ПРЕДИКТИВНОЕ ПЛАНИРОВАНИЕ В НЕФТЕГАЗОВОЙ ОТРАСЛИ: ТЕНДЕНЦИИ И БАРЬЕРЫ
Ключевые слова:
цепочка поставок, планирование, предиктивное планирование, Искусственный интеллект, Big data, Интернет вещей, блокчейн, Облачные вычисленияАннотация
Современные технологии позволяют разработать новую концепцию планирования цепи поставок, которая может практически полностью автоматизировать процесс планирования. В статье предложено понятие предиктивного планирования как новейшего этапа планирования цепи поставок. Предложены основные инструменты предиктивного планирования, которые обеспечат синергетический эффект в повышении точности прогноза спроса и снижении погрешности прогнозирования, а также рассмотрены основные барьеры
по эффективному их внедрению.
Библиографические ссылки
Supply Chain 4.0 – the next-generation digital supply chain. 2016. – URL: https://www.mckinsey.com/business-functions/operations/our-insight (дата обращения: 30.03.2023).
Shen Haiyan, Duan Jiaying, Wang Hao, et al. The relationship between cloud and big wisdom, blockchain, CPS and research overview in the railway field // Railway Computer Application. – 2019. – Vol. 28, № 2. – С. 1–6.
Building blockchains for a better planet. PwC. – September 2018. – С. 15.
Giuliani M., Cadei L., Montini M. Hybrid artificial intelligence techniques for automatic simulation models matching with field data. In: Abu Dhabi international petroleum exhibition & conference, 12–15 November. Society of Petroleum Engineers, Abu Dhabi, 201. – С. 1–11.
Hojageldiyev D. Artificial intelligence in HSE. In: Abu Dhabi international petroleum exhibition & conference, 12–15 November. Society of Petroleum Engineers, Abu Dhabi, 2018. – С. 1–9.
Wang H.F., Wang S.J., Zhu S.B. Conception and exploration of the smart oil and gas field construction in “internet +” era // Oil Gas Field Surf Eng. – 2018. – Vol. 8. – С. 1–8.
Загребельская М.В. Цифровая трансформация цепочек поставок: тенденции и выбор альтернатив // Экономика: прогнозы и анализ. – 2023. – № 1(21). – С. 105–112.
Свон М. Блокчейн. Схема новой экономики. – М.: Олимп-Бизнес, 2017. – 227 с.
Jianxun Zh., Zhimin G., Chao Zh. Summary of cloud computing research progress // Application Research of Computers. – 2010. – Vol. 27, № 2. – С. 429–433.
Aker. DataOps in action: Optimizing oil and gas production with hybrid machine learning. [Электронный ресурс]. – URL: https://www.cognite.com/customers/dataops-oil-gas-hybrid-machine-learning (дата обращения: 12.12.2024).
Aramco. Big data, big insights. [Электронный ресурс]. – URL: https://americas.aramco.com/en/magazine/elements/2020/big-data-big-insights (дата обращения: 12.12.2024).
Council J. Shell’s companywide AI effort shows early returns // Wall Street Journal. [Электронный ресурс]. – 2019. – November 26. – URL: https://www.wsj.com/articles/shells-companywide-ai-effort-shows-early-returns-11574764204 (дата обращения: 12.12.2024).
Petrobras. Petrobras on refining and natural gas. [Электронный ресурс]. – 2020. – URL: https://www.agenciapetrobras.com.br/Materia/ExibirMateria?p_materia=983055 (дата обращения: 12.12.2024).
Ng A. What artificial intelligence can and can’t do right now // Harv Bus Rev. – 2016. – Vol. 9.
AI index annual report 2024. [Электронный ресурс]. – URL: https://aiindex.stanford.edu/wp-content/uploads/2024/05/HAI_AI-Index-Report-2024.pdf (дата обращения: 09.07.2024).
Hajizadeh Y. Machine learning in oil and gas: a SWOT analysis approach // J Pet Sci Eng. – 2019. – Vol. 176. – С. 661–663. – DOI: 10.1016/j.petrol.2019.01.113.
Загребельская М.В. Некоторые аспекты инновационной деятельности на промышленных предприятиях // Интеграция наук. – 2017. – № 4. – С. 29–30.
Загребельская М.В. К вопросу совершенствования эффективности процесса материально-технического обеспечения нефтедобывающих компаний // Проблемы современной экономики. – 2019. – № 3. – С. 198–201.
