想象一下这样的场景：你正准备出门接孩子放学。当你抓起钥匙时，咖啡桌上的
语音
助手
Alexa
提醒说：
“
牛奶明天就喝光了，今天的酸奶特价
1.19
美元。你想在
Trader Joe’s
（译者注：美国一家私营杂货连锁店）以
5.35
美元的价格一起下单购买吗？
”
假如你回答
“
是
”
，那么
Alexa
就会帮你确认订单。
15
分钟之内，商品就能准备齐全，当你从学校返回家时，就能直接从路边取件了。
上述场景其实并没有想象中那么遥远。
亚马逊
、
Facebook
、谷歌和苹果正在加速消费者期待方面的研究以及进行技术上可行的尝试，例如当日送达和机器驱动的图像识别技术。
现在，你已经能够通过苹果手机的
Siri
使用
Uber
打车服务，或者完全依靠
Facebook Messenger
聊天机器人订购一张机票。
回应型零售（
Responsive retail
）已经发展到了顶峰，我们即将进入预测型商业（
Predictive commerce
）时代。
对于零售商来说，是时候在人们产生需求的确切瞬间，帮助他们找到相应的产品
——
甚至是在他们形成这种意识之前
——
无论消费者是否登录了购物网站，是否准备好点击屏幕上的购买按钮。
这种商业模式的转移，要求我们设计出一种全新的体验，这种体验要将对人类行为的理解与大规模自动化、数据整合相融合。
在过去几年中，零售业巨头一直采用机器学习的算法来预测需求和设定价格。
2014
年，
亚马逊
取得了预测库存技术的专利权，并声称有关人工智能、机器学习和个性化定制的技术已
“
有所改善
”
的言论太过轻描淡写。
零售商需要像技术公司一样进行思考，不要仅仅利用人工智能和机器学习去预测如何安排店内库存和制作排班表，更要向消费者动态地进行产品推荐，进行富有吸引力的产品定价。
假设你正在出差，突然意识到自己忘了带手机充电器。为了能在会议开始前用上，你就不得不考虑重新买一个。
在这种情况下，一家电子产品零售商很有可能会预测你还想要一副新耳机。
考虑到你明天晚上还要搭乘航班，它会推荐你购买一副消音耳机，这副耳机兼顾了亚马逊上的定价、
Best Buy
店内的库存量以及快递费用。
为了实现这一层面的预测，技术人员要做到能够从动态的海量数据中识别出微妙的模式。这些数据集包括：消费者的购物历史，产品偏好，购物清单，竞争对手的定价和库存，以及当前和未来的产品需求。
这是人工智能和机器学习发挥作用的地方，也是许多公司正积极投资的领域。
为了提高搜索功能的预测能力，
Etsy
刚收购了一家专攻机器学习的公司，从而向用户呈现存在细微差别的产品推荐，而不单单是基于购买历史或产品偏好。
这是产品推荐的自然演进，也将会成为未来的标准模式。
预测型零售将在不同场景下激发消费者
的购买欲望——
购物前、购物中和购物后。
商业已经逐渐成为日常生活中的有机部分，不再是一种强行买卖。除了智能手机以外，还有很多东西会让我们不由自主地浏览和购买商品；
亚马逊
的
Dash
按钮和由语音助手驱动的
Echo
设备都可以让人们在家中享受到便捷的购物。当你发现家里的洗涤剂快用完了，就可以点一下
Dash
按钮；当你想起妈妈下周就要过生日了，就可以让
Alexa
帮你订一束鲜花……所有这些，其实都只是开始。
下一代智能助手和互联设备将通过学习用户习惯、识别行为模式和环境模式，来使得消费体验更具预测性。
像
Echo
这样的互联设备将获取用户日常交互产生的数据，对可能发生的交易及其时机做出精准预测。
在预测消费者行为和满足个体需求方面，零售店中的互联设备还有巨大潜力。许多零售商早已使用智能手机关注顾客动态，以及进行特定的商品推荐。
未来，生物识别技术、身份验证技术和位置传感器的进步，将能够使零售商在综合考虑各个因素后为消费者提供个性化推荐，
例如根据消费者的心情、花多少时间浏览商品，以及刚从公司下班还是刚做完健身等。
零售商需要用与线上购物相同的定位和个性化服务来设计线下体验。
想象一下，当你经过诺德斯特龙（
