Предсказание прибыльного региона нефтедобычи

Описание проекта

ПРОБЛЕМА:

В добывающей компании необходимо принять решение, в каком из 3-х регионов бурить новую скважину.

В каждом регионе 10 000 месторождений, где измерили качество нефти в каждой скважине и объём её запасов.

ЦЕЛЬ ПРОЕКТА:

Построить модель машинного обучения, которая поможет определить лучший регион:

• c наибольшей прибылью от добычи нефти
• c учетом оценки возможных рисков

В нашем распоряжении 3 датасета с пробами нефти в каждом из регионов.

---

ЛИЧНЫЕ ЦЕЛИ:

• Научиться интерпретировать качество моделей с помощью метрики RMSE
• На практике связать модели ML с бизнес-задачами
• Применить знания по технике Bootstrap для оценки прибыли и рисков

Посмотреть проект

Новые навыки

✔️ Линейная регрессия ✔️ Интерпретация ошибок RMSE

✔️ Графики корреляций для оценки предсказаний

✔️ Bootstrapping ✔️ ML для оценки прибыли и рисков

✔️ Доверительные интервалы

Этапы исследования

1. Провели сравнительный анализ объемов запасов нефти и других характеристик скважин для разных регионов

2. Построили для каждого региона модель Линейной Регрессии для предсказания объемов нефти

   • сделали оценку среднего запаса сырья, который модель предсказывает в каждом регионе
   • использовали визуализацию корреляций для интерпретации работы модели и метрик RMSE

3. Реализовали методику расчета прибыли на базе нескольких параметров:

   • бюджет на разработку скважин
   • количество месторождений при разведке региона
   • доход с 1-го барреля сырья

4. Смоделировали риски убытков и возможную прибыль в каждом регионе:

   • выбрали 200 лучших скважин на основе предсказаний модели
   • для оценки вероятностей использовали bootstrapping

Результат проекта

Определили для Заказчика наиболее прибыльный регион для разработки скважин.

1. Исключили регионы №1 и №3, в которых вероятность убытков меньше 2.5%:

   • доля случаев с отрицательной прибылью 3.7% и 8%

2. Выбрали регион №2 с наибольшей средней прибылью:

   • риск убытков: 0.2%
   • вероятная средняя выручка: 580 255 тыс.руб

В выбранном регионе наша линейная модель предсказывает запасы сырья в скважинах с низким уровнем ошибок RMSE = 0.89

Средний запас предсказанного сырья в регионах: 69.750 тыс. баррелей (реальные запасы 69.751 тыс. баррелей)

Бизнес-цель успешно достигнута.

Исходные данные

Для каждого региона отдельный набор данных c характеристиками 100 000 скважин:

	id	f0	f1	f2	product
0	txEyH	0.705745	-0.497823	1.221170	105.280062
1	2acmU	1.334711	-0.340164	4.365080	73.037750
2	409Wp	1.022732	0.151990	1.419926	85.265647
3	iJLyR	-0.032172	0.139033	2.978566	168.620776
4	Xdl7t	1.988431	0.155413	4.751769	154.036647
5	wX4Hy	0.969570	0.489775	-0.735383	64.741541
6	tL6pL	0.645075	0.530656	1.780266	49.055285

• id — уникальный идентификатор скважины
• f0, f1, f2 — три признака точек (их значение не разглашают, но специалисты уверяют - сами признаки значимы)
• product — объём запасов в скважине. (!) тысяч баррелей