1. Will the information contained i

1. Will the information contained in the database allow you to learn more about the company’s customers and markets than you would know without it?
2. Will the database allow the company to develop better products and promotional programs?
3. Will the database increase the likelihood of selling or cross-selling existing goods and services?
4. Does the information in the database have the capacity to identify new customers?
5. Does the information in the database have the capacity to increase penetration of new or existing markets?
6. Will the database lend greater information to the sales force for selling purposes?
If the answers to these questions are all yes, then the database will ultimately be a significant asset that will contribute to the profitability of the company.
The second test of the worthiness of a database is its ability to overlay data to provide data enhancement. To put this more simply, will the interaction of various data elements increase the predictive power of the database, more so than if each data element were used alone?
Because each specific data field has its own specific purpose and implication, various combinations of the fields should be examined to determine if more knowledge can be obtained. For example, one significant test is to combine selling region with account classification. Simply exploring selling region by itself may illustrate, for example, that the Northeast has the greatest sales volume.
But when this is combined with account classification, the database may show that 90 percent of “A” accounts (the ones that generate high profit, at a low selling cost per contract) reside in the South. The combination of the two data fields may thus result in a greater enhancement of the entire data set, increasing the predictive power of the database.
Finally, by testing various combinations of data fields, the researcher is in a better position to eliminate data that would not serve any enhancement purposes. For example, adding “key contact person” to the “account classification and region” combination does not enhance the predictive ability of the database. In this case the cost of collecting key contact data would outweigh the benefit.

Kết quả (Việt) 1:

1. sẽ thông tin trong cơ sở dữ liệu cho phép bạn để tìm hiểu thêm về công ty khách hàng và thị trường hơn bạn sẽ biết nếu không có nó? 2. liệu cơ sở dữ liệu cho phép các công ty để phát triển tốt hơn các sản phẩm và chương trình khuyến mại? 3. liệu cơ sở dữ liệu tăng khả năng bán hay cross-bán hàng hiện tại và dịch vụ?4. không thông tin trong cơ sở dữ liệu có khả năng để xác định các khách hàng mới?5. không thông tin trong cơ sở dữ liệu có khả năng tăng thâm nhập thị trường mới hoặc hiện tại?6. liệu cơ sở dữ liệu cho vay thông tin lớn hơn lực lượng bán hàng bán mục đích?Nếu câu trả lời cho những câu hỏi này tất cả có, thì cơ sở dữ liệu cuối cùng sẽ là một tài sản significant sẽ đóng góp cho profitability của công ty.Các thử nghiệm thứ hai của worthiness của cơ sở dữ liệu là khả năng lớp phủ các dữ liệu để cung cấp dữ liệu nâng cao. Để đặt này thêm đơn giản, sẽ tương tác của các yếu tố khác nhau của dữ liệu tăng lực đẩy được tiên đoán của cơ sở dữ liệu, thêm để hơn nếu mỗi phần tử dữ liệu được sử dụng một mình? Bởi vì mỗi specific dữ liệu quấn có mục đích specific và ngụ ý riêng, các kết hợp khác nhau của các fields nên được kiểm tra để xác định Nếu thêm kiến thức có thể được lấy. Ví dụ, một significant thử nghiệm là kết hợp vùng bán với tài khoản classification. Chỉ cần khám phá vùng bán của chính nó có thể minh họa, ví dụ, phía đông bắc có khối lượng bán hàng lớn nhất. Nhưng khi điều này kết hợp với tài khoản classification, cơ sở dữ liệu có thể thấy rằng 90 phần trăm của tài khoản "A" (những người tạo ra profit cao, chi phí thấp bán cho mỗi hợp đồng) nằm ở phía Nam. Sự kết hợp của hai dữ liệu fields do đó có thể dẫn đến một nâng cao lớn của toàn bộ tập hợp dữ liệu, tăng sức mạnh tiên đoán của cơ sở dữ liệu.Cuối cùng, bằng cách kiểm tra các kết hợp khác nhau của dữ liệu fields, các nhà nghiên cứu là ở một vị trí tốt hơn để loại bỏ dữ liệu sẽ không phục vụ mục đích nâng cao bất kỳ. Ví dụ: thêm "chính người liên hệ" kết hợp "tài khoản classification và vùng" không nâng cao khả năng tiên đoán của cơ sở dữ liệu. Trong trường hợp này chi phí thu thập dữ liệu liên lạc quan trọng nào lớn hơn chứa.

Kết quả (Việt) 2:

1. thông tin chứa trong cơ sở dữ liệu sẽ cho phép bạn để tìm hiểu thêm về khách hàng và thị trường của công ty hơn bạn sẽ biết mà không có nó?
2. Cơ sở dữ liệu sẽ cho phép các công ty để phát triển các sản phẩm tốt hơn và các chương trình khuyến mại?
3. Cơ sở dữ liệu sẽ tăng khả năng bán hoặc cross-bán hàng hóa và dịch vụ hiện?
4. Có thông tin trong cơ sở dữ liệu có khả năng để xác định khách hàng mới?
5. Có thông tin trong cơ sở dữ liệu có khả năng tăng cường thâm nhập các thị trường mới hoặc hiện tại?
6. Cơ sở dữ liệu sẽ cho vay thông tin lớn hơn cho lực lượng bán hàng cho mục đích bán?
Nếu câu trả lời cho những câu hỏi này đều có, sau đó cơ sở dữ liệu cuối cùng sẽ là một fi tài sản không thể trọng yếu mà sẽ đóng góp vào sự fi tability chuyên nghiệp của công ty.
Các bài kiểm tra thứ hai của worthiness của một cơ sở dữ liệu là khả năng chồng lớp dữ liệu, giúp tăng tốc dữ liệu. Để đưa điều này đơn giản hơn, sự tương tác của các yếu tố dữ liệu khác nhau sẽ làm tăng sức mạnh tiên đoán của cơ sở dữ liệu, nhiều hơn so với nếu mỗi phần tử dữ liệu được sử dụng một mình?
Bởi vì mỗi Speci fi c dữ liệu fi lĩnh có riêng mục đích fi Speci c của nó và ý nghĩa, kết hợp khác nhau của các ruộng nên được kiểm tra để xác định xem thêm nhiều kiến thức có thể thu được. Ví dụ, một bài kiểm tra trọng yếu là kết hợp khu vực bán với tài khoản phân loại fi cation. Đơn giản chỉ cần khám phá bán khu vực tự nó có thể minh họa, ví dụ, rằng vùng Đông Bắc có khối lượng bán hàng lớn nhất.
Nhưng khi điều này được kết hợp với tài khoản phân loại fi cation, các cơ sở dữ liệu có thể cho thấy rằng 90 phần trăm của "A" tài khoản (những cái mà tạo nhuận cao t, với chi phí cho mỗi hợp đồng bán hàng thấp) cư trú ở miền Nam. Sự kết hợp của hai ruộng dữ liệu fi do đó có thể dẫn đến một nâng cao hơn của toàn bộ dữ liệu, tăng sức mạnh tiên đoán của cơ sở dữ liệu.
Cuối cùng, bằng cách kiểm tra các kết hợp khác nhau của ruộng dữ liệu fi, các nhà nghiên cứu là ở một vị trí tốt hơn để loại bỏ dữ liệu mà có không phục vụ bất kỳ mục đích nâng cao. Ví dụ, thêm "trọng người liên lạc" vào "tài khoản phân loại cation fi và khu vực" sự kết hợp không tăng cường khả năng tiên đoán của các cơ sở dữ liệu. Trong trường hợp này, chi phí của việc thu thập dữ liệu liên lạc chính sẽ lớn hơn những lợi ích fi t.