Si bien la Cuenca Neuquina tiene todos los elementos de una Super Basin, cuando se la compara con otros plays no convencionales norteamericanos, tiene datos limitados de producción en varias ventanas de fluido. Como comparación, hay menos de 100 pozos productores en la ventana de petróleo volátil de Vaca Muerta (VM), mientras que hay más de 6.000 en Eagle Ford. Dentro de los bloques operados por Shell en la ventana de petróleo negro, el control de pozos es todavía menor. Además de modelado dinámico y análisis estándar de datos de producción de pozos, para acelerar las lecciones aprendidas y desrisquear la Fm VM más rápidamente, Shell trabaja con la empresa Novi Labs para construir modelos de análisis de datos para estudiar el impacto del subsuelo y el diseño de parámetros de pozo en la productividad del reservorio. Vaca Muerta presenta variaciones en propiedades del subsuelo como porosidad, saturación de hidrocarburos, contenido de carbono orgánico, madurez térmica, contenido de arcillas, espesor de pay zone, y propiedades de fluidos, además de parámetros de diseño de pozo como longitud lateral, espaciamiento de etapas, número de clusters de perforación por etapa, y carga de fluido y propante. A diferencia de los plays convencionales, se cree que no es posible tener modelos físicos que puedan predecir el rendimiento de pozos no convencionales a partir del modelado de "first principles", que no hayan sido armonizados con el historial de producción o con datos de producción real. El enfoque de análisis de datos de recursos no convencionales busca tendencias de producción en amplios grupos de datos con múltiples parámetros, aislando el impacto y fuerza relativa de cada parámetro. El equipo técnico de Shell colaboró con Novi Labs para encarar este reto usando "machine learning" (ML) para predecir el rendimiento de producción de pozos nuevos y para profundizar en la comprensión de los drivers de producción en VM. La colaboración conjunta empleó un enfoque iterativo para construir con éxito y validar modelos de ML que han demostrado precisión en los datos de producción de pozos. Con este esfuerzo, los expertos técnicos de Shell han creado bases de datos completas, configurado modelos de ML, y generado previsiones derivadas de ML para múltiples escenarios de desarrollo de activos. Varias combinaciones de aspectos de subsuelo y de completación fueron utilizadas para entrenar los modelos de ML. Este artículo muestra el proceso colaborativo e iterativo empleado por el equipo, provee ejemplos de la precisión de pronósticos generados con ML comparados con datos de producción real, y resume lecciones útiles claves para repetir y continuar el éxito utilizando ML como una herramienta útil para desarrollo temprano y de avanzada. Este artículo también expone como Shell utiliza modelos de datos analíticos para generar estudios de adaptación específicos a bloques de petróleo negro de VM que son actualizados anualmente y se utilizan para el Workflow de evaluación de curvas tipo del activo, diseño de pozos de "factoría", y finalmente para "business planning". Los modelos de datos analíticos también han proveído una visión útil para optimizar el Plan de Desarrollo del Activo, en particular, utilizando los modelos de datos para ensayar diseños de fracturación hidráulica de mayor intensidad.