Made available in DSpace on 2016-04-25T18:40:26Z (GMT). No. of bitstreams: 1 Luiz Henrique de Freitas.pdf: 1935338 bytes, checksum: 87c05d109368e42eaebf15a308b8522d (MD5) Previous issue date: 2007-10-25 / The small enterprises play a very important role in our national economy; however, well-known are their difficulties to remain alive in the market for a longer period of time. The problems of management have been pointed out as the factors which prevent them from growing and developing, and in the case of the small industries, one of their main difficulties lies in the incorrect way of analyzing their cost structure, leading them, sometimes, to non-satisfactory results. The objective of this study is to identify the necessary elements for the correct analysis of the costs structure of a small industry, using these elements to create a managerial instrument, applying, for this purpose, the concept of the target cost as well. This work starts with the characterization of the enterprise profile and the entrepreneur´s, explaining the need of a suitable costs management for the small companies. It also deals with the importance of the correct establishment of the sales prices. Finally, we purpose a managerial report directed to a suitable analysis of the costs structure of the small companies. We applied this report in a small industry of plastic branch, and we present the final results. Thus, we expect that our work may help the small entrepreneur make decisions based on more structuralized bases and not being dependent on his own feeling in order to direct the course of his enterprise / As pequenas empresas exercem um papel fundamental na economia nacional; porém, notórias são as suas dificuldades para se manterem ativas no mercado por um período de tempo mais longo. Os problemas de gestão têm sido apontados como fatores impeditivos ao seu crescimento e desenvolvimento, sendo que, no caso das pequenas indústrias, uma de suas maiores dificuldades encontra-se na maneira incorreta de analisar a sua estrutura de custos, levando-as, por vezes, a obter resultados pouco satisfatórios. O objetivo deste estudo é identificar quais os elementos necessários à correta análise da estrutura de custos de uma indústria de pequeno porte, utilizando-os na elaboração de um instrumento gerencial, servindo-se também, para tanto, do conceito do custo-meta. O trabalho inicia-se com a caracterização do perfil do empreendedor e do empreendimento, abordando a seguir, a necessidade de uma adequada gestão de custos para as pequenas empresas. Trata ainda, da importância da correta determinação dos preços de venda. Finalmente, sugere-se uma proposta de relatório gerencial direcionado para uma adequada análise da estrutura de custos das pequenas empresas. Aplicou-se, o mesmo, numa indústria de pequeno porte do ramo plástico, apresentando os resultados obtidos. Espera-se, assim, contribuir para que o pequeno empresário possa tomar decisões com bases mais estruturadas, não ficando dependente apenas de seu feeling para nortear os rumos de sua empresa

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-09-06T17:26:12Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação Mestrado- Carlos Eduardo Castor de Melo.pdf: 2325318 bytes, checksum: 1a456db1f76d03f35cc83b12a6026b6b (MD5) / Made available in DSpace on 2016-09-06T17:26:12Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação Mestrado- Carlos Eduardo Castor de Melo.pdf: 2325318 bytes, checksum: 1a456db1f76d03f35cc83b12a6026b6b (MD5) Previous issue date: 2015-08-27 / FACEPE / análise da similaridade entre algoritmos de aprendizagem de máquina é um importante aspecto na área de Meta-Aprendizado, onde informações obtidas a partir de processos de aprendizagem conhecidos podem ser utilizadas para guiar a seleção de algoritmos para tratar novos problemas apresentados. Essa similaridade é geralmente calculada através de métricas globais de desempenho, que omitem informações importantes para o melhor entendimento do comportamento dos algoritmos. Também existem abordagens onde é verificado o desempenho individualmente em cada instância do problema. Ambas as abordagens não consideram os custos associados a cada classe do problema, negligenciando informações que podem ser muito importantes em vários contextos de aprendizado. Nesse trabalho são apresentadas métricas para a avaliação do desempenho de algoritmos em cenários sensíveis a custo. Cada cenário é descrito a partir de um método para escolha de limiar para a construção de um classificador a partir de um modelo aprendido. Baseado nos valores de desempenho em cada instância, é proposta uma forma de avaliar a similaridade entre os algoritmos tanto em nível de problema como em nível global. Os experimentos realizados para ilustrar as métricas apresentadas neste trabalho foram realizados em um estudo de Meta-Aprendizado utilizando 19 algoritmos para a classificação das instâncias de 152 problemas. As medidas de similaridades foram utilizadas para a criação de agrupamentos hierárquicos. Os agrupamentos criados mostram como o comportamento entre os algoritmos diversifica de acordo com o cenário de custo a ser tratado. / The analysis of the similarity between machine learning algorithms is an important aspect of Meta-Learning, where knowledge gathered from known learning processes can be used to guide the selection of algorithms to tackle new learning problems presented. This similarity is usually calculated through global performance metrics that omit important information about the algorithm behavior. There are also approaches where the performance is verified individually on each instance of a problem. Both these approaches do not consider the costs associated with each problem class, hence they neglect information that can be very important in different learning contexts. In this study, metrics are presented to evaluate the performance of algorithms in cost sensitive scenarios. Each scenario is described by a threshold choice method, used to build a crisp classifier from a learned model. Based on the performance values for each problem instance, it is proposed a method to measure the similarity between the algorithms in a local level (for each problem) and in a global level (across all problems observed). The experiments used to illustrate the metrics presented in this paper were performed in a Meta-Learning study using 19 algorithms for the classification of the instances of 152 learning problems. The similarity measures were used to create hierarchical clusters. The clusters created show how the behavior of the algorithms diversifies according to the cost scenario to be treated.