编者注：SCM 论文《使用机器学习推荐系统减少油井停机时间》由 Jesús Madrid 和 Andrew Min 撰写，由 Cansu Tayaksi 博士 ( ctayaksi@mit.edu ) 指导。有关研究的更多信息，请联系论文指导老师。
过去 20 年，石油和天然气行业经历了许多起起落落。特别是自 2014 年以来，该行业一直感受到压力，因为油价远低于每桶 100 美元以上的历史最高水平。最近，新冠疫情消灭了全球三分之一的石油需求，导致油价跌破每桶 20 美元，一度达到前 伯利兹电子邮件列表 所未有的负值。
这个资本密集型行业受到炼油厂、海上平台和油井非计划停工的困扰，导致不必要的高维护成本和风险敞口。
在当前低价环境下，石油和天然气公司必须优先考虑运营效率。为此，公司开始依靠利用大数据和机器学习的高级分析来减少停机时间及其相关成本。
在当今全球化和数字化的世界里，推荐系统帮助我们在日常生活中做出决策。我们购买什么产品、看什么电影、访问什么网站等选择都可能受到正确推荐的影响。
推荐系统几乎出现在电子商务平台购买流程的每个步骤中。亚马逊、Netflix 和谷歌等公司使用机器学习算法来预测用户对某些产品或服务的偏好。这些预测被用作推荐，从而带来更好的客户体验并显著增加收入。
到目前为止，此类系统的实施仅限于顶尖科技公司，但没有理由说它们不能被不太成熟的公司实施。所以我们提出了一个问题：传统的石油和天然气行业能否从使用推荐系统中受益？
该项目的赞助公司是贝克休斯，这是一家为全球石油和天然气公司提供数字解决方案的能源技术公司。贝克休斯的客户通常会关闭油井进行维护，然后在几个月后再次关闭油井以安装类似的服务或产品。推荐系统可以预测客户的需求并将产品或服务组合在一起；通过购买此类捆绑产品和服务，客户可以减少石油设施需要维修的次数。