Статья посвящена проблеме системных искажений в больших данных коммерческих платформ занятости (мультипликация резюме, «мёртвые души», информационная асимметрия), которые препятствуют их прямому использованию для целей макроэкономического анализа и денежно-кредитной политики. Цель работы — разработка и эмпирическая верификация комплексной методологии очистки, взвешивания и калибровки данных онлайн-платформ (hh.ru, «Работа России») для превращения их в надёжные индикаторы рынка труда. Исследование опирается на синтез методов компьютерных наук (NLP на основе эмбеддингов YandexGPT, графовые алгоритмы, поведенческое скорингование) и экономической статистики. Предложен каскадный подход к дедупликации (от точного хэширования до семантического анализа с помощью YandexGPT Embeddings), построена авторская формула взвешивания резюме с учётом поведенческих факторов и активности. Для верификации данных применяются методы триангуляции и калибровки на официальную статистику Росстата с использованием bridge-уравнений. Научная новизна заключается в целостной методологии, объединяющей точную и семантическую дедупликацию с поведенческим взвешиванием и многоуровневой триангуляцией, а также в формулировке набора тестируемых гипотез для эмпирической проверки. Результатом является структура системы оперативных индикаторов рынка труда (Индекс реального предложения труда, Индекс напряжённости, Индекс зарплатного давления, Индекс структурной эффективности), которые могут быть интегрированы в модели прогнозирования Банка России.