У статті досліджено підходи до прогнозування напрямів розвитку ІТ-ринку на основі методів машинного навчання. Актуальність роботи зумовлена високою динамікою цифрової економіки, швидкими змінами технологічних трендів та потребою у науково обґрунтованих інструментах аналізу ІТ-сфери. Метою дослідження є побудова моделі прогнозування, здатної виявляти закономірності у соціально-економічних, технологічних та поведінкових показниках, що визначають стан і перспективи розвитку ІТ-ринку.
У роботі використано методи аналізу часових рядів, кореляційно-регресійного моделювання та машинного навчання – зокрема, алгоритми випадковий ліс, градієнтне бустування і довга короткочасна пам’ять. Для формування вибірки об’єднано макроекономічні індикатори (ВВП, обмінний курс, індекс споживчих цін), показники ІТ-ринку (рівень заробітної плати, попит на вакансії, обсяг експорту ІТ-послуг) та поведінкові дані (індекси пошукових запитів Google Trends). Проведено попередню обробку даних, нормалізацію ознак і тестування стаціонарності часових рядів.
Отримані результати засвідчили, що моделі випадковий ліс та довга короткочасна пам’ять забезпечують найвищу точність прогнозу (R² > 0.85), що дозволяє ефективно виявляти як коротко-
, так і середньострокові тенденції розвитку ІТ-ринку. Встановлено ключові предиктори динаміки ринку – рівень споживчих витрат, середню заробітну плату та індекс популярності ІТ-запитів.
Практична цінність дослідження полягає у можливості використання запропонованих моделей для підтримки стратегічних рішень у сфері цифрової економіки, планування освітніх і кадрових політик, а також прогнозування технологічних трендів у національному ІТ-секторі.
- Alwanin, R., Bchir, O., & Ben Ismail, M. M. (2025). Gradient boosting-based simultaneous classification and regression approach. IEEE Access, PP(1), 1–1. https://doi.org/10.1109/ACCESS.2025.3576086
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2016). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons. https://www.wiley.com/en-us/Time+Series+Analysis:+Forecasting+and+ Control,+5th+Edition-p-9781118675021
- Bustos, O., Pomares-Quimbaya, A., & Stellian, R. (2025). Machine learning, stock market forecasting, and market efficiency: A comparative study. International Journal of Data Science and Analytics, 20, 6815–6839.
- CB Insights. (2025). State of the global tech market report 2025. CB Insights Research.https://www. cbinsights.com/research
- Chollet, F., & Allaire, J. J. (2022). Deep learning with R (2nd ed.). Manning Publications. https://www.manning.com/books/deep-learning-with-r-second-edition
- Elkan, C. (2010). Predictive analytics and data mining for business intelligence. Information Processing & Management, 59(3), 102901. https://www.researchgate.net/publication/228780185_Predictive_analytics_and_data_mining
- Fatima, H., Tahir, B., & Hamid, K. (2025). Hybrid ARIMA and LSTM deep learning models empowering and enhancing forecast accuracy in sales. Spectrum of Engineering Sciences, 3(9), 117–133. https://www.sesjournal.org/index.php/1/article/view/96
- Gartner. (2024). Top 10 Strategic Technology Trends for 2026.. Gartner Inc.https://www.gartner.com/en/research
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.https://www.deeplearningbook.org
- Hewamalage, H., Bergmeir, C., & Bandara, K. (2021). Recurrent neural networks for time series forecasting: Current status and future directions. International Journal of Forecasting, 37(1), 388–427.
- McKinsey & Company. (2025). AI-driven forecasting: How machine learning reshapes technology market planning. McKinsey Global Institute.https://www.mckinsey.com/mgi
- Panchal, S., Ferdouse, L., & Sultana, A. (2024). Comparative analysis of ARIMA and LSTM models for stock price prediction. In Proceedings of the 2024 IEEE International Conference on Software, Networking and Parallel/Distributed Processing (SNPD) (pp. 240–244). IEEE. https://doi.org/10.1109/SNPD61259. 2024.10673919.
- Shah, R., Bhutia, T., Manga, D., Limboo, H., & Rai, M. (2025). Trends in ensemble learning and model optimization. Expert Systems with Applications, 228, 120586. https://doi.org/10.24874/QF.25.135
- World Bank. (2024). Digital economy indicators database.https://databank.worldbank.org/source/digital-economy