本文将专门探索大数据在石油天然气(O&G)行业的应用,当然这些应用也适用于很多其他行业。

    石油天然气行业处于勘探开采技术的最前沿,会对高性能集群、大储层模型、地震模型和大量的生产数据进行定期分析。因此,在这个行业,大的数据量和高级分析建模(大数据)的应用并不是一个新的概念。

    然而,大数据分析通常运用于那些在数量、多样性和变化速度上都较为突出的领域。近期的发展让石油天然气行业的高层管理人员不得不努力追赶其他行业的步伐——如金融、媒体和消费品行业——这些行业利用非结构化的数据来源(基于视频、文本和社交媒体等)获得差异化的竞争力情报。这些行业开始快速吸收新的分析技术,用于数据挖掘和提高传统分析能力。而大数据分析与其说是对大量不同数据的快速处理,不如说是某种预设机制下的程序执行。这些执行工作需要大规模的跨部门数据访问,并通过高级分析得出独特见解,积极识别机会并解决问题,从而创造新的价值1。成功实施大数据项目不仅仅是依靠技术,需要的是商业和IT组织技能的根本性转变,是企业高层对建设和营造数据分析文化的不懈追求。

    通常来说,石油天然气行业的包括很多专业的油田服务(OFS)供应商,项目周期长、成本上涨可能性大、各供应商之间的系统连接性和专业化程度不同等。这样复杂的结构导致数据收集需要跨越多个供应商或公司内的多个部门。大数据分析的进步使石油天然气行业能够从新的视角重新审视以往的数据——捕捉不同平台的已经存在的数据,并将这些数据连接起来,以促成有意义的商业决策。

    如同互联网对信息获取方式带来的巨大改变,对已经存在的海量数据进行分析,从而预测未来趋势并支持采购决策,也从根本上改变了石油天然气公司采购部门的运行方式。

 

石油和天然气行业的数据

    所有石油天然气公司都会收集各种各样的运行表现数据。例如:勘探与生产(E&P)公司收集地质和地球物理学信息、钻井日志、供应商信息、项目数据、传感器输出和人力资源信息等。每个领域单独处理这些数据可以使各部门不断完善自身的跟踪和衡量指标。例如,服务和设备采购成本得到控制、服务供应商的停机时间得到监控、生产延期也得到持续改善。但这样的结果是,各领域都只能是单独优化而非协同优化,这限制了整个组织所能实现的总价值。要想在运营绩效上实现真正突破的表现,需要能够全面审视整条价值链上这些相互关联的活动,分析它们的潜在总体影响。

    公司内部打通信息孤岛和衡量总拥有成本的努力往往会被数据的可获取性阻碍(数据通常存储在不同的信息系统或软件中,项目数据的更新周期也较长,书面信息和各种不同格式的数据亦很难处理)。而近期分析技术的进步促进了数据处理能力和专业性的提升,从而可用于识别相互关系,得出过去无法发觉的洞察,包括:

  • 相同规格下,相似设备的哪些部分(例如燃烧装置或分离装置)导致了更高的运行成本?哪些供应商生产这些装置?将对运营产生怎样的影响?
  • 如何决定具有独特特点的各种页岩油田的维护频率?
  • 哪些供应商关系和KPI需要优化?
  • 人员配置和人才管理如何影响项目执行情况?

    这类类型的问题促使大数据分析在石油和天然气公司中的积极应用,其中采购就是大数据分析应用的新领域之一。

 

采购应用

    采购部门面临的最大挑战是设备工程师和现场管理工程师的不满——他们总是面临许多设备运行的问题或服务问题,虽然这些设备和服务都是严格按照技术规格进行采购和运维的。比如,某家供应商的燃烧装置运转不佳,但又找不到明显的问题;脱水机浆槽经常需要维修;阀门经常堵塞;油井管腐蚀过快等。这样或那样的现场问题出现时,大家总是容易质疑之前的采购决策。如果可以采用系统化的方式来进行数据分析,这些数据就可能用来改善采购表现,明确设备和服务的具体的、量化的改进措施。然而,采购决策过程中往往很少考虑所采购零件的现场数据和历史表现数据(虽然这方面的数据存在,但是项目采购紧迫的时间压力和传统的基于Excel分析的局限性,导致这些信息难以被使用)。没有实际数据和设备运行表现的反馈,采购团队无法掌握关键的总拥有成本信息,无法做出全面的设备选择。因此,下一阶段的采购效率的提升可通过整合运营数据,以及以数据分析为基础的思维模式来实现。

    即使采购部门考虑了运行数据,往往也仅限于优化与KPI息息相关的、或大家所熟悉的成本项(比如安装成本和服务成本),很少整合操作人员的反馈、具体零件、供应商或设备设计方面数据。利用大数据概念使采购团队能够快速收集更多信息,并与日常运营团队保持更有效地沟通和协调,可以作出跨越设备生命周期的、更合理的采购决策。这首先需要收集不同系统和部门的数据,然后进行恰当的分层和分类来识别这些跨部门数据之间的关系和趋势。它包含三个关键要素:实用的行业知识,深度的运营专业知识、扎实的数据分析技能。

 

    基于数据的决策机制还可对历史数据进行收集和梳理,弥补行业内因经验丰富的人员退休所面临的人才缺口。应用大数据分析不仅可以改善当前的日常运营,还可作为企业关键信息保存的平台,使团队做出更好的决策。

 

    举例来说, 运营生产数据一般涉及监测(油井和设备监测)和维护的团队(见图1)。设备故障模式也存在若干种。有些故障受油藏地质情况影响,很难完全避免,但是有些可通过采购数据分析来改善和预防,如将供应商信息、事件时间、规格与现场运行表现进行相关性分析。

    很多信息系统和数据分析专家通常缺乏在油气行业实操操作、进行数据价值挖掘的行业经验。将数据分析专家和石油天然气行业的运营专家结合,方能有助于数据分类和组织,从而实现在一个现实的运营环境中预测、查找设备运行问题,形成与具体零件及供应商相关的分析结论,使采购部门做出更好的采购决策。此外,采购作为公司职能部门之一,采购人员也需要更好地掌握这些分析工具。有关人才培养的问题,我们将在以后的文章中探讨,但是有一点非常重要,员工建立以定量的数据分析为主导的解决问题方式,必须熟悉基本的分析方法,这样才能直接参与分析洞见的挖掘和传播。

 

总结

    一直以来,石油天然气行业都知道如何处理大量的数据。然而,提升数据分析能力,增进分析洞察的产生速度和深度,将为其带来显著的竞争优势。在采购活动中采用高级数据分析应用需要打破信息孤岛、开发数据分类方法、分析相互关系、输出可视化分析结果,从而释放大数据分析力量。IT和信息系统工作人员通常不具备行业知识,无法真正理解这些大量的数据,而具备行业知识的专业人员却又不懂实用的数据分析技术;分析能力和行业知识两者相结合才可以形成强强联合优势。

    基于数据的决策机制还可以对历史数据进行梳理,弥补行业内因经验丰富的人员退休所面临的人才缺口。应用大数据分析不仅可以改善当前的日常运营,还可作为企业知识管理、经验总结的关键信息,使团队做出更好的决策。最后,一个全面的大数据项目可使采购部门将设备运行问题和改进措施与具体供应商、产品联系起来,从而形成360度的全方位的供应商绩效管理。

 

1 高级分析方法指的是复杂的分析技术,包括统计建模、预测性分析、文本挖掘 分析、模拟、优化和可视化

译者

吴江
科尔尼公司副总裁
常驻上海办事处
Jiang.wu@atkearney.com

 

高爽
科尔尼公司经理
常驻上海办事处
Shuang.gao@atkearney.com