В статье рассматриваются теоретико-методологические основы интеграции сценарного анализа и многомерных байесовских моделей машинного обучения. Сценарный анализ представлен как инструмент стратегического планирования в условиях радикальной неопределённости, позволяющий формировать альтернативные траектории развития сложных систем. В свою очередь, байесовские модели в машинном обучении - в том числе Bayesian additive regression trees (BART), байесовские нейронные сети (BNN) и вариационные байесовские методы - обеспечивают формальное представление априорной неопределённости и латентной структуры данных. Особое внимание уделено методам построения условных прогнозов и обобщённых функций импульсного отклика (GIRF), адаптированным для нелинейных и непараметрических моделей. Обоснована практическая значимость данного подхода в макроэкономическом моделировании, энергетическом планировании и оценке инвестиционных рисков.