MOSCOW ECONOMIC JOURNAL MOSCOW ECONOMIC JOURNAL Московский экономический журнал 2413-046X 103231 10.55186/2413046X_2025_10_7_186 Региональная и отраслевая экономика Regional and branch economy Региональная и отраслевая экономика MACHINE LEARNING METHODS FOR MODELING CONSUMER CHOICE: A SYNTHESIS OF EXPERT JUDGMENTS AND NEURAL NETWORK ANALYSIS Методы машинного обучения для моделирования потребительского выбора: синтез экспертных оценок и нейросетевого анализа Забоев Михаил Валерьевич Zaboev Mihail Valer'evich

кандидат экономических наук;

candidate of economic sciences;

 Цагарелин Алексей Павлович Cagarelin Aleksey Pavlovich Антимонов Никита Максимович Antimonov Nikita Maksimovich Куценков Кирилл Андреевич Kucenkov Kirill Andreevich ФГБОУ ВО Санкт-Петербургский государственный университет Санкт-Петербург Россия St. Petersburg State University Saint-Petersburg Russian Federation ФГАОУ ВО Московский государственный технический университет имени Н. Э. Баумана Москва Россия Bauman Moscow State Technical University Moscow Russian Federation ФГАОУ ВО Московский государственный технический университет имени Н. Э. Баумана Москва Россия Bauman Moscow State Technical University Moscow Russian Federation ФГАОУ ВО Московский государственный технический университет имени Н. Э. Баумана Москва Россия Bauman Moscow State Technical University Moscow Russian Federation 23 08 2025 23 08 2025 10 7 177 191 13 08 2025 https://ecience.ru/en/nauka/article/103231/view

В статье рассматриваются современные методы машинного обучения, применяемые для моделирования потребительского выбора, включая искусственные нейронные сети и методы синтеза экспертных оценок. Особое внимание уделяется возможности комбинирования нейросетевых моделей с традиционными подходами анализа принятия решений для повышения точности прогнозов. Приведён обзор существующих архитектур, реализующих обработку пользовательских предпочтений, а также рассмотрены кейсы использования гибридных методов в электронной коммерции. Обоснована эффективность интеграции экспертных знаний в структуру машинного обучения.

The article explores modern machine learning methods used for modeling consumer choice, including artificial neural networks and approaches to synthesizing expert judgments. Particular attention is paid to the combination of neural models with classical decision analysis approaches to improve prediction accuracy. The paper provides an overview of neural network architectures applied to consumer preference modeling and discusses hybrid method cases in e-commerce. The effectiveness of integrating expert knowledge into machine learning structures is substantiated.

 машинное обучение потребительский выбор экспертные оценки нейронные сети интеллектуальный анализ данных machine learning consumer choice expert judgments neural networks data mining

McFadden D. Conditional logit analysis of qualitative choice behavior // В кн.: Zarembka P. (ред.) Frontiers in Econometrics. New York: Academic Press, 1974. С. 105–142. McFadden D. Conditional logit analysis of qualitative choice behavior // V kn.: Zarembka P. (red.) Frontiers in Econometrics. New York: Academic Press, 1974. S. 105–142. Gan C., Limsombunchai V., Clemes M., Weng A. Consumer Choice Prediction: Artificial Neural Networks versus Logistic Models // Journal of Social Sciences. 2005. Т. 1, № 4. С. 211–219. Gan C., Limsombunchai V., Clemes M., Weng A. Consumer Choice Prediction: Artificial Neural Networks versus Logistic Models // Journal of Social Sciences. 2005. T. 1, № 4. S. 211–219. Колмаков И.Б., Доможаков М.В. Синтез эконометрических и нейросетевых моделей прогноза показателей сферы исследований и инноваций в Российской Федерации // Управленческие науки. 2016. № 2(19). С. 27–37. Kolmakov I.B., Domozhakov M.V. Sintez ekonometricheskih i neyrosetevyh modeley prognoza pokazateley sfery issledovaniy i innovaciy v Rossiyskoy Federacii // Upravlencheskie nauki. 2016. № 2(19). S. 27–37. Han Y., Pereira F.C., Ben-Akiva M., Zegras C. A neural-embedded discrete choice model: Learning taste representation with strengthened interpretability // Transportation Research Part B: Methodological. 2022. Т. 163. С. 166–186. Han Y., Pereira F.C., Ben-Akiva M., Zegras C. A neural-embedded discrete choice model: Learning taste representation with strengthened interpretability // Transportation Research Part B: Methodological. 2022. T. 163. S. 166–186. Хаирова С.М., Хаиров Б.Г., Шимохин А.В. Методика работы с поставщиками на основе моделирования работы нейронной сети при решении вопросов выбора поставщиков услуг // Фундаментальные исследования. 2020. № 7. С. 129–137. Hairova S.M., Hairov B.G., Shimohin A.V. Metodika raboty s postavschikami na osnove modelirovaniya raboty neyronnoy seti pri reshenii voprosov vybora postavschikov uslug // Fundamental'nye issledovaniya. 2020. № 7. S. 129–137. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Т. 521, № 7553. С. 436–444. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. T. 521, № 7553. S. 436–444. Greene M.N., Morgan P.H., Foxall G.R. Neural Networks and Consumer Behavior: Neural Models, Logistic Regression, and the Behavioral Perspective Model // The Behavior Analyst. 2017. Т. 40, № 2. С. 393–418. Greene M.N., Morgan P.H., Foxall G.R. Neural Networks and Consumer Behavior: Neural Models, Logistic Regression, and the Behavioral Perspective Model // The Behavior Analyst. 2017. T. 40, № 2. S. 393–418. Hu M.Y., Tsoukalas C. Explaining consumer choice through neural networks: The stacked generalization approach // European Journal of Operational Research. 2003. Т. 146, № 3. С. 650–660. Hu M.Y., Tsoukalas C. Explaining consumer choice through neural networks: The stacked generalization approach // European Journal of Operational Research. 2003. T. 146, № 3. S. 650–660. Hruschka H. Using a heterogeneous multinomial probit model with a neural net extension to model brand choice // Journal of Forecasting. 2007. Т. 26, № 2. С. 113–127. Hruschka H. Using a heterogeneous multinomial probit model with a neural net extension to model brand choice // Journal of Forecasting. 2007. T. 26, № 2. S. 113–127. Qian F., Xu L. Improving customer satisfaction by the expert system using artificial neural networks // WSEAS Transactions on Business and Economics. 2007. Т. 4, № 10. С. 147–151. Qian F., Xu L. Improving customer satisfaction by the expert system using artificial neural networks // WSEAS Transactions on Business and Economics. 2007. T. 4, № 10. S. 147–151.