Selected workTrabajosSelected workTrabajos

Best Work Award · Conventional Section · CONEXPLO 2026

Problem

In a large waterflooding operation, converting areas from primary to secondary recovery is routine. Assessing and prioritizing candidate areas is time- and labour-intensive, and sometimes not feasible within the time frames operations require.

Approach

We developed a machine-learning methodology that ranks candidate areas and predicts their EUR (estimated ultimate recovery) with a stated uncertainty, trained on the company's own existing projects.

Key challenges

• Data integration: disparate sources required a robust pipeline and rigorous data QC.
• Ambiguous dataset: required careful algorithm selection and hyperparameter tuning.
• Geological and engineering complexity: petroleum-engineering principles were essential to build features with real predictive power.

Results

• Methodology delivered in 5 months, including a statistical model to estimate missing permeability values.
• Validated against known primary and secondary production results, showing strong consistency with the expert judgment of the company's SMEs.
• Applied to candidate areas, producing a ranking of areas and reservoir layers with estimated EURs and their uncertainties.
• Full characterization effort is now concentrated on the best areas, meeting the deadlines set by the pace of operations.

The work was presented at CONEXPLO 2026, where it won the award for best work in the Conventional Section.

Premio al mejor trabajo · Sección Convencionales · CONEXPLO 2026

Problema

En una operación de recuperación secundaria de gran escala, la conversión de áreas de primaria a secundaria es parte de la rutina. Evaluar y priorizar las áreas candidatas demanda mucho tiempo y trabajo, y a veces no es viable en los plazos que exige la operación.

Enfoque

Desarrollamos una metodología basada en machine learning que ordena las áreas candidatas y predice su EUR (recuperación final estimada) con una incertidumbre explícita, entrenada con los proyectos existentes de la propia compañía.

Desafíos clave

• Integración de datos: fuentes heterogéneas que exigieron un pipeline robusto y un control de calidad riguroso.
• Dataset ambiguo: requirió una selección cuidadosa de algoritmos y ajuste de hiperparámetros.
• Complejidad geológica y de ingeniería: los principios de ingeniería de reservorios fueron clave para construir variables con poder predictivo real.

Resultados

• Metodología entregada en 5 meses, incluido un modelo estadístico para estimar valores faltantes de permeabilidad.
• Validada contra resultados conocidos de producción primaria y secundaria, con gran consistencia respecto del criterio experto de los especialistas de la compañía.
• Aplicada a las áreas candidatas: un ranking de áreas y capas con EUR estimados y sus incertidumbres.
• El esfuerzo de caracterización completa se concentra ahora en las mejores áreas, cumpliendo los plazos que impone el ritmo de la operación.

El trabajo se presentó en CONEXPLO 2026, donde obtuvo el premio al mejor trabajo de la Sección Convencionales.

A free, anonymous web assessment: ten dimensions across field and business layers produce a named archetype and an AI-generated narrative. Built with Next.js, Supabase and the Claude API. Live demo →

Evaluación web gratuita y anónima: diez dimensiones en capas de campo y negocio producen un arquetipo con nombre y una narrativa generada por IA. Desarrollada con Next.js, Supabase y la API de Claude. Ver en vivo →

Engagement

Lead analytics consultant and trusted advisor to Aspenleaf's technical and business teams for about three and a half years, as the company's main analytics partner.

What we built

• Netback Calculator (Python/Jupyter + Power BI). The starting point was an Excel tool that held the basic cost-splitting methodology, but only one person could run it, one scenario at a time, copying values by hand between sheets to compare results. We turned it into an integrated tool that draws directly on the source systems and allocates fixed and variable costs by well, pad and facility to calculate unit economics per barrel. In the resulting Power BI dashboard, users set oil-price scenarios and turn wells on or off to see instantly how revenue and netback change.
• Power BI dashboards for operational and commercial performance.
• Forecasting and predictive-modelling tools.

Key challenges

• Data integration: combining data spread across Oracle databases, vendor data in Snowflake, ProdView and Excel/CSV exports into a single, consistent model.
• From needs to sustainable processes: translating the needs of stakeholders across operations into sustainable processes, with tools that bring clarity and make it possible to track improvement over time.

El proyecto

Consultor líder de analítica y asesor de confianza de los equipos técnicos y de negocio de Aspenleaf durante unos tres años y medio, como principal socio de analítica de la compañía.

Qué construimos

• Netback Calculator (Python/Jupyter + Power BI). El punto de partida era una herramienta en Excel que contenía la metodología básica de reparto de costos, pero solo una persona podía usarla, de a un escenario por vez, copiando valores a mano entre hojas para comparar resultados. La convertimos en una herramienta integrada que toma los datos directamente de los sistemas de origen y asigna costos fijos y variables por pozo, pad e instalación para calcular la economía unitaria por barril. En el tablero de Power BI resultante, el usuario define escenarios de precio del petróleo y activa o desactiva pozos para ver al instante cómo varían los ingresos y el netback.
• Tableros de Power BI de desempeño operativo y comercial.
• Herramientas de pronóstico y modelado predictivo.

Desafíos clave

• Integración de datos: unificar en un único modelo consistente datos repartidos entre bases Oracle, datos de proveedores en Snowflake, ProdView y exportaciones de Excel/CSV.
• De las necesidades a procesos sostenibles: traducir las necesidades de los distintos actores de la operación en procesos sostenibles, con herramientas que aportan claridad y permiten seguir las mejoras en el tiempo.

In partnership with NimblShift, an organizational-effectiveness consultancy, we build the analytics behind their HR and organizational assessments: the survey instrument, the logic that flags strengths and weaknesses, and the Power BI report.

Selected projects

• Calgary Exchange Group — compensation survey (three consecutive years): redesigned the instrument from a free-form Excel file into a structured Qualtrics survey and automated a 40+ page Power BI report.
• Boyd — activity analysis: survey and analysis of how tasks and time are distributed by role, with a hierarchical model and a Power BI tool.
• Digital-readiness assessment (2021), change-impact assessment (2023) and culture health check (2024) for client organizations.
• CEO performance evaluation presented to a board of directors (2024).

We are now co-developing NimblAIR, NimblShift's AI readiness assessment tool.

En alianza con NimblShift, consultora de efectividad organizacional, desarrollamos la analítica de sus diagnósticos de RR. HH. y organizacionales: el instrumento de encuesta, la lógica que detecta fortalezas y debilidades, y el informe en Power BI.

Proyectos seleccionados

• Calgary Exchange Group — encuesta de compensación (tres años consecutivos): rediseñamos el instrumento, de un Excel libre a una encuesta estructurada en Qualtrics, y automatizamos un informe de Power BI de más de 40 páginas.
• Boyd — análisis de actividades: encuesta y análisis de la distribución de tareas y tiempo por rol, con un modelo jerárquico y una herramienta en Power BI.
• Evaluación de preparación digital (2021), evaluación de impacto del cambio (2023) y diagnóstico de salud cultural (2024) para organizaciones cliente.
• Evaluación de desempeño de un CEO presentada a su directorio (2024).

Hoy codesarrollamos NimblAIR, la herramienta de evaluación de preparación para la IA de NimblShift.

Role

Data Scientist in Nutrien's Analytics & Insights Center of Excellence, working as an internal consultant to the business. This was an employed role, before Raffa Group's current engagements.

What I did

• Worked with business units to identify use cases and gather requirements.
• Built and trained machine-learning models on AWS SageMaker; the engineering team took them to production.
• Found where the business had doubts about the models and created visualizations that made the uncertainties understandable.

Outcome

The feedback was that I bridged the gap between data and business. Making uncertainty visible built the trust the business needed to act on the models — and was key to the project's success.

Rol

Data Scientist en el Analytics & Insights Center of Excellence de Nutrien, como consultor interno para las áreas de negocio. Fue un puesto en relación de dependencia, anterior a los proyectos actuales de Raffa Group.

Qué hice

• Trabajé con las áreas de negocio para identificar casos de uso y relevar requisitos.
• Desarrollé y entrené modelos de machine learning en AWS SageMaker; el equipo de ingeniería los llevó a producción.
• Detecté dónde el negocio tenía dudas sobre los modelos y creé visualizaciones que hicieron comprensibles las incertidumbres.

Resultado

La devolución fue que logré tender un puente entre los datos y el negocio. Hacer visible la incertidumbre generó la confianza que el negocio necesitaba para actuar sobre los modelos, y fue clave para el éxito del proyecto.