В статье рассматривается проблема разработки масштабируемых информационных систем для мониторинга и прогнозирования социально-экономической динамики регионов в условиях цифровой трансформации. Актуальность исследования обусловлена ростом объемов данных, генерируемых экономическими агентами, и необходимостью их оперативной обработки для принятия управленческих решений. Целью работы является разработка архитектуры системы хранения и обработки данных, адаптированной для задач регионального управления, с использованием технологий потоковой обработки и машинного обучения. В качестве эмпирической базы использованы данные, аналогичные биржевым котировкам, как модель высоконагруженных временных рядов. Предложена оригинальная архитектура системы, основанная на принципах kappa-архитектуры с использованием брокера сообщений Kafka, СУБД временных рядов QuestDB и платформы управления жизненным циклом моделей MLflow. Проведено сравнение производительности СУБД QuestDB и TimescaleDB, выявившее преимущества первой при записи данных малыми пакетами в реальном времени. Разработан прототип модели машинного обучения для прогнозирования роста показателей, интегрированный в систему через контейнеризацию Docker. Особое внимание уделено возможности адаптации данной архитектуры для задач «цифрового двойника» региона, мониторинга инвестиционной привлекательности и прогнозирования бюджетных рисков. Результаты исследования демонстрируют возможность создания отказоустойчивых инструментов поддержки принятия решений для органов власти, обеспечивающих раннее выявление экономических угроз и оценку эффективности государственных политик.