Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10662/11929
Títulos: Variables estratégicas para pronosticar resultados financieros en pequeñas empresas a través de redes neuronales y árboles de decisión
Autores/as: Gonçalves, António José da Silva Almeida Vieira
Director/a: Texeira Quirós, Joaquín
Justino, Maria do Rosário Fernandes
Palabras clave: Redes neuronales;Árboles de decisión;Gestión estratégica;Modelos estratégicos;Pronóstico;Resultados financieros;Neural networks;Decision trees;Strategic management;Strategic models;Forecast;Financial results;Redes neuronais;Árvores de decisão;Gestão estratégica;Previsão;Resultados financeiros
Fecha de publicación: 2021
Resumen: Esta tesis pretende analizar la posibilidad de crear modelos predictivos estratégicos utilizando redes neuronales y árboles de decisión. Los modelos deben permitir el pronóstico del impacto de las estrategias en los resultados financieros. Los modelos se crearán a partir de datos obtenidos mediante cuestionarios a gerentes sobre las estrategias aplicadas en sus organizaciones y a partir de los datos financieros de las organizaciones declaradas al estado portugués. La posibilidad de pronosticar el impacto de las estrategias en los resultados financieros puede significar una ventaja significativa, ya que estos modelos permiten una verificación del impacto antes de la asignación efectiva de recursos en la ejecución de las estrategias. Los modelos resultantes son objecto de un estudio sobre su desempeño predictivo. La conclusión del estudio se refiere a la metodología utilizada como muy prometedora para los objetivos para los que se propuso, determinando un error promedio máximo del 25% y con un error máximo del 30% en más del 70% del conjunto de muestras para evaluación.
This thesis intends to analyze the possibility of creating strategic predictive models using neural networks and decision trees. The models should allow the forecast of the impact of the strategies on the financial results. The models are created from data obtained by questionnaire to managers about the strategies applied in their organizations and from the financial data of the organizations declared to the Portuguese state. The possibility of forecasting the impact of the strategies on the financial results can mean a significant advantage, since these models allow a verification of the impact before the effective allocation of resources in the execution of the strategies. The resulting models are the subject of a study on their predictive performance. The achieved results are very prommising. The conclusion of the study refers to the methodology used as very promising for the objectives it was proposed for, determining a maximum average error of 25% and with a maximum error of 30% in more than 70% of the sample set for evaluation.
Pretende-se com esta tese analisar a possibilidade de criar modelos preditivos estratégicos utilizando redes neuronais e árvores de decisão. Os modelos deverão permitir a previsão do impacto das estratégias nos resultados financeiros. Os modelos são criados a partir de dados obtidos por questionário aos gestores acerca das estratégias aplicadas nas suas organizações e a partir dos dados financeiros das organizações declarados ao estado português. A possibilidade de previsão do impacto das estratégias nos resultados financeiros pode significar uma vantagem significativa, uma vez que estes modelos permitem uma verificação do impacto antes da alocação efetiva de recursos na execução das estratégias. Os modelos resultantes são alvos de um estudo sobre o seu desempenho preditivo. A conclusão do estudo refere a metodologia utilizada como muito promissora para os objetivos a que se propôs, determinando um erro médio máximo de 25% e com um erro máximo de 30% em mais de 70% do conjunto amostral para avaliação.
URI: http://hdl.handle.net/10662/11929
Colección:Tesis doctorales

Archivos
Archivo Descripción TamañoFormato 
TDUEX_2020_Gonçalves_AJ.pdf24,02 MBAdobe PDFDescargar


Este elemento está sujeto a una licencia Licencia Creative Commons Creative Commons