Детальная информация

Цель: разработка рекомендаций по развитию технологий Big Data в ПАО «Газпром», включая оценку экономической эффективности и систему управления рисками. Объект исследования: ПАО «Газпром». Предмет исследования: процессы внедрения и развития технологий Big Data в операционной и стратегической деятельности вертикально интегрированных нефтегазовых компаний. Методы исследования: системный анализ, бенчмаркинг, оценка зрелости по модели DCMM, метод дисконтированных денежных потоков (DCF), анализ чувствительности, метод Монте-Карло, трехсценарный анализ, матричный метод оценки рисков (ISO 31000, PMBOK 7), SWOT-анализ, экспертное оценивание. Результаты: 1) систематизированы теоретические основы Big Data и обоснован выбор архитектуры Data Lakehouse; разработаны схемы архитектур и диаграммы потоков данных; 2) классифицированы источники данных нефтегазовой отрасли по восьми группам; 3) выявлены ограничения применения Big Data (технологические, организационные, регуляторные) и перспективные направления развития; 4) проанализирован мировой опыт цифровой трансформации Shell, Equinor, Saudi Aramco, BP; 5) проведен анализ Big Data-инфраструктуры ПАО «Газпром», установлена интегральная оценка зрелости по авторской DCMM-модели, диагностированы четыре системные проблемы; 6) разработаны архитектурная концепция CDaaS-платформы и комплекс мероприятий программы «Газпром: Интеллектуальные данные 2025–2028»; 7) сформирована методика оценки экономической эффективности с применением метода Монте-Карло, рассчитаны ключевые показатели; 8) проведен анализ рисков реализации программы, разработана система митигирующих мероприятий. Область применения: результаты применимы в деятельности ПАО «Газпром» и других российских нефтегазовых компаний, а также при разработке отраслевых стратегий цифровой трансформации ТЭК. Инструменты: Microsoft Office (Word, Excel) Выводы: реализация программы позволит ПАО «Газпром» достичь целевого уровня цифровой зрелости к 2028 году. Экономическая эффективность подтверждена расчетами и стохастическим моделированием. Все риски реализации поддаются митигации. Разработанные инструменты применимы для тиражирования на другие российские нефтегазовые компании.

Aim: to develop recommendations for the advancement of Big Data technologies in PJSC Gazprom, including an assessment of economic efficiency and a risk management system. Object of the research: PJSC Gazprom. Subject of the research: the processes of implementing and developing Big Data technologies in the operational and strategic activities of vertically integrated oil and gas companies. Research methods: systems analysis, benchmarking, maturity assessment based on the DCMM model, discounted cash flow method (DCF), sensitivity analysis, Monte Carlo method, three-scenario analysis, matrix-based risk assessment (ISO 31000, PMBOK 7), SWOT analysis, and expert evaluation. Results: 1) the theoretical foundations of Big Data were systematized and the Data Lakehouse architecture was substantiated; architectural schemes and data flow diagrams were developed; 2) data sources of the oil and gas industry were classified into eight groups; 3) limitations of Big Data application (technological, organizational, and regulatory) were identified, and promising development directions were determined; 4) international digital transformation experience of Shell, Equinor, Saudi Aramco, and BP was analyzed; 5) the Big Data infrastructure of PJSC Gazprom was assessed using the authors DCMM model, an integral maturity score was established, and four systemic problems were diagnosed; 6) the architectural concept of the CDaaS platform and a set of measures for the "Gazprom: Intelligent Data 2025–2028" programme were developed; 7) a methodology for assessing economic efficiency using the Monte Carlo method was formed and key indicators were calculated; 8) a risk analysis of the programme implementation was carried out and a system of mitigating measures was developed. Scope of application: the results can be applied in the activities of PJSC Gazprom and other Russian oil and gas companies, as well as in the development of industry strategies for the digital transformation of the fuel and energy sector. Tools: Microsoft Office (Word, Excel). Conclusions: the implementation of the programme will enable PJSC Gazprom to reach the target level of digital maturity by 2028. Economic efficiency is confirmed by calculations and stochastic modelling. All implementation risks can be mitigated. The developed tools can be replicated in other Russian oil and gas companies.

• СПИСОК АББРЕВИАТУР, СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
• ВВЕДЕНИЕ
• ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ И МИРОВОЙ ОПЫТ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ BIG DATA В НЕФТЕГАЗОВОЙ ОТРАСЛИ
  • 1.1. Концептуальные основы технологий Big Data и специфика их применения в нефтегазовой отрасли
  • 1.2. Теоретические подходы цифровой трансформации нефтегазовых компаний и оценка её экономической эффективности
  • 1.3. Источники данных в нефтегазовой отрасли: классификация и характеристика
  • 1.4. Ограничения и перспективы развития технологий Big Data в нефтегазовой отрасли
    • 1.4.1. Технологические ограничения
    • 1.4.2. Организационные ограничения
    • 1.4.3. Регуляторные ограничения
    • 1.4.4. Перспективы развития
• ГЛАВА 2. АНАЛИЗ СОСТОЯНИЯ И ПРОБЛЕМ РАЗВИТИЯ ТЕХНОЛОГИЙ BIG DATA В ПАО «ГАЗПРОМ»
  • 2.1. Общая характеристика ПАО «Газпром» и его цифровая стратегия
  • 2.2. Оценка уровня зрелости Big Data по методологии DCMM
  • 2.3. Диагностика ключевых проблем
    • 2.3.1. Фрагментарность информационной архитектуры
    • 2.3.2. Низкий охват предиктивной аналитикой
    • 2.3.3. Кадровый дефицит в области Data Science
    • 2.3.4. Отсутствие единой платформы управления данными
  • 2.4. Бенчмаркинговый и SWOT-анализ позиции ПАО «Газпром» в области Big Data
• ГЛАВА 3. РАЗРАБОТКА КОМПЛЕКСА МЕР ПО РАЗВИТИЮ ТЕХНОЛОГИЙ BIG DATA В ПАО «ГАЗПРОМ»
  • 3.1. Анализ стратегических приоритетов программы «Газпром: Интеллектуальные данные 2025–2028
  • 3.2. Архитектурная концепция корпоративной платформы данных (CDaaS), система предиктивного обслуживания оборудования
  • 3.3. Система корпоративного управления данными (Data Governance)
  • 3.4. Расчёт экономических эффектов NPV и ключевых показателей эффективности
    • 3.4.1. Инвестиционные затраты и их структура
    • 3.4.2. Расчет экономических эффектов
    • 3.4.3. Сводный расчет NPV и ключевых показателей
  • 3.5. Анализ чувствительности методом Монте-Карло
    • 3.5.1. Стохастическая оценка методом Монте-Карло
    • 3.5.2. Трехсценарный анализ
  • 3.6. Комплексный анализ рисков реализации программы
    • 3.6.1. Методология анализа рисков
    • 3.6.2. Матрица идентифицированных рисков
    • 3.6.3. Детальный анализ критических рисков
    • 3.6.4. Система управления рисками
  • 3.7. Научная новизна исследования
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ