Продвинутые стратегии и инструменты: Детальный анализ VBP и Dynamic Pricing, включая методы квантификации ценности (WTP) и влияние поведенческой экономики.
Регулирование и этика: Изучение актуальной политики ФАС России, концепции «Ответственного ценообразования» и анализ правовых рисков, связанных с ценовой дискриминацией в цифровой среде.

Теоретико-методологические основы ценообразования, ориентированного на спрос

Ключевой тезис: Раскрыть классическую теорию и показать переход к сложным, нелинейным моделям спроса в цифровой среде

Ценообразование, ориентированное на спрос, является краеугольным камнем современного маркетинга. Оно радикально отличается от затратного подхода, ставя во главу угла не внутренние издержки, а внешний фактор — готовность и способность потребителя платить, исходя из воспринимаемой им полезности.

Классические модели спроса и ценовая эластичность

Определение ценообразования, ориентированного на спрос (Value-Based Pricing), и формула точечной эластичности спроса (E_p^D)

Ценообразование, ориентированное на спрос (Value-Based Pricing, VBP), — это стратегия, при которой цена устанавливается на основе воспринимаемой потребителем ценности продукта или услуги. Это не просто учет спроса, а фокусировка на уникальных преимуществах, решающих конкретные проблемы клиента. Если продукт позволяет клиенту сэкономить 100 000 рублей в год или повысить эффективность работы на 30%, VBP позволяет компании забрать часть этой созданной ценности через более высокую цену.

Базовым инструментом для оценки реакции рынка на изменение цены остается ценовая эластичность спроса (E_p^D). Этот коэффициент показывает, насколько сильно изменится объем спроса при изменении цены на 1%.

Классическая формула точечной ценовой эластичности спроса (E_p^D) выглядит следующим образом:

E_p^D = (ΔQ / Q) / (ΔP / P) = (ΔQ / ΔP) ⋅ (P / Q)

Где:

$Q$ — начальный объем спроса;
$P$ — начальная цена;
$\Delta Q$ — изменение объема спроса;
$\Delta P$ — изменение цены.

Если |E_p^D| > 1, спрос считается эластичным (небольшое повышение цены ведет к значительному падению спроса). Если |E_p^D| < 1, спрос неэластичен (изменение цены слабо влияет на объем продаж).

Роль закона спроса в современных условиях (кейс с детским питанием)

Классический закон спроса постулирует обратную зависимость: рост цены ведет к снижению спроса. Однако в современных условиях, особенно в сегментах премиальных или социально значимых товаров, этот закон может быть временно модифицирован или маскирован другими факторами, такими как эластичность по доходу или фактор качества.

Как было показано во вступлении, на рынке детского питания (апрель 2024 — март 2025) рост натуральных продаж на 15% при росте денежных на 20% указывает на то, что потребители готовы платить больше за гарантированное качество. В этом случае, ценовое решение обусловлено не только ценой, но и воспринимаемым риском (риском для здоровья ребенка). Здесь VBP работает в полную силу: ценность (здоровье и безопасность) перевешивает фактор цены, делая спрос неэластичным по цене, но высокоэластичным по доходу и качеству. Этот пример подчеркивает необходимость перехода от одномерного анализа эластичности к многомерным моделям. И что из этого следует? Только многомерный анализ позволит компании безопасно повышать маржинальность, когда спрос на самом деле реагирует не на цену, а на другие, более важные для потребителя атрибуты.

Экономико-математические модели прогнозирования спроса в условиях Big Data

Ограничения линейных моделей и интеллектуальные методы прогнозирования

Традиционные линейные модели прогнозирования (например, регрессионный анализ, основанный на линейной зависимости) не способны адекватно описывать сложное поведение потребителей в цифровой экономике. Спрос сегодня — это нелинейная функция, зависящая от сотен переменных: персонализированных скидок, активности конкурентов, погодных условий, настроений в социальных сетях и т.д. Именно поэтому нужно перейти от простых моделей к сложным, чтобы учесть нелинейность и нестационарность рыночных процессов.

Для учета этой сложности в практику внедряются интеллектуальные методы:

Ансамблевые модели машинного обучения (например, Random Forest, Gradient Boosting): Эти модели строят прогнозы, используя множество слабых предсказателей (деревьев решений), объединяя их результаты. Они идеально подходят для выявления сложных взаимодействий между ценой, промоакциями и внешними факторами, которые остаются невидимыми для линейной регрессии.
Нейронные сети (НС): НС способны обрабатывать огромные объемы неструктурированных данных (Big Data) и выявлять нестационарные (меняющиеся со временем) и нелинейные зависимости. Нейронные сети, особенно рекуррентные (RNN) или с долгой краткосрочной памятью (LSTM), эффективны в прогнозировании временных рядов, учитывая сезонность, тренды и цикличность, которые критически важны для Dynamic Pricing.

Применение сложных моделей (фильтр Калмана) в макроэкономическом анализе

Сложность современных экономико-математических расчетов подтверждается на макроуровне. Для оценки ненаблюдаемых переменных, таких как разрыв выпуска (потенциальный ВВП), центральные банки (включая Банк России) используют полуструктурные модели и многомерный фильтр Калмана. Фильтр Калмана — это рекурсивный алгоритм, который оценивает состояние системы с учетом неопределенности и постоянно обновляющихся данных. Тот факт, что даже на уровне макроэкономики требуется применение таких продвинутых, адаптивных и динамических методов, служит прямым доказательством того, что для точного прогнозирования спроса на микроуровне линейные модели не могут быть достаточными.

Продвинутые стратегии ценообразования и роль поведенческой экономики

Ключевой тезис: Детально проанализировать VBP и Dynamic Pricing, а также методы количественной оценки ценности и влияния психологии потребителя

Стратегии Value-Based Pricing (VBP) и квантификация ценности

Раскрыть VBP как стратегию установления маржинальных цен

Value-Based Pricing (VBP) — это не просто маркетинговый лозунг, а глубоко аналитическая стратегия. Она требует от компании не просто описать преимущества, но и квантифицировать ценность, которую получает клиент.

Например, в B2B-секторе ценность часто измеряется:

Экономией затрат: На сколько процентов снизятся операционные расходы клиента благодаря нашему решению.
Увеличением дохода: На сколько процентов вырастут продажи клиента благодаря внедрению нашего продукта.
Снижением риска: Сколько стоит избежать потенциальных штрафов или сбоев.

Поскольку VBP фокусируется на уникальных, дифференцированных продуктах (инновационное ПО, высокотехнологичное оборудование, премиальный консалтинг), он позволяет устанавливать значительно более высокие маржинальные цены, которые могут в разы превышать производственные затраты. Какой важный нюанс здесь упускается? Упускается тот факт, что квантификация ценности должна быть доказательной: цена должна быть обоснована реальной, измеримой разницей в денежном потоке клиента, а не просто желанием продавца.

Методы оценки готовности потребителя платить (WTP)

Для успешного внедрения VBP необходимо точно измерить Готовность потребителя платить (Willingness-to-Pay, WTP). Для этого используются специализированные методы ценовых исследований:

Метод оценки WTP	Основной принцип	Применение и преимущество
Gabor-Granger	Прямой опрос: респондентов спрашивают, купят ли они продукт при конкретной цене.	Позволяет построить кривую спроса, определяя объем продаж при различных ценовых точках. Прост, но чувствителен к нереалистичным ответам.
Van Westendorp (PSM)	Оценка ценовых порогов: респондентов спрашивают, при какой цене товар «слишком дешев», «слишком дорог», «дороговат» и «выгоден».	Определяет оптимальный ценовой диапазон (Price Acceptability Range) и ценовые точки безразличия, позволяя понять психологические границы.
Conjoint Analysis	Моделирование компромиссов: респондентам предлагают выбрать между разными наборами атрибутов продукта с разными ценами.	Наиболее точный метод. Он позволяет оценить, как потребитель торгует ценой ради получения конкретных функций или атрибутов (например, готовность платить +5000 руб. за увеличение гарантии). Критически важен для дифференцированных продуктов.

Влияние поведенческой экономики на ценовые решения

Изучить границы рациональности потребителей и использование эффектов в ценообразовании

Поведенческая экономика, интегрируя психологию и экономику, показывает, что потребитель не является абсолютно рациональным агентом. Его решения подвержены когнитивным искажениям, которые можно и нужно учитывать при ценообразовании, ориентированном на спрос.

Эффект ценовых порогов (Price Thresholds): Психологически потребители воспринимают цены не как непрерывную шкалу, а как дискретные пороги. Цена 999 рублей воспринимается значительно ближе к 900, чем к 1000. Преодоление крупного порога (например, переход от четырехзначной цены к пятизначной) может вызвать резкое снижение спроса, даже если абсолютное изменение цены невелико.
Эффект «Цена — Качество»: Во многих случаях высокая цена сама по себе становится сигналом высокого качества, особенно для товаров, качество которых сложно оценить до покупки (услуги, премиальные товары, новые технологии). В этих сегментах повышение цены может привести к росту спроса, что нарушает классический закон спроса (эффект Веблена).
Эффект фрейминга (Framing Effect): То, как представлена цена, влияет на ее восприятие. Цена, представленная как «скидка 25%», воспринимается лучше, чем «повышение цены на 33%». Аналогично, ежемесячная оплата (фрейминг мелкой суммы) часто психологически предпочтительнее, чем единовременный крупный платеж, даже если общая сумма выше.

Использование этих поведенческих инсайтов позволяет компаниям оптимизировать ценовые точки и повышать воспринимаемую ценность продукта без изменения его реальной себестоимости. Но разве это не манипуляция?

Искусственный интеллект и Big Data как инструменты прогнозирования и оптимизации цен

Ключевой тезис: Представить ИИ не как лозунг, а как измеримый инструмент повышения точности прогнозов

Точность и факторы ИИ-прогнозирования спроса

Представить конкретные показатели точности ИИ-прогнозирования

Внедрение ИИ и машинного обучения (МО) в прогнозирование спроса обусловлено не только способностью обрабатывать Big Data, но и измеримым повышением точности.

По данным ведущих аналитических агентств и кейс-стади, для стабильных товарных категорий (FMCG, базовый ритейл) системы прогнозирования на базе ИИ позволяют достичь точности до 95%. Более того, повышение общей точности прогнозирования по сравнению с традиционными статистическими методами (АРПСС, экспоненциальное сглаживание) может составлять значительные 15–20%. Эта разница в точности напрямую конвертируется в экономическую выгоду: снижение избыточных запасов, уменьшение потерь от нехватки товара (Out-of-Stock) и, самое главное, более тонкую настройку цен в рамках стратегии Dynamic Pricing.

Детализировать, какие внешние факторы ИИ интегрирует в анализ, помимо исторических данных

Мощность ИИ в ценообразовании заключается в его способности интегрировать и анализировать мультифакторные данные, выходящие далеко за рамки внутренних транзакций и исторических продаж. Для создания точных моделей спроса, ИИ-системы учитывают:

Категория факторов	Примеры данных, интегрируемых ИИ	Влияние на спрос и цену
Макроэкономические/внешние	Курсы валют, инфляция, индексы потребительского доверия, ВВП.	Определяют общую покупательную способность и эластичность по доходу.
Поведенческие/социальные	Тренды в социальных сетях, новостной фон, поисковые запросы.	Позволяют предсказать всплески спроса на основе общественного интереса.
Климатические/географические	Погодные условия (температура, осадки, влажность).	Критически важны для ритейла, FMCG и услуг.
Конкурентные/рыночные	Цены конкурентов в реальном времени, их промоакции, наличие товара.	Необходимы для Dynamic Pricing, позволяя оперативно реагировать и устанавливать оптимальную цену.
Календарные/событийные	Праздники, школьные каникулы, спортивные мероприятия.	Учитывают предсказуемые скачки спроса, позволяя заранее оптимизировать цены и запасы.

Примеры внедрения ИИ-систем в российском бизнесе

Привести примеры отечественных ИИ-разработок

Российский бизнес активно ра��рабатывает и внедряет собственные ИИ-решения для прогнозирования спроса, что свидетельствует о зрелости рынка.

Например, крупные финансовые и ритейл-компании используют собственные разработки. Система ETNA от «Тинькофф» предназначена для анализа и прогнозирования различных бизнес-процессов, включая спрос на отдельные финансовые продукты или услуги. Использование подобных внутренних систем позволяет компаниям не зависеть от дорогих западных аналогов и адаптировать алгоритмы под специфику российского потребительского поведения и законодательства. В сфере FMCG и ритейла, российские ИИ-системы, использующие методы машинного обучения, помогают оптимизировать промо-акции, определять оптимальный запас и рекомендовать цены в торговых точках, обеспечивая высокую точность прогнозов и минимизируя потери от просрочки или дефицита. Это переводит ценообразование из искусства в точную науку.

Правовое поле и этические границы ценообразования, ориентированного на спрос, в РФ

Ключевой тезис: Проанализировать риски, связанные с динамическим ценообразованием, и механизмы антимонопольного контроля

Внедрение продвинутых стратегий, особенно Dynamic Pricing, несет в себе риски столкновения с антимонопольным законодательством и этическими нормами.

Современная политика ФАС России и «Ответственное ценообразование»

Описать роль ФАС в мониторинге цен и концепцию «Ответственного ценообразования»

Федеральная антимонопольная служба (ФАС России) активно использует цифровые инструменты для мониторинга рынка. Одним из ключевых инструментов является ГИС «Антикартель» — информационная система, которая в режиме реального времени анализирует ценовую динамику, выявляя аномалии и признаки антиконкурентных соглашений.

В 2024 году ФАС продвигает концепцию «Ответственного ценообразования». Это механизм «мягкого регулирования», направленный на добровольное сдерживание цен крупными игроками рынка (прежде всего, ритейлерами) на социально значимые товары. ФАС не вводит жесткое регулирование, а использует консультации и общественное давление, добиваясь от 11 крупнейших сетей добровольного снижения наценок (в среднем, на 17%). Этот подход показывает, что государство ищет баланс между рыночной свободой и социальной справедливостью.

Проанализировать законопроект о «резервном механизме» регулирования

В качестве прямого ответа на проблему спекулятивного поведения в периоды кризисов или повышенного спроса (например, ажиотаж вокруг отдельных товаров) ФАС разработала законопроект о введении «резервного механизма» регулирования цен.

Суть механизма: Правительство РФ получает право вводить временный запрет на установление экономически необоснованных цен на отдельные виды товаров. Важно, что этот механизм является резервным и должен использоваться только в исключительных случаях. Это демонстрирует стремление государства создать правовой инструмент для борьбы с недобросовестным использованием спросового ценообразования (когда цена повышается не из-за затрат, а из-за панического, ажиотажного спроса).

Этические и правовые риски ценовой дискриминации

Раскрыть этическую проблему динамического ценообразования

Главная этическая проблема Dynamic Pricing, основанного на Big Data и ИИ, заключается в потенциальной ценовой дискриминации. Используя данные о местоположении, истории покупок, типе устройства (смартфон/ПК) и даже времени суток, алгоритмы могут устанавливать разные цены для разных потребителей на один и тот же товар, исходя из их индивидуальной WTP. Потребители воспринимают такие манипуляции как нечестные, что может привести к подрыву доверия и негативным общественным реакциям. Экономическая эффективность, достигнутая ценой этики, всегда недолговечна.

Проанализировать регулирование ценовой дискриминации в РФ

В российском правовом поле ценовая дискриминация регулируется, прежде всего, частью 1 статьи 10 Федерального закона № 135-ФЗ «О защите конкуренции».

Данная статья запрещает хозяйствующим субъектам, занимающим доминирующее положение, совершать действия, которые могут привести к ущемлению интересов других лиц. В контексте ценообразования это выражается в запрете:

«…экономически, технологически и иным образом необоснованное установление различных цен (тарифов) на один и тот же товар…»

Таким образом, если компания не имеет доминирующего положения, она имеет большую свободу в установлении цен, хотя и должна быть готова обосновать разницу в ценах (например, разницей в затратах на доставку, объемом партии). Однако, если компания является доминантом (например, крупный маркетплейс), использование Dynamic Pricing для необоснованной ценовой дискриминации может быть признано злоупотреблением, что налагает серьезные ограничения на применение чистой Dynamic Pricing в России.

Заключение и выводы

Определение цен с ориентацией на спрос в современной экономике является сложным, многофакторным процессом, который требует стратегического синтеза классической экономической теории, передовых аналитических инструментов и глубокого понимания правовых и этических ограничений.

Ключевые выводы исследования:

Сдвиг парадигмы: Современное ценообразование окончательно отошло от затратного подхода к стратегиям, основанным на ценности (VBP) и динамическом спросе (Dynamic Pricing). Классический закон спроса усложнен поведенческими и эмоциональными факторами, требуя многомерного анализа.
Интеллектуальная основа: Для точного прогнозирования спроса традиционные линейные модели недостаточны. Необходим переход к интеллектуальным методам, таким как ансамблевые модели машинного обучения и нейронные сети, которые способны интегрировать сотни внешних факторов (погода, конкуренты, социальные тренды) и повышать точность прогнозов на 15–20%.
Квантификация ценности: Успех VBP зависит от способности компании измерить WTP потребителя с помощью специализированных методик (Conjoint Analysis, Gabor-Granger, PSM), что позволяет устанавливать маржинальные цены, справедливо отражающие создаваемую ценность.
Регулирование и риски: Применение Dynamic Pricing, особенно в РФ, находится под пристальным контролем ФАС России. Политика «Ответственного ценообразования» и законопроект о «резервном механизме» свидетельствуют о стремлении государства предотвратить спекулятивное ценовое поведение. Правовой риск ценовой дискриминации для доминирующих компаний регулируется статьей 10 ФЗ № 135-ФЗ.

Дальнейшие направления исследований должны быть сосредоточены на разработке этических стандартов и механизмов прозрачности для алгоритмов Dynamic Pricing в сфере e-commerce, а также на создании методик, позволяющих малым и средним предприятиям, не обладающим ресурсами для собственной разработки ИИ, эффективно использовать облачные решения для прогнозирования спроса.

Список использованной литературы

Гражданский кодекс Российской Федерации (Ч.1): Федеральный закон от 30.11.1994 № 51-ФЗ (ред. от 24.07.2023) [Электронный ресурс]. Доступ из справочно-правовой системы «Консультант Плюс».
Налоговый кодекс Российской Федерации (Ч.1, 2) [Электронный ресурс]. Доступ из справочно-правовой системы «Консультант Плюс».
О применении нормативных документов, регулирующих вопросы учета затрат на производство и калькулирование себестоимости продукции (работ, услуг): Письмо Минфина России от 29.04.2002 № 16-00-13/3 [Электронный ресурс]. Доступ из справочно-правовой системы «Консультант Плюс».
Абрютина М. С. Ценообразование в рыночной экономике: Учебник. М.: Изд-во «Дело и Сервис», 2012. 256 с.
Баздникин А.С. Цены и ценообразование: учеб. пособие. М.: Юрайт: Высшее образование, 2012. 370 с.
Галанов В.А. Ценообразование: учебник для студентов вузов / В.А. Галанов и др.; под ред. В.А. Слепова. М.: Экономистъ, 2011. 572 с.
Галанов В.А., Крашенинников В.М. Ценообразование в сферах государственных закупок: учеб. пособие для студентов вузов. М.: ИНФРА-М, 2012. 317 с.
Герасименко В.В. Ценообразование: учеб. пособие для студентов вузов. М.: ИНФРА-М, 2012. 419 с.
Голощапов Н. А., Соколов А.А. Цены и ценообразование: Учебно-методич. пособие. Приориздат, 2012. 160 с.
Данченок Л.А., Иванова А.Г. Маркетинговое ценообразование: политика, методы, практика: учеб. пособие для студентов вузов. М.: Эксмо, 2013. 461 с.
Липсиц И.В. Ценообразование. Управление ценообразованием в организации: учеб. для студентов вузов. 3-е изд., перераб. и доп. М.: Экономистъ, 2012. 447 с.
Лысова Н.А. Управление ценами: учеб. пособие для студентов. М.: КНОРУС, 2012. 197 с.
Слепнева Т. А., Яркин Е. В. Цены и ценообразование: Учеб. пособие. М.: ИНФРА-М, 2011. 200 с.
Маховикова Г.А., Желтякова И.А., Пузыня Г.Ю. Цены и ценообразование: учеб. пособие. СПб: ПИТЕР, 2012. 176 с.
Просветов Г.И. Цены и ценообразование: задачи и решения: учеб.-метод. пособие. М.: Альфа-Пресс, 2011. 187 с.
Замураева Л.Е. Ценообразование: учебное пособие. 3-е изд., переработанное. М.: Наука, 2013. 334 с.
Цены и ценообразование / Под ред. В. Е. Есипова. СПб.: Питер, 2013. 560 с.
Цены и ценообразование: Учебник / Под ред. И. К. Салимжанова. М.: ТК Велби, Изд-во «Проспект», 2013. 360 с.
Шуляк П.Н. Ценообразование: учеб.- практ. пособие. 12-е изд., перераб. и доп. М.: Дашков и К, 2013. 189 с.
Чудаков А. Д. Цены и ценообразование: Учебник для вузов. М.: Изд-во РДЛ, 2011. 376 с.
Яковлев Н. А. Цены и ценообразование: Учеб. пособие. М.: ИВЦ «Маркетинг», 2011. 106 с.
Госкомстат РФ [Электронный ресурс]. URL: http://www.gks.ru (дата обращения: 30.10.2025).
Министерство финансов РФ [Электронный ресурс]. URL: http://www.minfin.ru (дата обращения: 30.10.2025).
Образовательный портал [Электронный ресурс]. URL: http://www.economics.ru (дата обращения: 30.10.2025).
Публикации по вопросам маркетинга (в т.ч. ценообразования) [Электронный ресурс]. URL: www.marketing.spb.ru (дата обращения: 30.10.2025).
Правила ответственного ценообразования – политика и логика ФАС России в 2024 году [Электронный ресурс]. URL: https://zakupki-digital.ru/ (дата обращения: 30.10.2025).
Актуальные инструменты контроля ФАС России за ценообразованием как факторы развития экономики [Электронный ресурс]. URL: https://vegaslex.ru/ (дата обращения: 30.10.2025).
Дмитрий Григоренко: Цифровые проекты позволяют ФАС создавать равные условия для бизнеса и защищать интересы граждан [Электронный ресурс]. URL: https://government.ru/ (дата обращения: 30.10.2025).
Модель Б1 для прогнозирования спроса на базе ИИ [Электронный ресурс]. URL: https://b1.ru/ (дата обращения: 30.10.2025).
Сущность и особенности поведенческой экономики [Электронный ресурс]. URL: https://cyberleninka.ru/ (дата обращения: 30.10.2025).
Поведенческое ценообразование [Электронный ресурс]. URL: https://elibrary.ru/ (дата обращения: 30.10.2025).
Big Data – выигрышная инновация для прогнозирования будущих тенденций [Электронный ресурс]. URL: https://cyberleninka.ru/ (дата обращения: 30.10.2025).
Российские ИИ системы бизнес аналитики [Электронный ресурс]. URL: https://clouderp.ru/ (дата обращения: 30.10.2025).
Экономико-математические модели оценки показателей рынка продуктов [Электронный ресурс]. URL: https://bseu.by/ (дата обращения: 30.10.2025).
Экономико-математические методы и модели Economic & mathematical methods and models [Электронный ресурс]. URL: https://spbstu.ru/ (дата обращения: 30.10.2025).
Научно-исследовательские работы 2020-2021 гг. [Электронный ресурс]. URL: https://eaeunion.org/ (дата обращения: 30.10.2025).
Оценки ненаблюдаемых переменных в России: Расставляем черты и звёзды над r и y [Электронный ресурс]. URL: https://cbr.ru/ (дата обращения: 30.10.2025).
Разъяснения Федеральной антимонопольной службы от 21 марта 2025 г. [Электронный ресурс]. URL: https://garant.ru/ (дата обращения: 30.10.2025).