Casos de machine learning y analítica para operadoras de petróleo y gas.
Los nombres de clientes figuran solo donde tenemos permiso para compartirlos.
Pan American Energy
Problema
En una operación de recuperación secundaria de gran escala, la conversión de áreas de primaria a secundaria es parte de la rutina. Evaluar y priorizar las áreas candidatas demanda mucho tiempo y trabajo, y a veces no es viable en los plazos que exige la operación.
Enfoque
Desarrollamos una metodología basada en machine learning que ordena las áreas candidatas y predice su EUR (recuperación final estimada) con una incertidumbre explícita, entrenada con los proyectos existentes de la propia compañía.
Desafíos clave
- Integración de datos: fuentes heterogéneas que exigieron un pipeline robusto y un control de calidad riguroso.
- Dataset ambiguo: requirió una selección cuidadosa de algoritmos y ajuste de hiperparámetros.
- Complejidad geológica y de ingeniería: los principios de ingeniería de reservorios fueron clave para construir variables con poder predictivo real.
Resultados
- Metodología entregada en 7 meses, incluido un modelo estadístico para estimar valores faltantes de permeabilidad.
- Validada contra resultados conocidos de producción primaria y secundaria, con gran consistencia respecto del criterio experto de los especialistas de la compañía.
- Aplicada a las áreas candidatas: un ranking de áreas y capas con EUR estimados y sus incertidumbres.
- El esfuerzo de caracterización completa se concentra ahora en las mejores áreas, cumpliendo los plazos que impone el ritmo de la operación.
El trabajo se presentó en CONEXPLO 2026, donde obtuvo el premio al mejor trabajo de la Sección Convencionales.
Mapa de Adopción de IA
Aspenleaf Energy
El proyecto
Consultor líder de analítica y asesor de confianza de los equipos técnicos y de negocio de Aspenleaf durante unos tres años y medio, como principal socio de analítica de la compañía.
Qué construimos
- Netback Calculator (Python/Jupyter + Power BI). El punto de partida era una herramienta en Excel que contenía la metodología básica de reparto de costos, pero solo una persona podía usarla, de a un escenario por vez, copiando valores a mano entre hojas para comparar resultados. La convertimos en una herramienta integrada que toma los datos directamente de los sistemas de origen y asigna costos fijos y variables por pozo, pad e instalación para calcular la economía unitaria por barril. En el tablero de Power BI resultante, el usuario define escenarios de precio del petróleo y activa o desactiva pozos para ver al instante cómo varían los ingresos y el netback.
- Tableros de Power BI de desempeño operativo y comercial.
- Herramientas de pronóstico y modelado predictivo.
Desafíos clave
- Integración de datos: unificar en un único modelo consistente datos repartidos entre bases Oracle, datos de proveedores en Snowflake, ProdView y exportaciones de Excel/CSV.
- De las necesidades a procesos sostenibles: traducir las necesidades de los distintos actores de la operación en procesos sostenibles, con herramientas que aportan claridad y permiten seguir las mejoras en el tiempo.
NimblShift — Analítica organizacional y de RR. HH.
En alianza con NimblShift, consultora de efectividad organizacional, desarrollamos la analítica de sus diagnósticos de RR. HH. y organizacionales: el instrumento de encuesta, la lógica que detecta fortalezas y debilidades, y el informe en Power BI.
Proyectos seleccionados
- Calgary Exchange Group — encuesta de compensación (tres años consecutivos): rediseñamos el instrumento, de un Excel libre a una encuesta estructurada en Qualtrics, y automatizamos un informe de Power BI de más de 40 páginas.
- Boyd — análisis de actividades: encuesta y análisis de la distribución de tareas y tiempo por rol, con un modelo jerárquico y una herramienta en Power BI.
- Evaluación de preparación digital (2021), evaluación de impacto del cambio (2023) y diagnóstico de salud cultural (2024) para organizaciones cliente.
- Evaluación de desempeño de un CEO presentada a su directorio (2024).
Hoy desarrollamos en conjunto NimblAIR, la herramienta de evaluación de preparación para la IA de NimblShift.
Nutrien
Rol
Data Scientist en el Analytics & Insights Center of Excellence de Nutrien, como consultor interno para las áreas de negocio. Fue un puesto en relación de dependencia, anterior a los proyectos actuales de Raffa Group.
Qué hice
- Trabajé con las áreas de negocio para identificar casos de uso y relevar requisitos.
- Desarrollé y entrené modelos de machine learning en AWS SageMaker; el equipo de ingeniería los llevó a producción.
- Detecté dónde el negocio tenía dudas sobre los modelos y creé visualizaciones que hicieron comprensibles las incertidumbres.
Resultado
La devolución fue que logré tender un puente entre los datos y el negocio. Hacer visible la incertidumbre generó la confianza que el negocio necesitaba para actuar sobre los modelos, y fue clave para el éxito del proyecto.