MétaCan
Menu
Retour à la cohorte
Enregistrement W2995577075 · doi:10.19255/jmpm02005

Product Development Cost Management in Aerospace SMEs

2019· article· en· W2995577075 sur OpenAlexaff
Darli Rodrigues Vieira, Érika Souza de Melo, Marcela Pereira dos Santos Silva

Notice bibliographique

RevueJournal of Modern Project Management · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensBombardier (Canada)Université du Québec à Trois-Rivières
Organismes subventionnairesnon disponible
Mots-clésAerospaceNew product developmentProduct cost managementScope (computer science)Product lifecycleContext (archaeology)Cost engineeringProcess managementTarget costingProduct (mathematics)Process (computing)BusinessProduct managementProduct designManufacturing engineeringComputer scienceCost estimateRisk analysis (engineering)Systems engineeringEngineeringMarketing

Résumé

récupéré en direct d'OpenAlex

Product development in the aerospace industry involves a complex environment that demands a high level of integration to ensure that the final product cost adheres to the business plan. However, in the initial development phases, the work scope is immature and cannot be completely defined a priori. In this context, cost management is a real challenge, particularly for small and medium-sized enterprises (SMEs) that have smaller margins for errors when defining their products’ pricing. This paper proposes a framework to manage costs during product development using a method based on the design structure matrix associated with the design to cost methodology. The analysis is based on the literature and the case study method, which is applied in an aerospace SME. The results indicate positive prospects for the application of the method, which can provide a holistic perspective of the development process while promoting better control of costs.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,012
Tête enseignante GPT0,227
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Modern Project ManagementMême sujetManufacturing Process and OptimizationTravaux en français237 207