ПРЕДПОСЫЛКИ ВНЕДРЕНИЯ ПРОГНОЗНОЙ АНАЛИТИКИ В НЕФТЕДОБЫВАЮЩЕЙ КОМПАНИИ

PREREQUISITES FOR IMPLEMENTING PREDICTIVE ANALYTICS IN AN OIL COMPANY

Natalia Kim

student, Department of automatization, National Research Technological University “MISiS”,

Russia, Moscow

АННОТАЦИЯ

В статье предложен анализ предпосылок и обоснование для успешного внедрения аналитических систем в нефтедобывающих компании с учетом специфики. Также подведены итоги результатов прогнозирования добычи нефти по различным месторождениям российской нефтедобывающей компании двумя способами.

ABSTRACT

The article offers an analysis of the prerequisites and justification for the successful implementation of analytical systems in oil companies, taking into account the specifics. The results of oil production forecasting for various fields of the Russian oil company are also summarized in two ways.

Ключевые слова: прогнозная аналитика, SAP, MS Excel, нефтедобывающая компания

Keywords: predictive Analytics, SAP, MS Excel, oil company

Введение.  В настоящее время большое количество информации являются ключевым триггером для развития технологий, которые будут заниматься их обработкой и служить инструментом для принятия управленческих решений. В нефтяном секторе на протяжении долгого времени не внедрялись современные информационные системы, так как из-за высоких цен на нефть и нефтепродукты не было необходимости в таких драйверах для роста.

Но с развитием тенденции оптимизации процессов и повышения эффективности операционной работы за последние 10 лет нефтяные компании преуспели и реализовали множество проектов для автоматизации анализа данных.

Предиктивная или прогнозная аналитика – это совокупность методов статистического анализа, которые моделируют будущие результаты, исходя из полученных за прошлые периоды, исторических данных. В последствие полученная информация помогает прогнозировать будущие показатели и является основой для корректировки бизнес-стратегии и принятии управленческих решений. В фундаменте предиктивной аналитики заложен поиск связей и закономерностей между различными факторами, также выявлением ключевых драйверов для контроля итоговых показателей.

Данное исследование в основном сосредоточено на анализе результатов и перспектив от внедрения предиктивной аналитики в нефтедобывающей российской компании.

Предпосылки к внедрению.

Можно выделить следующие предпосылки для внедрения инструментов прогнозной аналитики в нефтедобывающий процесс:

• высокая стоимость технического обслуживания промышленного оборудования;
• достаточно высокие критерии к безопасности на производстве и охране окружающей среды;
• повышение цен на ресурсы, используемые в производстве;
• снижение качества получаемой продукции и сырья;
• частые внеплановые ремонтные работы и таким образом нарушение производственного цикла.

Для успешного построения предиктивной модели рекомендовано следовать следующим стадиям: постановка цели, получение данных из различных источников, подготовка данных, создание предикативной модели, оценка модели, внедрение модели, мониторинг эффективности модели.

Для обучения и выдачи наиболее правильного прогноза необходимо иметь непрерывный сбор текущих данных и достаточное количество исторических данных (минимальное набор исторических данных для алгоритмов SAP Predictive Analytics и SAP HANA - 36 строк).

При продвижении инструментов предиктивного анализа компании довольно часто сталкиваются с проблемой недостатка данных, что становится непреодолимым барьером на пути к прогнозированию.

Подготовленная основа для внедрения аналитических систем.

За счет использования технологических датчиков и беспроводной связи с визуализацией предоставляется возможность к дистанционному мониторингу за оборудованием и аналитике по нефтедобыче. Вся эта экосистема помогает создать интеллектуальное месторождение, и в результате получаем: оптимизация производства, управление рисками, сокращение простоев оборудования, вероятности незапланированного технического обслуживания и посещений скважин. И это все направлено на снижение операционных расходов.

Умные месторождения стали возможны благодаря следующим факторам:

1. в последнее десятилетие активно развивались технологии удаленного управления скважинами,
2. с появлением новых ИТ-решений увеличивалась точность моделирования геологии, эффективность анализа истории разработки оборудовании.

Если объединить вышеперечисленные два направления, то это и будет умное месторождение.

Важно пробовать различные методы для анализа и прогнозирования данных, существует достаточно большое разнообразие информационно аналитических инструментов, например, построение регрессионной модели в MS Excel из пакета Microsoft Office 2020 или использование алгоритмов SAP Predictive Analytics и SAP HANA.

MS Excel из пакета Microsoft Office 2020.

По результатам использования инструмента аналитики MS Excel и построение прогнозной модели по добыче нефти за период с 2017-2018 год помесячных данных, прогнозная модель на 2019 год была составлена с отклонением в 4,6% от фактической добычи, что является хорошим результатом для данного показателя.

Алгоритмы SAP Predictive Analytics и SAP HANA.

Алгоритмы на базе SAP Predictive Analytics показали немного больше отклонение относительно аналитики MS Excel около 5,1%, используя те же данные для прогноза, но это также допустимый показатель для планирования и использования в бизнес-стратегии компании, в дополнении данный инструмент сразу позволяет удобно визуализировать результаты прогноза.

Заключение.

Сравнивая результаты, полученные с использованием различных инструментов, можно сделать вывод, что современные инструменты для прогнозирования показателей предоставляют качественные результаты с минимальным процентом отклонения.

Использование больше исторических данных и добавление различных драйверов для прогноза помогут скорректировать точность результатов и тем самым понизит процент отклонения.

Данная работа может быть продолжена с использованием дополнительных инструментов для прогнозирования и последующим сравнением, а также расширением набора связных аналитик.

Список литературы:

1. Мижериков В.А., Юзефавичус Т.А. Введение в информационные технологии: учеб. пособие. М.: Информатика, 2005. — 352 с.М.М. Хасанов, (ПАО «Газпром нефть»), Д.О. Прокофьев, PhD, О.С. Ушмаев, Б.В. Белозеров, Р.Р. Гильманов, А.С. Маргарит ПЕРСПЕКТИВНЫЕ ТЕХНОЛОГИИ BIG DATA В НЕФТЯНОМ ИНЖИНИРИНГЕ: ОПЫТ КОМПАНИИ «ГАЗПРОМ НЕФТЬ» // Научно-Технический Центр «Газпром нефти». — 18 ЯНВАРЯ 2017. [электронный ресурс] — Режим доступа. — URL: https://ntc.gazprom-neft.ru/research-and-development/papers/13596/ (дата обращения 02.05.2020)
2. Дарья Козлова, Денис Пигарев Цифровая добыча нефти: тюнинг для отрасли // VYGON Consultuing. — июнь 2018. [электронный ресурс] — Режим доступа. — URL: https://vygon.consulting/upload/iblock/d11/vygon_consulting_digital_upstream.pdf (дата обращения 02.05.2020)