预测近期内将需要哪些商品，以便在适当时间、适当地点，交付足够的数量，这显然是个好主意。当它发生在某个阶段，即使客户都不知道要订购什么，这将变得更加具有未来性。
特别对于竞争激烈的电子商务业务，集约利用用户数据、搜索历史记录、提醒和愿望清单早已成为了标准做法。另一方面，对消费者来说，下单到收到货物之间的时间较长，这也是一项关键竞争因素。因此，进一步优化货物可用性和运输路线效率可以实现巨大的潜力，非常值得探讨。
预测分析是为此目的而采用的人工智能的一个有前途的应用。分析大量高质量数据并将其应用于数据模型中，可以有效地预测需求和用户行为。如果不断向模型中实时地输入新数据，自学习算法可以产生越来越可靠的仿真结果。理想情况下，公司不仅可以精确、即时地掌握其整个价值链中当前流程，还可以非常具体的了解客户需要什么或会订购什么。
美国陆军已经使用了类似复杂预测方法很多年。“C4I”是一种衡量未来军事指挥所需燃料的计算机控制程序。陆军可以通过此模型，管理部署所需的补给交付，并保证面向未来的计划和对自身供应链的控制。民用物流所需任务区别不大。
所有这些都直接落实了预测分析 - 特别是预期物流的概念。尤其是阿里巴巴和亚马逊这样的、拥有庞大数据池的零售商，其中涉及客户、客户行为、以往购买行为，及记录的未来意向 - 这是用于深入学习和大数据管理的、取之不尽的数据宝库。
亚马逊在2014年获得了“预期发货”的专利，它实至名归 - 这一概念旨在预测、包装和装运预计客户短期会购买的产品。换言之：甚至在实际购买之前，就会将产品发送到相应客户的本地中心。毕竟，速度很重要 - 这属于在一天之内将产品交付线上买家的电子商务行业工作的一部分，亚马逊似乎甚至在网上订单下达之前，就开始着手发送产品了。
相关场景并非那么不切实际：汽车制造商XY公司在内部系统中注册了订购替换部件的需求。采购部门在供应商网上商店下单。供应商已经根据以往订购行为，预测到了订单并保证了有产品的可售。同日收货便可以立即安装替换部件，不会给客户带来任何重大延误或引发额外存储费用。
终端消费行业的逻辑是相似的：Z太太会在次日晚上自发邀请几位朋友共进晚餐。这种场合需要特殊气氛，因此需要更多装饰。她先上网查询，然后在网上选择的一家零售商处找到了用品。这家零售商在Z太太家附近有一家分店。根据Z太太的购买、在线搜索历史及其它因素预测，已经在当地商店储存了这些用品。
同时，根据基于位置的服务，零售商知道客户何时处于商店区域，并发送推送通知，说明产品有售。然后Z太太选择在下班回家的路上取货，避免了送货不及时的风险。晚餐聚会也就得救了。这在今天听起来可能有些不现实，但许多研究表明，这很快就会成为现实。
这种型式简直突破天际。完全可以设想，客户可以向喜欢的网商授予一般预期交货授权。怎样运作呢？零售商通过预测技术决定客户需求，客户不费举手之劳，包裹即可到达目的地。无需点击鼠标。
尽管这一想法听起来很具有开创性，但也存在缺陷，亚马逊和其它任何公司都没有将预期交付完全成功地整合到现有物流概念中。一个问题是数据分析极其复杂，不仅需要创新的专业知识，还需要最先进的IT基础设施。另外，无法如很多采购专家希望的那样透彻地了解客户。换言之，虽然完全可以用当今技术检测用户的行为模式，但是，人类自发性足以妨碍基于这些模式，创建精确、一致的模式。然而，这让我们对这种技术方法在未来将如何发展更加感兴趣了。
每个人都知道它，每个人都受益于它：它就是条形码！它给我们和我们的日常生活带来巨大影响，我们离不开它。了解有关条形码的更多信息。
沃尔沃卡车公司开发出了第一台用于重载运输的自动牵引装置，并称之为Vera——一款低调的无驾驶室、无噪音的车。
游戏化在当前不仅仅是一种趋势。 为了利用人们的游戏本能，游戏中使用的一些机制正在被重新用于其他目的。 游戏将如何改变我们工作的未来？
