аспирант экономических наук;
graduate student of economic sciences;
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.
Consumer preferences in digital product markets change faster than traditional demand monitoring tools can capture. Digital platforms accumulate thousands of user reviews every day, which may contain early signs of such changes. However, most studies analyze reviews only in terms of sentiment and volume, while overlooking the topic structure of user content and its dynamics over time. This paper proposes a methodology for identifying early signals of demand changes through the analysis of topic trends in user-generated content. Using a corpus of Steam user reviews, an LDA topic model was constructed, the dynamics of topic shares across time windows were tracked, and the leading nature of topic-based indicators was tested against demand proxies. Granger causality tests and cross-correlation analysis were used to assess the statistical relationship. Incorporating topic-based indicators into an ARIMAX model did not improve forecasting accuracy compared with the baseline ARIMA model, which indicates the need for further development of the forecasting toolkit. The results show that changes in the topical structure of reviews can serve as leading indicators of demand and can be used to build early warning systems for business.