Современная нефтегазовая отрасль является локомотивом цифровизации процессов и производства, использования машинного обучения для моделирования технологических процессов. Бизнес компании подразумевает добычу, транспортировку и переработку нефтепродуктов, и, с одной стороны, требует чёткой и слаженной работы различных бизнес-департаментов, а с другой – сопряжён с большим количеством рисков.
Для управления производственными и бизнес-рисками Chesapeake собирает большое количество данных и анализирует их на регулярной основе. Компания использовала централизованную модель, когда данные сначала собирались с региональных подразделений в головной офис, а уже оттуда загружались в AWS для аналитики. Такой подход работал на устаревшей архитектуре, был связан с большими задержками, и требовал большого количества ресурсов для поддержания инфраструктуры головного офиса. Интеграция новых систем и вывод новых процессов в продуктив выполнялись очень долго.
Чтобы ускорить аналитику и получить больше возможностей для сбора и анализа данных, Chesapeake Energy пересмотрели всю архитектуру сбора данных, а также построили аналитику на современных интеграционных и аналитических решениях, таких как Mulesoft, dbt, Snowflake. Использование BMC Control-M в роли оркестратора всех процессов сбора и обработки данных позволило собирать данные напрямую из региональных подразделений и анализировать их в AWS, в то же время улучшив прозрачность всех процессов, ускорив интеграцию и вывод новых процессов в продуктив.
Использование новой платформы и Control-M, как единого связующего звена, управляющего процессами сбора, интеграции и обработки данных дало компании безграничные возможности по сбору данных, тогда как до реализации проекта только часть данных можно было собрать и проанализировать. Расширенная аналитика данных уже экономит компании $9M ежегодно, благодаря возможности обнаружения гидратов в трубопроводах. Экономия ещё $10M ожидается от расширенного функционала оповещений локальных команд о статусе течения процессов сбора и обработки данных, и своевременного реагирования на инциденты. Новую ценность также привнесёт и объединение 4 имеющихся платформ сбора и обработки данных в одну и управление ей с помощью BMC Control-M. Упростится сбор данных с датчиков и сенсоров, подготовка данных для моделей машинного обучения.