First steps in mining resource-constrained project-scheduling stochastic models for new valuable insights in project management

Ferreira, Armando Leite; Mecena, Sérgio José; Alencar, Antônio Juarez; Rodrigues, Gelson Guedes; Schmitz, Eber Assis

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/977

Full metadata record

DC Field	Value	Language
dc.contributor.author	Alencar, Antônio Juarez	-
dc.contributor.author	Rodrigues, Gelson Guedes	-
dc.contributor.author	Schmitz, Eber Assis	-
dc.contributor.author	Ferreira, Armando Leite	-
dc.contributor.author	Mecena, Sérgio José	-
dc.date.accessioned	2016-10-27T16:57:05Z	-
dc.date.available	2023-12-21T03:00:33Z	-
dc.date.issued	2007-01-22	-
dc.identifier.citation	ALENCAR, A. J. et al. First steps in mining resource-constrained project-scheduling stochastic models for new valuable insights in project management. Rio de Janeiro: NCE, UFRJ, 2006. 15 p. (Relatório Técnico, 03/06).	pt_BR
dc.identifier.uri	http://hdl.handle.net/11422/977	-
dc.description.abstract	In this work we show how classification trees, a family of nonparametric statistical methods, can be used together with RCPS (Resource Constrained Project Scheduling) stochastic modeling and simulation to provide project managers with better insights into the project they run. Such insights make it easier for managers to anticipate changes in planning that favor projects to be delivered on time, within budget, and in compliance with available cash flow and the requirements they were set to satisfy. Also, we discuss the implications of these insights for both the management of complex projects and the construction of effective business strategies.	en
dc.language	eng	pt_BR
dc.relation.ispartof	Relatório Técnico NCE	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Escalonamento de projeto	pt_BR
dc.subject	Administração de projetos	pt_BR
dc.title	First steps in mining resource-constrained project-scheduling stochastic models for new valuable insights in project management	pt_BR
dc.type	Relatório	pt_BR
dc.description.resumo	Neste artigo descrevemos como arvores de classificação, uma família de métodos estatísticos não-paramétricos, pode ser utilizada juntamente com modelagem e simulação estocástica para o escalonamento de projetos com recursos escassos (RPCS) com vistas a fornecer aos gerentes um entendimento mais profundo dos projetos sobre sua responsabilidade. Este entendimento facilita a implementação de mudanças no planejamento das atividades, favorecendo a entrega de projetos dentro do prazo, de acordo com o orçamento e fluxo de caixa, e em sintonia com os requisitos que se comprometeram a satisfazer. Em adição discutimos as implicações das técnicas aqui apresentadas para a gerencia de projetos de grande complexidade e para a construção de estratégias de negócio.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto Tércio Pacitti de Aplicações e Pesquisas Computacionais	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
dc.citation.issue	0306	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Relatórios

Files in This Item:

File	Description	Size	Format
03_06_668087.pdf		3.7 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository