УДК 004.8:338.2
DOI: 10.36871/ek.up.p.r.2026.03.13.030

Авторы

Асланбек Юпаевич Ахматсултанов,
Латифу Салавдиевна Аюбова,
Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова, Грозный, Россия

Аннотация

В статье рассматриваются интеллектуальные методы оценки качества данных как технологическая основа устойчивого развития цифровой экономики. Обоснована необходимость перехода от фрагментарного контроля полноты, точности и согласованности данных к комплексной интеллектуальной системе, объединяющей вероятностные модели, нечёткую логику, методы обнаружения аномалий и алгоритмы машинного обучения. Особое внимание уделено формированию интегрального показателя качества данных, позволяющего учитывать структурные, семантические и временные дефекты информационных массивов. Показано, что применение интеллектуальных методов повышает достоверность аналитических выводов, снижает риск ошибочных управленческих решений и обеспечивает надёжность цифровых платформ, аналитики и машинного обучения. Подход согласуется с актуальными стандартами качества данных для аналитики и машинного обучения.

Ключевые слова

качество данных, цифровая экономика, интеллектуальные методы, машинное обучение, обнаружение аномалий

Список литературы

  1. Астахова Т.Н., Колбанёв М.О., Сущева Н.В., Шамин А.А. Экономика данных // International Journal of Open Information Technologies. – 2024. – Т. 12, № 10. – С. 129–136. – EDN RATMNH.
  2. Городнова Н.В. Метод оценки качества информационных потока при формировании big data в цифровой экономике // Вопросы инновационной экономики. – 2022. – Т. 12, № 1. – С. 607–624. – DOI 10.18334/vinec.12.1.114142. – EDN IUVZEE.
  3. ГОСТ Р 71484.2–2024. Искусственный интеллект. Качество данных для аналитики и машинного обучения. Часть 2. Показатели качества данных. – Введ. 2025-01-01. – 40 с.
  4. Жагловская А.В., Елисеева Е.Н. Особенности перехода от цифровой экономики к экономике данных // Экономическая наука современной России. – 2024. – № 3(106). – С. 92–104. – DOI 10.33293/1609-1442-2024-3(106)-92-104. – EDN VFEWHC.
  5. Конев К.А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии // Экономика. Информатика. – 2023. – Т. 50, № 3. – С. 689–703. – DOI 10.52575/2687-0932-2023-50-3-689-703.
  6. Лапидус Л.В. Онтогенез цифровой экономики и экономики данных: концепция «интеллектуальная гиперсвязанность в Индустрии X.0» // Российский журнал менеджмента. – 2024. – Т. 22, № 3. – С. 370–400. – DOI 10.21638/ spbu18.2024.302. – EDN OYGMHT.
  7. Леонова О.О., Пупков Д.С. Управление качеством данных в условиях цифровой трансформации государства в сфере интеллектуальной собственности // Вестник ФИПС. – 2026. – Т. 5, № 1(15). – С. 62–72.
  8. Майорова А.Р., Карамышева Н.С., Зинкин С.А. Анализ влияния качества данных на производительность алгоритмов машинного обучения // Вестник Пензенского государственного университета. – 2024. – № 4. – С. 90–93.
  9. Никульчев Е.В., Ильин Д.Ю., Духовенский С.Е., Газанова Н.Ш., Червяков А.А. Методика оценки влияния качества данных на результативность моделей машинного обучения для определения опозданий исполнения контрольных точек проектов // International Journal of Open Information Technologies. – 2025. – Т. 13, № 10. – С. 90–95.
  10. Парамонов Е.С., Иванцов К.А., Мирончук В.А. Исследование востребованности применения методов машинного обучения в цифровой экономике // BENEFICIUM. – 2024. – № 1(50). – С. 22–30. – DOI 10.34680/ BENEFICIUM.2024.1(50).22-30.
  11. Понкратов-Вайсман Б.Д. Качество данных в процессах материально-технического обеспечения и адаптация методологии CRISP-DM // Экономика и управление. – 2025. – Т. 31, № 4. – С. 538–552. – DOI 10.35854/1998-1627-2025- 4-538-552. – EDN IHFYDC.
  12. Черненков Ф.О. Особенности использования больших данных в финансовом секторе // Вестник университета. – 2024. – № 7. – С. 181–189. – DOI 10.26425/1816-4277-2024-7-181-189.