大數據改變能源未來

Kristen+Etheredge+Vivek+Chidambaram+Hugo+Evans

一直以來，石油天然氣行業都知道如何處理大量的數據。然而，提升數據分析能力、增進分析洞察的產生速度和深度，將為其帶來顯著的競爭優勢。

雖然并不容易，但石油和天然氣公司一直在進行各種數據收集。隨著新信息系統和分析工具的出現，石油和天然氣公司的采購部門可以依靠大數據做出更加明智的、對實際績效產生真正影響的采購決策。

設想這樣一個場景：品類經理可以把各種操作環境下的閥門、燃燒裝置或吊車裝置的故障率與具體設備的品牌、機型信息相關聯，找出其中的關系。或者，供應鏈人員能夠通過了解設備維護服務人員的經驗水平，從而更加準確地預測何時需要更換零件。這些都是大數據在制造業領域的實際應用，并且類似的成功案例還在不斷增加。采購組織是這些數據的神經中樞，如果能充分利用那些一直存在但很難整合的數據，就可以對設備運行狀況、成本和項目執行情況等指標產生重大影響。本文將專門探索大數據在石油天然氣（O&G）行業的應用，當然這些應用也適用于很多其他行業。

能源中的信息化價值

石油天然氣行業處于勘探開采技術的最前沿，會對高性能集群、大儲層模型、地震模型和大量的生產數據進行定期分析。因此，在這個行業，大的數據量和高級分析建模（大數據）的應用并不是一個新的概念。

然而，大數據分析通常運用于那些在數量、多樣性和變化速度上都較為突出的領域。近期的發展讓石油天然氣行業的高層管理人員不得不努力追趕其他行業的步伐——如金融、媒體和消費品行業——這些行業利用非結構化的數據來源（基于視頻、文本和社交媒體等）獲得差異化的競爭力情報。這些行業開始快速吸收新的分析技術，用于數據挖掘和提高傳統分析能力。而大數據分析與其說是對大量不同數據的快速處理，不如說是某種預設機制下的程序執行。這些執行工作需要大規模的跨部門數據訪問，并通過高級分析得出獨特見解，積極識別機會并解決問題，從而創造新的價值。成功實施大數據項目不僅僅是依靠技術，需要的是商業和IT組織技能的根本性轉變，是企業高層對建設和營造“數據分析文化”的不懈追求。

通常來說，石油天然氣行業包括很多專業的油田服務（OFS）供應商，項目周期長、成本上漲可能性大、各供應商之間的系統連接性和專業化程度不同等。這樣復雜的結構導致數據收集需要跨越多個供應商或公司內的多個部門。大數據分析的進步使石油天然氣行業能夠從新的視角重新審視以往的數據——捕捉不同平臺的已經存在的數據，并將這些數據連接起來，以促成有意義的商業決策。

如同互聯網對信息獲取方式帶來的巨大改變，對已經存在的海量數據進行分析，從而預測未來趨勢并支持采購決策，也從根本上改變了石油天然氣公司采購部門的運行方式。

石油和天然氣行業的數據

所有石油天然氣公司都會收集各種各樣的運行表現數據。例如，勘探與生產（E&P）公司收集地質和地球物理學信息、鉆井日志、供應商信息、項目數據、傳感器輸出和人力資源信息等。每個領域單獨處理這些數據可以使各部門不斷完善自身的跟蹤和衡量指標。例如，服務和設備采購成本得到控制、服務供應商的停機時間得到監控、生產延期也得到持續改善。但這樣的結果是，各領域都只能是單獨優化而非協同優化，這限制了整個組織所能實現的總價值。要想在運營績效上實現真正突破的表現，需要能夠全面審視整條價值鏈上這些相互關聯的活動，分析它們的潛在總體影響。

公司內部打通信息孤島和衡量總擁有成本的努力往往會被數據的可獲取性阻礙（數據通常存儲在不同的信息系統或軟件中，項目數據的更新周期也較長，書面信息和各種不同格式的數據亦很難處理）。而近期分析技術的進步促進了數據處理能力和專業性的提升，從而可用于識別相互關系，得出過去無法發覺的洞察，包括：

相同規格下，相似設備的哪些部分（例如燃燒裝置或分離裝置）導致了更高的運行成本？哪些供應商生產這些裝置？將對運營產生怎樣的影響？

如何決定具有獨特特點的各種頁巖油田的維護頻率？

哪些供應商關系和KPI需要優化？

人員配置和人才管理如何影響項目執行情況？

這種類型的問題促使大數據分析在石油和天然氣公司中的積極應用，其中采購就是大數據分析應用的新領域之一。

采購應用

采購部門面臨的最大挑戰是設備工程師和現場管理工程師的不滿——他們總是面臨許多設備運行的問題或服務問題，雖然這些設備和服務都是嚴格按照技術規格進行采購和運維的。比如，某家供應商的燃燒裝置運轉不佳，但又找不到明顯的問題;脫水機漿槽經常需要維修;閥門經常堵塞;油井管腐蝕過快等。這樣或那樣的現場問題出現時，大家總是容易質疑之前的采購決策。如果可以采用系統化的方式來進行數據分析，這些數據就可能用來改善采購表現，明確設備和服務的具體的、量化的改進措施。然而，采購決策過程中往往很少考慮所采購零件的現場數據和歷史表現數據（雖然這方面的數據存在，但是項目采購緊迫的時間壓力和傳統的基于Excel分析的局限性，導致這些信息難以被使用）。沒有實際數據和設備運行表現的反饋，采購團隊無法掌握關鍵的總擁有成本信息，無法做出全面的設備選擇。因此，下一階段的采購效率的提升可通過整合運營數據，以及以數據分析為基礎的思維模式來實現。

即使采購部門考慮了運行數據，往往也僅限于優化與KPI息息相關的，或大家所熟悉的成本項（比如安裝成本和服務成本），很少整合操作人員的反饋、具體零件、供應商或設備設計方面數據。利用大數據概念使采購團隊能夠快速收集更多信息，并與日常運營團隊保持更有效的溝通和協調，可以做出跨越設備生命周期的、更合理的采購決策。這首先需要收集不同系統和部門的數據，然后進行恰當的分層和分類來識別這些跨部門數據之間的關系和趨勢。它包含三個關鍵要素：實用的行業知識，深度的運營專業知識、扎實的數據分析技能。

幫助團隊決策

基于數據的決策機制還可對歷史數據進行收集和梳理，彌補行業內因經驗豐富的人員退休所面臨的人才缺口。應用大數據分析不僅可以改善當前的日常運營，還可作為企業關鍵信息保存的平臺，使團隊做出更好的決策。

舉例來說，運營生產數據一般涉及監測（油井和設備監測）和維護的團隊（見圖1）。設備故障模式也存在若干種。有些故障受油藏地質情況影響，很難完全避免，但是有些可通過采購數據分析來改善和預防，如將供應商信息、事件時間、規格與現場運行表現進行相關性分析。

很多信息系統和數據分析專家通常缺乏在油氣行業實操操作、進行數據價值挖掘的行業經驗。將數據分析專家和石油天然氣行業的運營專家結合，方能有助于數據分類和組織，從而實現在一個現實的運營環境中預測、查找設備運行問題，形成與具體零件及供應商相關的分析結論，使采購部門做出更好的采購決策。此外，采購作為公司職能部門之一，采購人員也需要更好地掌握這些分析工具。

一直以來，石油天然氣行業都知道如何處理大量的數據。然而，提升數據分析能力、增進分析洞察的產生速度和深度，將為其帶來顯著的競爭優勢。在采購活動中采用高級數據分析應用需要打破信息孤島、開發數據分類方法、分析相互關系、輸出可視化分析結果，從而釋放大數據分析力量。IT和信息系統工作人員通常不具備行業知識，無法真正理解這些大量的數據，而具備行業知識的專業人員卻又不懂實用的數據分析技術;分析能力和行業知識兩者相結合才可以形成強強聯合優勢。

最后，一個全面的大數據項目可使采購部門將設備運行問題和改進措施與具體供應商、產品聯系起來，從而形成360度的全方位的供應商績效管理。

（本文作者單位均為科爾尼公司）