El objetivo de este trabajo es ilustrar cómo los métodos avanzados de análisis de múltiples variables y aprendizaje automático son útiles para la mejora económica de la productividad de pozos en el intervalo Cocina de la Formación Vaca Muerta, Cuenca Neuquina. Las metodologías basadas en ciencia de datos brindan la oportunidad de aumentar la eficiencia y extraer más detalles de extensas bases de datos. Todas las decisiones de campo y optimización se toman en presencia de incertidumbre. Debido a las incertidumbres inherentes al campo físico y la escasez de puntos de control, proponemos métodos basados en datos para evaluar el impacto de diferentes parámetros en la producción. El flujo de trabajo se compone de análisis de datos junto con métodos de aprendizaje automático supervisados y no supervisados. Primero: Se implementa una fase de análisis espacial, mejorando el rigor estadístico de los parámetros de entrada para la predicción usando aprendizaje automático al tiempo que se respeta el contexto espacial de los datos del subsuelo. El flujo de trabajo incluye identificación de anomalías espaciales, detección, valores atípicos de datos espaciales, problemas de calidad de datos y modelado de tendencias óptimas. Siguiente: Un análisis de múltiples variables en la zona de perforación de interés. El modelo usa datos solo de este intervalo con el objetivo de determinar las características de alto impacto y en qué rangos de valor estas características gobiernan la productividad del pozo. Cuantificar y clasificar la importancia de todas las características geológicas, geofísicas y de ingeniería disponibles permite realizar pruebas iterativas rápidas de diferentes diseños de producción. Los modelos basados en datos se calibran con modelos basados en la física (Cruz, et al 2021 y presentación de colegas de Equinor en CONEXPLO22 por Arief et al). Finalmente: Una predicción usando aprendizaje automático (ML) para pozos futuros vinculada a un modelo económico que proporciona parámetros comerciales como: tiempo de recobro de inversión para cada pozo y cobertura de gastos en un corto plazo. El modelo de pronóstico de aprendizaje automático utiliza todo el conjunto de datos de producción de la Formación Vaca Muerta del Capítulo IV como análogo a la predicción de producción. El objetivo de este paso final es modelar la optimización económica produciendo un pronóstico para cada pozo para un plan de desarrollo, brindando la capacidad de evaluar múltiples escenarios y cientos de iteraciones.