Encontrar el valor en los datos. Ese desafío, transversal a todas las industrias, alcanza con particular fuerza al mundo del Oil & Gas. No se trata de un tema menor: según la consultora Gartner, aproximadamente la mitad de los pilotos relacionados con ciencias de datos nunca llegan a estar en producción.

Ejemplos de aplicación

Una de las aplicaciones más transitadas de ciencia de datos en la industria de Oil & Gas es la creación de modelos predictivos para prevenir el downtime de activos o identificar fallas en bombas o varillas de bombeo. Históricamente, para determinar si variables como presión o revoluciones se pasaban de determinado nivel, se las medía con un umbral.

La ciencia de datos permite análisis más sofisticados, complejos y precisos. Por ejemplo, analizar picos locales seguidos por picos mayores para predecir fallas. Para alcanzar este nivel de precisión, se desarrollan algoritmos con machine learning que evalúan enormes cantidades de datos en un espacio de tiempo para analizar patrones y hallar anomalías. Algo que un humano, a ojo, no podría hacer.

Este es apenas un ejemplo: la prevención de la corrosión, la predicción de producción y un etcétera infinito completan el panorama.

El problema del paso a producción

Los datos están disponibles y en enormes cantidades, pero por sí solos no producen nada. Requieren de algoritmos que apuntarán a buscar conocimiento, y las preguntas de negocios que se planteen son tan importantes como los datos en sí.

Aquí aparece el primer problema: cuando la solución es exitosa desde el punto de vista del modelo matemático o estadístico pero no responde a las necesidades del negocio, presenta problemas a la hora de ponerla en producción.

Muchas veces se trabaja un piloto que funciona adecuadamente, pero en el momento de entrar en producción aparecen dificultades para medir el valor real que aporta y hasta inconvenientes para vincularlo con el resto de la infraestructura.

Monetización y desconfianza

Uno de los problemas para entender la monetización de la herramienta es que no se produce de forma directa. La solución no incrementará las ventas, por ejemplo, pero sí atacará un problema que redundará en una mejora en las eficiencias, en un aumento de la productividad o en una reducción de los costos.

Otro obstáculo es la desconfianza respecto de las respuestas que la solución arroja. O porque combina los datos de una manera no trivial que nunca antes se había observado, o porque hay dudas respecto de la calidad de origen de los datos, o porque los modelos se reconocen como falibles.

Una puesta en común

Más allá de lo anterior, el principal cambio que se requiere es cultural. Además, la adopción de MLOps favorece la “traducción” entre el estilo de toma de decisiones de los científicos de datos y el de los responsables de operaciones.

Para la ciencia de datos, fallar es un éxito y parte del camino hacia la mejora continua. Para operaciones, fallar es una tragedia. Es imprescindible vincular ambos mundos para determinar un lenguaje común de trabajo.

Las reservas de oportunidades alrededor de la ciencia de datos para la industria de Oil & Gas son gigantescas. Para aprovecharlas, las empresas del sector deben hacer lo que siempre hicieron, pero sobre otra materia prima: explorar y explotar sus datos.

Contactate con nosotros para conocer más acerca de cómo es posible aprovechar la ciencia de datos en esta industria: CLICK AQUÍ.

Artículo realizado con la colaboración de Daniel Yankelevich, Juan Echagüe y José Jiménez.