Анотація
Стаття присвячена аналізу застосування технологій великих обсягів даних для прогнозування ключових макроекономічних показників, таких як валовий внутрішній продукт, рівень інфляції, безробіття та споживче споживання. У контексті швидкого зростання обсягів даних традиційні економетричні моделі демонструють суттєві обмеження через значне запізнення офіційної статистики та низьку частоту її оновлення. Великі обсяги даних дозволяють здійснювати прогнозування сучасного стану економіки в реальному часі за допомогою динамічних факторних моделей, байєсівських методів, регуляризації типу лассо та нейронних мереж. Огляд літератури показує, що інтеграція нетрадиційних джерел – банківських транзакцій, даних про мобільність населення, супутникових знімків та пошукових запитів – суттєво підвищує точність прогнозів порівняно з традиційними бенчмарками. Зокрема, модель Staff Nowcast Федерального резервного банку Нью-Йорка демонструє, що помилка прогнозів валового внутрішнього продукту наближається до рівня першого офіційного релізу Бюро економічного аналізу. Особлива увага приділяється емпіричним результатам під час кризи COVID-19, коли моделі з великими обсягами даних зменшували помилки на 15–30 %. У статті розглянуто постановку проблеми, матеріали та методи, ключові результати, а також виклики, пов’язані з якістю даних і конфіденційністю. Робиться висновок про трансформаційний потенціал великих обсягів даних для економічної політики та бізнесу. Запропоновано практичні рекомендації щодо впровадження платформ реального часу та напрямки подальших досліджень, зокрема розробку гібридних моделей і causal-аналізу. Результати дослідження підкреслюють, що великі обсяги даних стають стратегічним інструментом для підвищення оперативності та точності економічного прогнозування в умовах зростаючої невизначеності.
Посилання
1. Barbaglia, L., Frattarolo, L., Onorante, L., Pericoli, F. M., Ratto, M., & Pezzoli, L. T. (2022). Testing big data in a big crisis: Nowcasting under COVID-19. International Journal of Forecasting, 39(4), 1548–1563. https://doi.org/10.1016/j.ijforecast.2022.10.005
2. Biloshkurska, N. V. (2015). Upravlinnia promyslovym vyrobnytstvom v Ukraini: innovatsiinyi aspekt [Management of industrial production in Ukraine: Innovative aspect]. Ekonomichnyi prostir – Economic space, (98), 54–62. http://nbuv.gov.ua/UJRN/ecpros_2015_98_8 (in Ukrainian)
3. Biloshkurska, N. V., Biloshkurskyi, M. V., & Kravchenko, R. O. (2017).Marketynhovyi analiz stratehichnoi konkurentospromozhnosti vyshchykhnavchalnykh zakladiv rehionu [Marketing analysis of the strategic competitiveness of regional establishments of higher education]. Economies’ Horizons, 2(3), 26–30. http://doi.org/10.31499/2616-5236.2(3).2017.128097 (in Ukrainian)
4. Bello, O. A. (2024). The impact of big data on economic forecasting and policy making. International Journal of Development and Economic Sustainability, 10(6), 66–89. https://eajournals.org/ijdes/vol10-issue-6-2022/the-impact-of-big-data-on-economic-forecasting-and-policy-making/
5. Bok, B., Caratelli, D., Giannone, D., Sbordone, A. M., & Tambalotti, A. (2018). Macroeconomic nowcasting and forecasting with big data. Annual Review of Economics, (10), 615–643. https://doi.org/10.1146/annurev-economics-080217-053214
6. Chen, M., Mao, S., & Liu, Y. (2014). Big Data: A Survey. Mobile Networks and Applications, (19), 171–209. https://doi.org/10.1007/s11036-013-0489-0
7. Garboden, P. M. E. (2019). Sources and types of Big Data for macroeconomic forecasting. In Macroeconomic forecasting in the era of Big Data: Theory and practice (pp. 3–23). University of Hawaii Economic Research Organization; UHERO Working Paper 2019‑3. https://uhero.hawaii.edu/wp-content/uploads/2019/07/UHEROwp1903.pdf
8. Giannone, D., Reichlin, L., & Small, D. (2008). Nowcasting: The real-time informational content of macroeconomic data. Journal of Monetary Economics, 55(4), 665–676. https://doi.org/10.1016/j.jmoneco.2008.05.010
9. Hassani, H., & Silva, E. S. (2015). Forecasting with big data: A review. Annals of Data Science, 2(1), 5–19. https://doi.org/10.1007/s40745-015-0029-9
10. Lin, W., & Wei, Y. (2024). Economic forecasting with big data: A literature review. Journal of Management Science and Engineering, 9(2), 254–270. https://doi.org/10.1016/j.jmse.2024.01.003
11. Lysenko, N. O., & Biloshkurska, N. V. (2012). Zastosuvannia vyrobnychoi funktsii Tinbergena pry analizi innovatsiinoi skladovoi ekonomichnoi bezpeky pidpryiemstv APK [Application of the Tinbergen production function in the analysis of the innovation component of the economic security of agribusiness enterprises]. Innovatsiina ekonomika, 4(30), 140–144. (in Ukrainian).
12. Niyati, N., Olubiyi, T. O., Taneja, S., Kaur, M., & Chaudhary, A. (2026). Leveraging AI and Big Data for Interactive and Narrative Marketing Strategies in the Digital Age. In R. Yılmaz & B. Başer (Eds.), AI, Virtualization, and the Future of Marketing (pp. 161-178). IGI Global Scientific Publishing. https://doi.org/10.4018/979-8-3373-8142-8.ch006
13. Olubiyi, T., & Biloshkurska, N. (2026). Digitalization of management processes in enterprises: Implications for efficiency, innovation and resilience in the digital economy. Philosophy and Governance, 1(17), 180–187. https://doi.org/10.70651/3041-248X/2026.1.14
14. Rivery. (2025, May 28). Big data statistics: How much data is there in the world? https://rivery.io/blog/big-data-statistics-how-much-data-is-there-in-the-world/
15. Sharma, M., Mistrean, L., Taneja, S., Olubiyi, T., & Sardana, S. (2026). Harnessing the Power of Big Data: Enhancing Financial Forecasting and Analysis. In A. Kaya (Ed.), Intersecting AI, Neurofinance, and Behavioral Finance for Decision Making (pp. 121–140). IGI Global Scientific Publishing. https://doi.org/10.4018/979-8-3373-1494-5.ch005
16. Statista. (2025). Volume of data created, captured, copied, and consumed worldwide from 2010 to 2029. https://www.statista.com/statistics/871513/worldwide-data-created/
17. Sun, Y., & Zhang, Y. (2024). Research on economic growth forecasting models based on big data. In Proceedings of the 2024 3rd International Conference on Algorithms, Data Mining, and Information Technology (pp. 130–135). ACM. https://doi.org/10.1145/3701100.3701126
18. White, T. (2015). Hadoop: The definitive guide (4th ed.). O’Reilly Media. https://ia902901.us.archive.org/9/items/ebooks_202003/Tom%20White/Hadoop_%20The%20Definitive%20Guide%20-%20Tom%20White.pdf
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Авторське право (c) 2026 Тімілехін О. Олубії, Наталія В. Білошкурська, Алла В. Гуменюк