Цель работы: разработка методики скоринга источников в многоуровневой системе качества данных для оценки состояния критичных источников информационной безопасности, в частности SOC (Security operation center), в антифродсистемах, системах искусственного интеллекта, использующих SLM (Small Language Models - малые языковые модели). Методы: аккумуляции знаний научных публикаций в области алгоритмов оценки качества данных, технологий работы корреляционных ядер, механизмов скоринга весов в антифрод-системах; обобщены методики и алгоритмы систем качества данных. Результаты: показано, что предложенная методика оценки качества данных в многоуровневой системе мониторинга обеспечивает снижение влияния низкого качества данных на критичные системы путем своевременного информирования об отклонениях в данных; проведен анализ алгоритмов расчета качества данных в международных системах оценки данных и показаны преимущества представленного подхода в работе.

In the contemporary digital environment, data quality has become a crucial element affecting the reliability and effectiveness of cybersecurity systems, anti-fraud mechanisms, and artificial intelligence solutions utilizing Small Language Models (SLM). The implementation of a multilevel data quality scoring methodology, covering comprehensive monitoring from basic infrastructure checks, statistical analysis, primary data quality assessments, behavioral anomaly detection, to synthetic data testing, ensures effective and timely identification of data anomalies and inconsistencies. Poor data quality can significantly compromise critical systems, leading to operational disruptions, overlooked cybersecurity threats, financial losses, and increased risks. A systematic approach integrating accumulated scientific knowledge on data quality assessment algorithms, correlation engine technologies, and scoring mechanisms specifically designed for anti-fraud systems substantially enhances the effectiveness of data management. Comparative analysis with existing international data quality evaluation methodologies clearly demonstrates the advantages of the proposed multilevel scoring approach in terms of accuracy, practicality, and reliability, making investment in robust data quality management a strategic priority in today’s data-driven landscape.