Heutzutage versuchen Ölunternehmen, immer mehr Informationen aus bereits vorhandenen Daten zu extrahieren. Dieser Prozess wird jedoch immer noch von Betriebs- oder Ingenieurpersonal durchgeführt, und die gewonnenen Bohrerfahrungen gehen dabei manchmal verloren. Diese manuelle Informationsextraktion kann darüber hinaus auch zu Fehlern bei der Dateninterpretation führen. Aus diesem Grund versuchen Unternehmen relevante Informationen zu digitalisieren, um den menschlichen Einfluss auf die meisten Prozesse zu eliminieren. Ziel dieser Arbeit ist es, ein Konzept für die automatische Extraktion von „Lessons Learned“ aus gesammelten Daten zu entwickeln und daraus Handelsempfehlungen abzuleiten. Dazu, wurden Algorithmen für maschinelles Lernen verwendet um diese „Lessons Learned“ zu finden und zu extrahieren. Als Startpunkt wurde der Status Quo der „Lessons Learned“ innerhalb der OMV untersucht und dabei einige Unzulänglichkeiten festgestellt. Um diese Unzulänglichkeiten zu behandeln wird eine „Knowledge Graph“ Datenbank entwickelt, die im Vergleich zu Standarddatenbanken viele Vorteile bietet. Zum Beispiel kann dieser „Knowledge Graph“ Beziehungen zwischen den einzelnen Datenbankeinträgen abbilden. Darüber hinaus bietet diese Arbeit einige Ansätze für maschinelles Lernen die das Gruppieren von Bohrlöchern basierend auf ihren Trajektorien, Lithologien und Aktivitäten ermöglicht. Außerdem wurde ein einfacher OCR-Algorithmus zum Digitalisieren von PDF-Dokumenten codiert und getestet. Der entwickelte Ansatz zeigte die Anwendbarkeit von Algorithmen für maschinelles Lernen, um „Lessons Learned“aus bereits vorhandenen Daten automatisch zu erfassen und sie beim Entwurf eines neuen Bohrlochs intelligent anzuwenden.