Прогнозирование спроса в электронной коммерции осложняется действием латентных факторов ранжирования и целенаправленных изменений цен, искажающих наблюдаемые продажи относительно истинного спроса. Настоящая работа представляет систематический обзор современных подходов к моделированию спроса с позиций интеграции вероятностного прогнозирования, байесовской оценки неопределённости и каузального анализа. Рассмотрены три ключевых направления: вероятностные глубокие модели временных рядов (DeepAR, Temporal Fusion Transformer, N-BEATS, PatchTST, foundation models Chronos и TimesFM); байесовские нейронные сети и ансамблевые методы оценки неопределённости; методы причинного моделирования ценовых эффектов, включая Double Machine Learning и структурные причинные модели. Проведён сравнительный анализ методов по критериям учёта неопределённости, ранжирования и каузальности. Выявлен фундаментальный пробел - отсутствие архитектур, совместно учитывающих байесовскую неопределённость, position bias и причинные эффекты цены в условиях ненаблюдаемой видимости товара. Предложено направление дальнейших исследований, связанное с разработкой интегрированных байесовско-каузальных моделей с латентными переменными ранжирования для восстановления истинного спроса в условиях электронной торговли.