Validando as relações de causa e efeito no balanced scorecard (BSC): Um estudo de caso no setor hoteleiro
Bibliographic record
Abstract
ResumoO objetivo deste artigo foi verificar a existência da relação de causa e efeito entre os indicadores de desempenho pertencentes ao Balanced Scorecard (BSC) aplicados em um hotel.Utilizou-se uma abordagem metodológica descritiva, bibliográfica, documental e quantitativa, por meio de um estudo de caso.Estatísticas descritivas e análises de modelos lineares foram realizados em 14 indicadores do período de três anos de um hotel localizado em João Pessoa -Paraíba (PB), organizados com base nas perspectivas do BSC: Financeira, Clientes, Processos Internos e Aprendizado e Crescimento.Percebeu-se que indicadores das Perspectivas Clientes e Aprendizagem e Crescimento influenciaram a perspectiva Financeira.Indicadores da perspectiva aprendizagem e crescimento influenciaram os Processos Internos; alguns indicadores dos Processos Internos influenciaram a perspectiva Clientes, bem como alguns indicadores da perspectiva Clientes apresentaram relações com a perspectiva Financeira, revelando indícios de um efeito em cascata.Concluiu-se que existem relações de causa e efeito entre os indicadores estudados, porém as evidências não foram generalizadas entre todos os indicadores.Assim, o estudo contribuiu academicamente com a validação das relações de causa e efeito nas perspectivas do BSC para setor hoteleiro, bem como na prática dos gestores que podem ter auxílio para estruturação do BSC e criação de mapas estratégicos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.022 | 0.107 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".