The probably most generic of all qu

The probably most generic of all questions for companies is: how to best and most profitably classify customers into category A (most valuable), B and C?

In this context many companies often just consider the size of their customers (by their respective turnover or number of employees) or at least by its own turnover generated with this customer. Both is easy to determine – but may be quite inappropriate. If the company rather considers the margin – potentially even including the expected future margin – whilst considering many factors, this is less trivial, however, it is also much more suitable.

[Data mining] can help a lot in this challenge. On the one hand a company may use such a data mining software to determine – on the basis of existing data – different customer patterns. These, in turn, may each have distinct driver attributes. This is much more revealing than the usual averaging analysis with conventional statistics programs. Companies are not really interested in knowing that the average age (B2C) or year of existence (B2B) of its customers is e.g. 30 years, but rather what exactly characterises the younger customers in cluster 1, in contrast to those in cluster 2; both may have entirely different key driver attributes – starting from the mostly bought products, via the sales channel (point of sale), to the most successful ad campaign. On the basis of this knowledge one can already trigger a lot of optimisations.

The calculated forecast quality may be even more important for the resource allocation within your sales department. Data mining can forecast on the basis of the analysis of past data whether a potential customer will become with great probability an A, B or C customer. This, in turn, is crucial if a company wants to make focused and efficient use of its sales force.

ผลลัพธ์ (ไทย) 1:

ทั่วไปของคำถามทั้งหมดสำหรับบริษัทส่วนใหญ่น่าจะเป็น: วิธีการที่ดีที่สุด และมีผลกำไรมากที่สุดจัดลูกค้าเป็นประเภท A (มีค่าที่สุด), B และ Cในบริบทนี้ หลายบริษัทก็มักจะพิจารณาขนาด ของลูกค้า (โดยหมุนเวียนตามลำดับหรือจำนวนพนักงาน) หรือน้อยโดยการหมุนเวียนของตัวเองสร้างขึ้นกับลูกค้านี้ ทั้งสองเป็นการตรวจ สอบ – แต่อาจไม่เหมาะสมมาก ถ้าจะพิจารณาหลักประกันอาจยังรวมถึงกำไรในอนาคตที่คาดหวัง – ในขณะที่พิจารณาหลายปัจจัย นี้เป็นสิ่งที่น่ารำคาญน้อย อย่างไรก็ตาม มันก็ยังเหมาะมากการทำเหมืองข้อมูลที่สามารถช่วยให้มากในความท้าทายนี้ หนึ่งในมือ บริษัทอาจใช้ซอฟต์แวร์ดังกล่าวเป็นข้อมูลการทำเหมืองแร่เพื่อกำหนด – บนพื้นฐานของข้อมูลที่มีอยู่ – รูปแบบลูกค้าอื่น เหล่านี้ จะ อาจได้รับแอตทริบิวต์ของโปรแกรมควบคุมที่แตกต่างกัน นี่คือการเปิดเผยมากขึ้นกว่าการ averaging ปกติวิเคราะห์ด้วยโปรแกรมสถิติทั่วไป บริษัทไม่ได้สนใจจริง ๆ ในการรู้ที่อายุเฉลี่ย (B2C) หรือปีของการดำรงอยู่ (B2B) ของลูกค้าเช่นเป็น 30 ปี แต่ค่อนข้าง อะไรว่าลักษณะลูกค้าอายุน้อยในคลัสเตอร์ 1 ตรงข้ามกับผู้ที่อยู่ในคลัสเตอร์ 2 ทั้งสองอาจมีแอททริบิวต์ควบคุมคีย์ที่แตกต่าง – เริ่มต้นจากผลิตภัณฑ์ส่วนใหญ่ซื้อ ผ่านช่องทางขาย (จุดขาย), แคมเปญโฆษณาประสบความสำเร็จ บนพื้นฐานของความรู้นี้ หนึ่งสามารถเรียกจำนวนมากที่ปรับแล้วคำนวณการคาดการณ์คุณภาพอาจเป็นสิ่งสำคัญมากสำหรับการจัดสรรทรัพยากรภายในของฝ่ายขาย การทำเหมืองข้อมูลสามารถคาดการณ์บนพื้นฐานของการวิเคราะห์ข้อมูลมาว่า ลูกค้าที่มีศักยภาพจะกลายเป็น มีดีน่าเป็น ลูกค้าที่มี A, B หรือ C ในการเปิด นี้ เป็นสิ่งสำคัญถ้าบริษัทต้องการมุ่งเน้น และมีประสิทธิภาพใช้ยอดขายแรง

ผลลัพธ์ (ไทย) 2:

อาจทั่วไปส่วนใหญ่ของคำถามทั้งหมดของ บริษัท คือวิธีการที่ดีที่สุดและมากที่สุดกำไรจำแนกลูกค้าในประเภท A (ที่มีคุณค่ามากที่สุด), B และ C?

ในบริบทนี้หลาย บริษัท มักจะเป็นเพียงพิจารณาขนาดของลูกค้าของพวกเขา (โดยผลประกอบการของตนหรือ จำนวนพนักงาน) หรืออย่างน้อยโดยผลประกอบการของตัวเองสร้างขึ้นด้วยลูกค้ารายนี้ ทั้งง่ายต่อการตรวจสอบ - แต่อาจจะค่อนข้างไม่เหมาะสม หาก บริษัท ค่อนข้างพิจารณาอัตรากำไร - ที่อาจเกิดขึ้นแม้รวมทั้งอัตรากำไรขั้นต้นคาดว่าในอนาคต - ในขณะที่เมื่อพิจารณาจากหลายปัจจัยนี้เป็นที่น่ารำคาญน้อย แต่ก็ยังเป็นที่เหมาะสมมากขึ้น.

[การทำเหมืองข้อมูล] สามารถช่วยได้มากในความท้าทายนี้ ในมือข้างหนึ่ง บริษัท อาจจะใช้ซอฟแวร์เช่นการทำเหมืองข้อมูลเพื่อตรวจสอบ - บนพื้นฐานของข้อมูลที่มีอยู่ - รูปแบบที่แตกต่างกันของลูกค้า เหล่านี้ในการเปิดแต่ละคนอาจมีแอตทริบิวต์ขับรถที่แตกต่างกัน นี้เป็นมากขึ้นกว่าที่เผยให้เห็นการวิเคราะห์ค่าเฉลี่ยปกติกับโปรแกรมสถิติเดิม บริษัท ไม่ได้สนใจจริงๆในการรู้ว่าอายุเฉลี่ย (B2C) หรือปีของการดำรงอยู่ (B2B) ของลูกค้าเป็นเช่น 30 ปี แต่สิ่งที่เป็นลักษณะเฉพาะของลูกค้าที่มีอายุน้อยกว่า 1 ในคลัสเตอร์ในทางตรงกันข้ามกับผู้ที่อยู่ในคลัสเตอร์ 2; ทั้งอาจมีแอตทริบิวต์ปัจจัยสำคัญที่แตกต่างกันอย่างสิ้นเชิง - เริ่มต้นจากการซื้อสินค้าส่วนใหญ่ผ่านทางช่องทางการขาย (Point of Sale) กับแคมเปญโฆษณาที่ประสบความสำเร็จมากที่สุด บนพื้นฐานของความรู้นี้อย่างใดอย่างหนึ่งแล้วสามารถเรียกจำนวนมาก optimisations ได้.

คุณภาพการคาดการณ์คำนวณอาจจะยิ่งมีความสำคัญมากขึ้นสำหรับการจัดสรรทรัพยากรภายในแผนกการขายของคุณ การทำเหมืองข้อมูลสามารถคาดการณ์บนพื้นฐานของการวิเคราะห์ข้อมูลที่ผ่านมาไม่ว่าจะเป็นลูกค้าที่มีศักยภาพจะกลายเป็นมีความน่าจะดี A, B หรือ C ลูกค้า นี้ในการเปิดเป็นสิ่งสำคัญหาก บริษัท ต้องการที่จะทำให้การใช้งานที่มุ่งเน้นและมีประสิทธิภาพของแรงขายของ

ผลลัพธ์ (ไทย) 3:

ที่อาจจะมากที่สุดทั่วไปของคำถามทั้งหมดสำหรับ บริษัท : วิธีการที่ดีที่สุดและมากที่สุดอย่างจำแนกลูกค้าออกเป็นประเภท ( ที่มีคุณค่ามากที่สุด ) , B และ Cในบริบทนี้หลาย บริษัท มักจะพิจารณาขนาดของลูกค้า ( โดยการหมุนเวียนของตนหรือจำนวนพนักงาน ) หรืออย่างน้อย โดยการหมุนเวียนของตนเองที่สร้างขึ้น กับลูกค้าแบบนี้ ทั้งสองจะง่ายในการตรวจสอบ ) แต่อาจจะค่อนข้างไม่เหมาะสม หาก บริษัท จะเห็นว่าขอบและอาจจะรวมถึงคาดว่าอนาคตขอบ–ขณะที่การพิจารณาหลายปัจจัย นี้เป็นเรื่องไร้สาระน้อยกว่า อย่างไรก็ตาม ก็ยังเหมาะสมมากยิ่งขึ้น[ ข้อมูล ] เหมืองแร่สามารถช่วยมากในความท้าทายนี้ ในมือข้างหนึ่งที่ บริษัท อาจจะใช้เป็นข้อมูลซอฟต์แวร์การทำเหมือง เพื่อตรวจสอบ และบนพื้นฐานของข้อมูลที่มีอยู่และลูกค้าต่างรูปแบบ นี้ในการเปิดอาจจะมีแตกต่างกันไดรเวอร์คุณลักษณะ นี้เป็นมากขึ้นกว่าปกติ โดยเปิดเผยการวิเคราะห์ด้วยโปรแกรมสถิติทั่วไป บริษัท ไม่ได้สนใจจริงๆว่า อายุเฉลี่ย ( B2C ) หรือปีของการดำรงอยู่ ( B2B ) ของลูกค้า คือ เช่น 30 ปี แต่สิ่งที่เป็นเอกลักษณ์แห่งความหรูหราของลูกค้าน้องในกลุ่ม 1 ในทางตรงกันข้ามในกลุ่ม 2 ; ทั้งสองอาจมีคุณลักษณะไดรเวอร์คีย์ที่แตกต่างกันทั้งหมด –เริ่มต้นจากส่วนใหญ่ซื้อผลิตภัณฑ์ ผ่านช่องทางการขาย ( Point of Sale ) , แคมเปญโฆษณาที่ประสบความสำเร็จมากที่สุด บนพื้นฐานของความรู้นี้แล้วสามารถเรียกมาก optimisations .ค่าพยากรณ์คุณภาพที่อาจจะสำคัญสำหรับการจัดสรรทรัพยากรในแผนกการขาย การทำเหมืองข้อมูลสามารถคาดการณ์บนพื้นฐานของการวิเคราะห์ข้อมูลที่ผ่านมาไม่ว่าจะเป็นลูกค้าที่มีศักยภาพจะกลายเป็น มีความน่าจะเป็นมาก A B หรือ C ของลูกค้า นี้ในการเปิดเป็นสิ่งสำคัญ หาก บริษัท ต้องการให้เน้น และประสิทธิภาพในการใช้แรงงานของ