利用分析技术和数据仓库技术的结合，Catalina市场营销公司可以在短时间内预测你下一次进入当地的Safeway超市或者Walgreens连锁药店很可能会买些什么物品。

　　Catalina公司的业务基础是两种相互独立而又有融合的技术。

　　第一种是数据仓库技术，允许Catalina公司整合、转换和存储近8000亿行客户数据，它详细描述了约2000万美国人在过去3年中的购物记录。

　　第二种是预测分析技术，驻留在数据仓库中允许Catalina公司针对庞大的数据集运行评分模型，而不必将其作为一个独立的应用程序运行。

　　数据库内嵌式分析融合了数据仓库和先进的分析技术，Netezza上周在波士顿用户大会上发布了TwinFin数据仓库工具的最新版本，包括新的扩展以帮助开发人员使用SAS研究院的MapReduce框架与R预测分析语言来构建先进的分析等。

　　SAS公司还与数据仓库供应商Teradata和Aster Data合作将其分析技术整合进数据库中。此外，IBM最近收购了先进的分析软件厂商SPSS，并且已经开始提供基于DB2和WebSphere的数据库内嵌式分析产品。

　　数据库内嵌的分析运行评分模型速度更快

　　Netezza市场营销副总裁Phil Francisco表示：“数据库内嵌式分析技术主要优点是像Catalina之类的公司就无需把数据库中的数据移动、转换到一个独立的分析应用程序，从而节约了宝贵的时间和精力。”

　　Catalina公司CIO Eric Williams赞同并指出使用数据库内嵌式分析技术减少了公司运行预测评分模型所需的大约30%至40%的时间，这意味着公司可以更频繁地对其大量的数据运行评分模型，以提高其准确度和客户的期望值。

　　“为了做到这一点，我需要难以想象的速度流转数据，”Williams说：“来自Netezza与SAS的数据库内嵌式分析技术，使得公司能够为每个客户每年运行600次以上的评分模型。”

　　“在这种情况下，把超过50TB的信息迁入到数据挖掘库，然后运行这些评分模型，最后再移回到它原先的数据仓库，可能需要花费数周时间，而事实上，之前我们的确用掉了这么长时间，”Williams补充道：“我们现在可以在几分钟内完成，因为我们已经把这种技术嵌入到数据库中。”

　　预测分析工具让企业锁定目标客户

　　佛罗里达州的St. Petersburg公司收集超过25,000家杂货店、药店和其他零售网点的POS机客户数据，它给每一个消费者分配一个ID号以追踪其购买模式。

　　数据被汇总放入一个数据仓库，在那里Catalina公司运行评分模型从数据中识别出购买行为的趋势。这些模型帮助Catalina公司判断消费者下一次到杂货店或药房可能购买哪些东西，然后把结果传递给该公司的客户。

　　因此，客户在结账后，就会基于以前他们的购买行为得到一张个性化的优惠券，比如一加仑免费牛奶或者非处方止痛药，Williams解释道。

　　能预测一个人未来可能购买什么以及作为第一家向消费品公司和制药公司提供此类服务是很关键的，Williams说。历史数据表明消费者喜欢一种新产品平均只能坚持大约18个月。

　　“如果我们能预测哪些人对哪些产品有兴趣，就可以给他们参加免费促销活动的机会，这是一个免费的随意的试用活动。如果顾客喜欢它，那就是说我们又多了一个客户。” Williams说。

　　数据库内嵌式预测分析的未来：实时分析

　　数据仓库技术和分析技术的结合甚至可能对大量数据运行近乎实时的预测分析。

　　比如在Catalina公司，对历史数据运行评分模型，然后应用到在结账时满足消费者的某些需求。Williams设想有一天对消费者刚刚完成POS机交易的数据近乎实时运行评分模型。

　　“这就是我们要达到的目标，”Williams说。 “这是我们的信念，我们实际上可以依据该交易数据和历史数据得到实时评分，并在两秒内对该交易作出反应，这就是我们需要的速度。”