預測近期內將需要哪些商品，以便在適當時間、適當地點，交付足夠的數量，這顯然是個好主意。當它發生在某個階段，即使客戶都不知道要訂購什麼，這將變得更加具有未來性。
特別對於競爭激烈的電子商務業務，集約利用用戶數據、搜索歷史記錄、提醒和願望清單早已成為了標準做法。另一方面，對消費者來說，下單到收到貨物之間的時間較長，這也是一項關鍵競爭因素。因此，進一步優化貨物可用性和運輸路線效率可以實現巨大的潛力，非常值得探討。
預測分析是為此目的而採用的人工智能的一個有前途的應用。分析大量高質量數據並將其應用於數據模型中，可以有效地預測需求和用戶行為。如果不斷向模型中實時地輸入新數據，自學習算法可以產生越來越可靠的仿真結果。理想情況下，公司不僅可以精確、即時地掌握其整個價值鏈中當前流程，還可以非常具體的了解客戶需要什麼或會訂購什麼。
美國陸軍已經使用了類似複雜預測方法很多年。 “C4I”是一種衡量未來軍事指揮所需燃料的計算機控製程序。陸軍可以通過此模型，管理部署所需的補給交付，並保證面向未來的計劃和對自身供應鏈的控制。民用物流所需任務區別不大。
所有這些都直接落實了預測分析 - 特別是預期物流的概念。尤其是阿里巴巴和亞馬遜這樣的、擁有龐大數據池的零售商，其中涉及客戶、客戶行為、以往購買行為，及記錄的未來意向- 這是用於深入學習和大數據管理的、取之不盡的數據寶庫。
亞馬遜在2014年獲得了“預期發貨”的專利，它實至名歸 - 這一概念旨在預測、包裝和裝運預計客戶短期會購買的產品。換言之：甚至在實際購買之前，就會將產品發送到相應客戶的本地中心。畢竟，速度很重要 - 這屬於在一天之內將產品交付線上買家的電子商務行業工作的一部分，亞馬遜似乎甚至在網上訂單下達之前，就開始著手發送產品了。
相關場景並非那麼不切實際：汽車製造商XY公司在內部系統中註冊了訂購替換部件的需求。採購部門在供應商網上商店下單。供應商已經根據以往訂購行為，預測到了訂單並保證了有產品的可售。同日收貨便可以立即安裝替換部件，不會給客戶帶來任何重大延誤或引發額外存儲費用。
終端消費行業的邏輯是相似的：Z太太會在次日晚上自發邀請幾位朋友共進晚餐。這種場合需要特殊氣氛，因此需要更多裝飾。她先上網查詢，然後在網上選擇的一家零售商處找到了用品。這家零售商在Z太太家附近有一家分店。根據Z太太的購買、在線搜索歷史及其它因素預測，已經在當地商店儲存了這些用品。
同時，根據基於位置的服務，零售商知道客戶何時處於商店區域，並發送推送通知，說明產品有售。然後Z太太選擇在下班回家的路上取貨，避免了送貨不及時的風險。晚餐聚會也就得救了。這在今天聽起來可能有些不現實，但許多研究表明，這很快就會成為現實。
這種型式簡直突破天際。完全可以設想，客戶可以向喜歡的網商授予一般預期交貨授權。怎樣運作呢？零售商通過預測技術決定客戶需求，客戶不費舉手之勞，包裹即可到達目的地。無需點擊鼠標。
儘管這一想法聽起來很具有開創性，但也存在缺陷，亞馬遜和其它任何公司都沒有將預期交付完全成功地整合到現有物流概念中。一個問題是數據分析極其複雜，不僅需要創新的專業知識，還需要最先進的IT基礎設施。另外，無法如很多采購專家希望的那樣透徹地了解客戶。換言之，雖然完全可以用當今技術檢測用戶的行為模式，但是，人類自發性足以妨礙基於這些模式，創建精確、一致的模式。然而，這讓我們對這種技術方法在未來將如何發展更加感興趣了。
每個人都知道它，每個人都受益於它：它就是條形碼！它給我們和我們的日常生活帶來巨大影響，我們離不開它。了解有關條形碼的更多信息。
沃爾沃卡車公司開發出了第一台用於重載運輸的自動牽引裝置，並稱之為Vera——一款低調的無駕駛室、無噪音的車。
遊戲化在當前不僅僅是一種趨勢。為了利用人們的遊戲本能，遊戲中使用的一些機制正在被重新用於其他目的。遊戲將如何改變我們工作的未來？
