En este episodio conversamos con Francesco Giorgetti, liderando la práctica de analítica en SierraCol. Francesco tomó el podcast desde Bogotá. Nos contó que llegó a trabajar en analítica comenzando por trabajar con Excel y tropezándose con R en el 2013 para unir sus pasiones en la industria petrolera y la estadística. Lo movió la curiosidad y luego fue tomando capacitaciones.
Hablamos de la visión de su equipo de 3 personas con el objetivo de crear valor a través de analítica de datos, impactando métricas del negocio, y de forma sostenible. Lo de hacerlo sostenible es clave, porque lo que buscan es que esos análisis buenos que a veces se hacían en diferentes partes de la organización, queden documentados y se puedan hacer repetibles en el tiempo. Mas allá de desarrollar productos de datos de valor, el enfoque es también en generar una mentalidad y un cambio a nivel organización.
Como muchas organizaciones que ya han hecho algunos buenos desarrollos y que a veces quien los hace se va de la organización y entonces el conocimiento se pierde, o que desarrollaron pruebas de concepto buenas que luego no se llevan a implementar a escala, este tipo de iniciativas buscan formalizar esfuerzos de analítica y requieren cierta estructura para la generación de valor.
Francesco nos hizo un resumen de la industria Oil & Gas y los desafíos de analítica. Comenzando con entender las diferentes etapas que se manejan: (1) exploración (2) perforación de pozos (3) extracción (4) transporte a refinerías (5) productos finales creados en refinerías (6) comercialización de productos. Cada una de estas etapas tiene datos y procesos muy diferentes. Durante esta conversación nos enfocamos en perforación dónde hay 2 grandes tipos de datos:
- Datos de superficies, principalmente de sensores que se ubican en tuberías y otros lugares. Típicamente estos datos sirven para mantenimiento predictivo y detección de fallas
- Datos de subsuelo, complejos y caros de conseguir porque suelen requerir perforaciones de cinco mil metros (5,000 mts). Permiten inferir que es lo que pasa entre varios pozos a través de modelos analíticos y numéricos que buscan hacer predicciones
Francesco nos dio ejemplos de proyectos, comenzando con una clara caracterización del tipo de problemas que se ven en Oil & Gas. A diferencia de casos como netflix haciendo predicciones para dar recomendaciones de películas a usuarios, donde existen muchos datos y errar no es tan caro; en Oil & Gas los datos no abundan y errar tiene un alto costo. Como ejemplos de proyectos hablamos de (1) predicciones de producción en campos de petróleo (uso de algoritmos y geoestadística), y (2) flujo de trabajo automatizado para hacer predicciones de producción de alrededor de 1000 pozos, que antes se hacía de forma manual y con xlsx en cada uno de los pozos (reconstrucción de modelos a R, conexión directa a base de datos, mejoras en desvío standard).
Pensando en el futuro, Francesco nos comentó que según lo que el ve, lee y experimenta en su día a día de analítica, lo llevan a pensar en un futuro con mas casos de automatización de procesos y automatización de operaciones (ya existen casos de pozos que se perforan de forma semi-automática). También está viendo cada vez mas uso de realidad aumentada en seguridad industrial. Finalmente, la democratización permitiendo que la gente pueda usar e interpretar el machine learning, junto con el abaratamiento de costos de sensores, todos juntos van a seguir teniendo un impacto en esta industria.