Актуальность разработки методики оперативной оценки фильтрационных свойств призабойной зоны пласта (проницаемость призабойной зоны пласта) обусловлена ростом доли трудноизвлекаемых запасов. Зачастую для эффективной разработки сложнопостроенных залежей применяют методы повышения нефтеотдачи и интенсификации добычи. В настоящее время целесообразность проведения геолого-технических мероприятий основывается на результатах интерпретации гидродинамических исследований скважин, позволяющих оценить состояние околоскважинной зоны. Недостатками данного метода исследований являются продолжительная остановка (как следствие, «недоборы» нефти) и повышенные риски необеспечения вывода скважин на режим. В связи с этим интеграция промысловых данных и применения машинного обучения для описания состояния призабойной зоны пласта могут оказать положительный эффект на своевременность проведения геолого-технических мероприятий и обеспечить максимизацию их эффективности в будущем. Цель: разработка методики прогнозирования проницаемости призабойной зоны пласта в условиях карбонатного коллектора с помощью подходов машинного обучения. Методы: статистические методы, решение задачи классификации с помощью методов машинного обучения. Результаты. Предложен подход для оперативной оценки проницаемости призабойной зоны пласта, основанный на статистическом анализе результатов интерпретации гидродинамических исследований (256 исследований) и эксплуатационных данных скважин нефтяного карбонатного объекта Пермского края. Для оценки проницаемости призабойной зоны пласта построена модель множественной линейной регрессии. С целью повышения статистических метрик регрессии проницаемости призабойной зоны пласта исследована зависимость данного параметра от удельного коэффициента продуктивности в условиях карбонатного коллектора и произведено деление на кластеры. Для определения параметров, оказывающих превалирующее влияние на прогнозируемую величину, использовалась библиотека SHAP. Для выполнения задачи классификации кластеров по исходным данным применена техника машинного обучения – метод опорных векторов. Дифференцированно построены модели регрессии для каждого кластера. Использование данного подхода позволило повысить коэффициент детерминации с 0,76 до 0,96 и уменьшить среднюю абсолютную ошибку прогнозирования проницаемости призабойной зоны пласта с 0,018 до 0,007 мкм². Таким образом, авторами предложена методика прогнозирования проницаемости призабойной зоны пласта с помощью статистических методов на основе предварительной кластеризации исходных данных и их классификации подходами машинного обучения.