“数据库存美妆库存”这句话如果只停留在概念上，临期问题永远无解。2024年我在帮一个年销售额接近4亿元的美妆品牌做库存结构分析时，账面库存金额约6800万元，库存周转天数72天，看起来相当健康。但当我按批次、入库日期和剩余效期拆开后发现，未来90天内到期的库存占比高达16%，对应金额超过1000万元。更麻烦的是，这批临期品分散在十几个渠道里，运营人员每天看到的都是“有货”，没有人意识到其中一部分已经进入倒计时。
这件事让我确信一个判断：美妆行业的临期问题，从来不是仓储问题，而是数据问题。
这篇文章不打算讲仓储理论，也不想复述“先进先出”这类谁都知道的原则。我想基于自己这些年做美妆供应链数据分析、库存系统实施和渠道库存梳理的真实经验，把“数据库存”这件事讲透：效期数据怎么建模、临期预警怎么分层、折扣怎么算、什么时候该清货、什么时候该保价格。你会看到具体的公式、案例、表格和判断逻辑，而不是一堆正确但无用的建议。
做美妆库存数据分析，我第一个要问的问题永远是：你的库存数据能精确到哪个维度？如果回答是“我还有5000件”，那这个库存数字几乎没有决策价值。美妆库存的价值必须乘以一个效期系数才有意义。同样5000件面霜，剩余效期320天和剩余效期75天，在渠道面前的话语权完全不同。前者可以进直播间做爆款，后者连正常铺货都困难。
美妆品类的特殊性在于，产品价值随时间衰减，而且衰减曲线不是线性的。一支口红剩余效期三年和两年，消费者感知差别不大；但剩余效期一年和半年，终端动销会明显分化；剩余效期低于90天，大部分正规渠道已经拒绝收货。这个特性决定了，库存管理的颗粒度必须细化到“批次+效期”层面，而不是停留在SKU总库存层面。
我见过太多品牌的库存报表，只有SKU、数量、金额三个字段。这种报表用来对账可以，用来做临期管理完全无效。真正需要的数据结构是：哪个批次、什么时间生产、什么时间入库、到期日是哪天、现存多少、放在哪个库位、来自哪个渠道。没有这些字段，库存就是一堆有金额的空壳。
一个反常识的观察是：绝大多数临期库存，在入库那一刻就已经注定，只是团队到了临期才发现。某款精华液进货3000瓶，效期还剩18个月，所有人都觉得时间充裕。但没人跟踪月度动销，等发现卖不动的时候，效期已经只剩4个月。这个过程中，产品没有变，渠道没有变，唯一变化的是数据没有被看见。
真正的专业做法是把问题前置。入库时就录入生产日期、到期日期，设定“剩余效期比例”字段，每周自动刷新，当剩余效期占总效期的比例低于阈值时自动触发预警。这样就能把临期决策窗口从“最后30天”拉长到“最后90天”。决策窗口越长，处理手段越多，资金回收率越高。
很多品牌每个月看一眼“库存损耗”总金额，亏了也不知道亏在哪里。损耗成本应该拆成几类：采购过量导致的呆滞损耗、渠道退货导致的效期损耗、物流挤压导致的破损损耗、活动预估失误导致的季节损耗。每一类的处理方式完全不同。
比如采购过量导致的损耗，做再多临期促销都是治标不治本，要从需求预测和补货机制下手；渠道退货导致的效期损耗，要调整的是直播间的备货逻辑和退货质检流程。只有把损耗归因到环节，才能反推运营动作，而不是在月底对着损耗总额叹气。
先讲三个我实际接触过的场景。这三个场景基本覆盖了美妆行业临期库存的三大来源，理解了它们，你才知道从哪个环节去堵漏洞。
某品牌同时做分销、直营、直播和私域。一批货从总仓发出，各渠道到手的时间和动销速度完全不同。直营渠道一个月卖掉40%，分销渠道三个月只卖掉10%。如果调拨只看“哪个渠道缺货”，不看“哪个批次的库存快到期”，最终的结果就是：缺货的渠道拿到新批次，慢销渠道的旧批次继续在仓库里消耗效期。
我见过最夸张的案例是：同一款水乳套装，A渠道断货45天，B渠道积压了2000套且效期已不足120天。两边数据如果不放在同一张效期表里对比，根本发现不了这种错配。调拨逻辑必须把“剩余效期”作为优先级排序字段，而不是只按“需求量”来配货。
直播渠道的退货率远高于传统电商。我观察到的行业常态是30%到50%的退货率，某些冲动型彩妆单品甚至更高。退货品从消费者手里退回来，经过快递在途、质检、重新入仓，平均要花7到15天。这个时间损耗没有多少系统会记录。
更隐蔽的情况是：直播渠道通常集中备大货，一批货的剩余效期本来就只有6到8个月。大货发出去，退货率高企，退回来的产品在仓库再躺三周，效期就跌破4个月。这时候再想进其他渠道，渠道已经设置了效期门槛。直播越火，退货越多，临期库存反而越多，这是很多品牌没有意识到的暗面。
品牌升级包装后，旧包装产品在终端的动销会肉眼可见地下降。导购更愿意推新品，渠道商更愿意进新货，旧包装产品从“正常品”变成了“准临期品”。这类库存不是因为质量不行，而是因为“版本落后”导致效期被加速消耗。数据表现很典型：老包装SKU的周转天数从45天一路拉长到120天，效期被一点点耗干。
这个场景最容易被忽略，因为财务账上它仍是资产。但渠道已经悄悄给它打了“低优先级”标签。等品牌方反应过来，老包装产品已经进入临期处理流程，只能打折清掉。
下面这些误区不是从书上看来的，是我在帮品牌做库存梳理时反复遇到的真实情况。每一条都在直接制造损耗。
一个SKU库存5000件，日均销50件，看起来可以卖100天。但如果这个SKU分三个批次入库，其中1000件只剩下20天效期，那这个库存的真实结构就是：4000件正常品加1000件准临期品。只看总量，运营会觉得一切正常；拆分到批次，才能发现风险。
正确的口径是计算“可售天数”与“剩余效期天数”的比值。当可售天数大于剩余效期天数时，意味着库存无法在效期内卖完，必须立刻采取行动。这个比值比总库存金额重要得多，它是判断临期风险的核心指标。
采购确实可能买多，但我看到的更多情况是：临期库存的源头是需求预测失效、渠道退货和活动预估失误。让采购一个人背锅，并不能解决问题，反而掩盖了渠道数据不打通这个真正病灶。某个SKU临期了，是哪个渠道卖得慢？是哪个批次备货过多？是哪个活动拉低了毛利？这些问题的答案散落在不同部门，不把数据聚到一起，永远找不到责任人。
打折是见效最快的方式，但也是破坏价格体系最快的方式。一个品牌如果频繁在公开渠道打折，消费者就会形成“等折扣”的心理预期。其实临期处理的手段远不止打折：组合装、满赠、会员积分兑换、员工内购、企业福利采购、私域闪购。每种手段的适用场景不同，但都要求你先明确这批货还能在哪些渠道合法、合规、不损伤品牌地流转。
Excel维护批次台账，在SKU数量少于50个的时候勉强可行；SKU达到几百个、批次上千个的时候，人工维护必然出现数据错误和更新延迟。我见过一个品牌每周五用Excel导出效期表，然后运营手动筛选“剩余天数小于90天”的产品。这中间过去了一周，销售数据没有回写，效期判断整整滞后7天。手工维护的速度，永远赶不上效期衰减的速度。
财务算的库存周转率，是用库存金额除以销售成本，这个口径跟效期完全没有关系。一支只剩30天效期的口红，在财务账面上跟一支全新口红金额一样。这就导致库存周转率看着正常，实际上大量资产正在加速归零。数据库存和账面库存的分叉点就在这里：一个记录了效期衰减，一个只记录金额。
数据库存不是上一套系统就完事，而是要有一套可执行的逻辑。下面这套方法是我在项目中反复用过的，不依赖复杂工具，一张Excel或轻量数据库就能跑起来。
第一步永远是建立批次台账。每批货入库时，必须记录下表字段：
| 字段 | 说明 | 示例 |
|---|---|---|
| SKU编码 | 商品唯一标识 | SKU10023 |
| 批次号 | 入库批次的唯一编号 | B20241105 |
| 生产日期 | 产品出厂日期 | 2024-08-10 |
| 入库日期 | 进入本仓库的日期 | 2024-09-15 |
| 到期日期 | 保质期截止日期 | 2026-08-09 |
| 剩余天数 | 到期日期减去当前日期 | 365天 |
| 库位 | 物理存放位置 | A3-02 |
| 来源渠道 | 这批货从哪个渠道退回或调入 | 直播退货 |
| 库存数量 | 当前可用数量 | 1200件 |
这个表建立之后，所有分析都基于它展开。建议每周一自动刷新“剩余天数”字段，把到期日期减去当天日期，而不是手工改。手工改一定会漏，一漏就会把临期品当成正常品。
我习惯用“剩余效期占总效期的比例”来分层，而不是只用绝对天数。因为不同品类的保质期差异很大：口红保质期三年，精华液可能只有一年半，用同一个“剩余90天”标准去套，对精华液太严苛，对口红又太宽松。
分层建议如下：
这个分层逻辑的好处是：预警阈值跟品类生命周期挂钩，而不是拍脑袋定一个“90天”。
临期品定价不能靠感觉。我常用一个简单模型：理论折扣价 = 吊牌价 ×（剩余效期天数 ÷ 总效期天数）的0.7次方。为什么加0.7的幂指数？因为消费者对效期的敏感度不是线性的，剩余效期越短，折扣心理门槛越高，折扣幅度需要比效期衰减速度更快，才能触发购买。
举个例子：一款面霜吊牌价300元，总效期1095天，剩余效期200天。按公式计算：200/1095≈0.183，0.183的0.7次方约0.30，理论折扣价约90元。这个价格不是最终售价，而是定价锚点，运营可以根据渠道特点在此基础上上下浮动。
最后一步是把效期折算成“有效库存”。我建议使用以下公式：效期系数 = min(剩余效期天数 / 90, 1)。也就是说，剩余效期大于90天的库存按原值计算；少于90天，按比例折算。这个口径能让财务、采购、运营在同一个维度对话。
可售天数的准确算法也不是简单的“总库存÷日均销量”，而是按批次加权：可售天数 = Σ(批次数量 × 批次剩余天数) ÷ 日均销量。这个口径把效期直接纳入销售计划，避免“账面上还能卖100天，实际已经卖不完”的错位。
下面是一段简单的Python示例，演示如何计算批次效期系数：
import pandas as pd
from datetime import date
def calc_remaining_days(row, today):
return (row['expiry_date'] - today).days
def calc_effective_stock(row):
days_left = row['remaining_days']
return row['qty'] * min(days_left / 90, 1)
df['remaining_days'] = df.apply(calc_remaining_days, axis=1, today=date.today())
df['effective_qty'] = df.apply(calc_effective_stock, axis=1)
risk_list = df[df['remaining_days'] < 90].sort_values('remaining_days')这个脚本跑一遍，就能输出未来90天内到期的库存清单。真正落地时，你甚至不需要写代码，Excel里加两列公式就能实现同样的效果。
数据模型说再多，不如看一个完整案例。这里用我处理过的一类典型场景做说明，数据经过脱敏和标准化处理。
假设某品牌有100万元账面价值的库存，剩余效期分布为：180天50万元、120天30万元、90天15万元、60天5万元。现在分四条处理路径：
| 处理路径 | 决策时点 | 平均折扣 | 预计资金回收 | 附带成本 |
|---|---|---|---|---|
| 路径A：提前90天启动促销 | 剩余效期90天时 | 6.5折 | 65万元 | 平台推广费约3万元 |
| 路径B：提前45天转特卖渠道 | 剩余效期45天时 | 4折 | 40万元 | 物流调拨费约1万元 |
| 路径C：临期30天止损清货 | 剩余效期30天时 | 2折 | 20万元 | 物流和仓储处置约2万元 |
| 路径D：放任不管直接报废 | 到期日 | 0折 | 0万元 | 清运处置约3万元 |
这个对比已经很直观：提前90天处理的回收是临期30天处理的3倍以上。但我还想指出一个容易被忽略的点，路径A的“6.5折”并不一定是全局最优解。如果把100万库存拆到SKU级别，按各自的效期匹配不同的处理渠道，回收率还能更高。
继续用上面的案例。50万元效期180天的库存，完全可以走正常渠道，用“买正装送小样”的方式消化，不需要直接降价；30万元效期120天的库存，进核心渠道做满减活动，折扣控制在7折左右；15万元效期90天的库存，走私域闪购或员工内购，折扣5折；5万元效期60天的库存，直接并入福利采购渠道，按3折一次性打包。
我在实际项目中测过这个方案。拆到SKU级别做渠道匹配后，预计总回收金额约78万元，比“统一6.5折促销”的路径A高出13万元，而且对主渠道价格体系的冲击更小。临期处理的收益差距，本质上就是数据颗粒度的差距。
如果把不同效期对应的平均回收率画成曲线，你会发现一条明显的“衰减加速线”：剩余效期180天时，平均回收率能做到80%左右；剩余120天时降到68%；剩余90天时降到55%；剩余60天时只剩38%；剩余30天时只有20%。
这个曲线告诉我们一个核心事实：临期处理的黄金窗口在剩余效期90天之前。一旦跌破90天，回收率会加速下滑，每拖一周损失都很大。很多团队把精力花在“怎么把临期品卖出去”上，其实更应该问“为什么没有在90天前发现它”。
有一款身体乳，总效期1095天，剩余效期150天，库存1800件，日均销量8件。按账面算，可以卖225天，但剩余效期只有150天，意味着如果不动销，最多只有三分之二的库存能在效期内卖完。而且这款身体乳的动销率还在下降。
我给的建议不是直接降价，而是把它做成“组合装”：与同品牌的沐浴露组成“洗护套装”，用沐浴露的正常利润补贴身体乳的折扣，整体保持7折出售。这样既保住了身体乳的价格锚点，又用组合装的形式给了消费者“额外获得感”。最终这批库存提前45天清完，回收率71%，远高于同期另一款直接降价产品的49%。
数据库存的落地不是某一个部门的事。品牌方、代理商、门店和电商运营各自掌握不同的数据，也承担不同的责任。下面按角色拆解。
品牌方需要做三件事。第一，从现有ERP或WMS中导出批次效期字段，建立独立的效期台账，每周一自动输出“未来90天到期库存清单”。第二，设置预警机制：当到期库存金额超过总库存的5%时，触发管理层复盘。第三，把临期损耗计入渠道负责人KPI，让“谁管渠道、谁对效期负责”成为制度。
这一步最困难的地方不是技术，而是数据结构。很多品牌的ERP连批次效期字段都没有，只有入库日期。这种情况下，先补数据基础，再谈精细化管理。如果SKU超过500个，建议使用轻量级数据库或库存管理工具，而不是继续用Excel。
代理商手里握着品牌方看不到的终端数据：实际动销、陈列位置、竞品挤压。品牌方应要求代理商每月上报“库存批次效期表”，包括每个SKU的库存数量、生产批次、到期日期。作为交换，品牌方可以把临期品的处理权下放，让代理商在授权价格区间内自行消化，并在返利政策上给予倾斜。
这个机制跑通之后，代理商不再是被动接货的“仓库”，而是主动管理效期的“渠道合伙人”。有一次我们给一个代理商调拨了500件临期面膜，对方通过店员朋友圈三天清完，回收率比总部统一促销高出15%。原因很简单：代理商离消费者更近。
门店之间的调拨，不能只看“A店缺货、B店有货”，还要看“B店的货还剩多少效期”。建议调拨优先级排序为：剩余效期最短的批次优先调出；动销最快的门店优先调入；距离到期日小于60天的批次禁止配送到低客流门店。
有一个容易被忽略的细节：门店退货时，效期数据要跟货一起走。很多门店退回仓库的产品，因为随货单据不完整，仓库只能重新人工判定效期，既耗时又容易出错。建议门店退货单上强制填写生产批次和到期日期，否则仓库拒收。
电商运营做活动规划时，应该先看效期风险单，再排推广资源。正常品的活动节奏按季节和热点走，临期品的活动节奏按效期倒排。建议把临期品的活动单独拉出来，设置独立的链接和独立的折扣，不要和正常品混在同一个活动中。这样既避免拉低正常品的价格认知，又方便统计临期品的实际回收率。
另一个实操技巧是：临期品在详情页显著标注“限时特惠”和保质期信息，反而能提升转化率。消费者不是怕临期品，而是怕“不明码标价的临期品”。把效期写清楚，把折扣给到位，转化率会比遮遮掩掩高得多。
最后说工具。我的建议是：不要一上来就采购重型WMS或ERP模块。先用轻量表格加自动化脚本，把效期台账跑起来。当SKU超过500个、批次超过2000个时，再考虑系统化。
选系统时重点看三个能力：是否支持批次效期字段；能否按剩余天数自动计算和预警；是否支持与多渠道库存数据对接。很多系统号称有库存管理功能，实际上只有“数量”和“金额”，没有“批次”和“效期”，这种系统对美妆品类等于没有用。如果团队已经有协作工具，可以把效期预警报表接入其中，让相关责任人每周自动收到风险清单。
临期处理不全是数学题。数据告诉你哪批货风险高，但具体怎么处理，还取决于公司的现金流状况、渠道结构和品牌定位。下面这些取舍规则，是我在实际项目里总结出来的，不一定适合所有品牌，但值得参考。
如果公司现金流紧张，下个月要付供应商货款，那么宁可牺牲毛利也要快速回笼资金。这时候优先选择特卖渠道、企业福利采购等能一次性打包出货的路径，哪怕折扣低一点。如果现金流健康，则优先保护价格体系，用组合装、满赠等“变相降价”的方式消化，避免在公开渠道留下大额折扣记录。
临期品进入哪个渠道，直接影响品牌的价格体系。核心原则是：临期品不要进入主渠道，不要和正常品在同一个页面展示。直播闪购、私域秒杀、员工内购、企福平台都是相对隔离的渠道，价格冲击相对可控。如果必须走电商平台，建议使用“福利专区”的形式，把临期品集中在一个入口，避免和主推款直接比价。
有些库存是平台专供版，包装和配方与通用版不同，即使临期也不能转到其他渠道销售。这种情况只能在原平台内消化，要尽早启动内容种草加优惠券组合，拉高商品卡流量。如果剩余效期已不足45天，建议放弃价格保护，直接按残值处理。平台专供品在效期面前没有“品牌资产”可言，早回收一天是一天。
高客单价的大牌产品，临期处理尤其要谨慎。一个低价临期链接，可能影响整个专柜的价格锚点，让之后的正常品销售变得艰难。这种情况下，我建议优先走赠品和会员积分兑换，不公开降价。赠品路径的“回收”不是现金，而是会员活跃度和客单价提升，但长期来看对品牌是更优选择。
当效期数据与销售经验冲突时，以“未来90天可售天数”为准。举个例子：运营觉得某个SKU“最近卖得不错，不用处理”，但数据算出来的可售天数大于剩余效期天数，说明即使动销正常，库存也卖不完。这种情况不能等，必须启动加速销售动作。
我的经验是：数据说需要处理的时候，行动越早越好；数据说还安全的时候，也不要放松监控。效期管理不是一次性动作，而是每周滚动的循环。
临期库存处理真正拼的，不是最后一个月怎么办，而是前几个月数据有没有被看见。库存数据如果不能细化到批次和效期，就是一堆有金额的空壳。这个观点贯穿整篇文章，也是我在多个项目中反复验证过的结论。
你不需要立刻上线一套昂贵的系统，也不需要做一个庞大的数据中台。本周就可以做三件事：第一，从现有ERP或Excel里导出所有SKU的批次、入库日期、到期日期；第二，按“剩余效期÷总效期”算出每个批次的风险等级；第三，找出未来90天内到期的库存清单，按本文第七部分的取舍逻辑做分流，决定哪些走促销、哪些走特卖、哪些做组合装，哪些直接放弃。
做完这三件事之后，你会第一次看清你的库存真实结构。库存不会因为你不看就停止老化，数据也不会因为你不记录就自动生成。把数据库存建起来，临期问题就会从“突发事故”变成“例行流程”。
我经营一家美妆店，囤了很多产品，每次找临期品都要翻包装和Excel，特别累。我想在数据库里管理库存，但不知道保质期字段应该怎样设计，才能提前90天自动提醒？有没有人做过类似系统，可以分享具体表结构和计算逻辑吗？
设计保质期字段时，我强烈建议库存表直接存“到期日”，而不是“生产日期+保质期”。仓库收货时，包装上通常印着“限期使用日期”，直接录入最省事，也避免计算误差。我早期用生产日期+保质期的方案，结果发现部分进口品的“限期使用日期”比理论推算早几个月，导致漏掉临期预警。
具体字段建议：product_id、batch_no、production_date、shelf_life_days、expiry_date、opened_date、pao_months。注意区分未开封保质期和开封后保质期（PAO），例如面霜未开封3年，开封后6个月。
很多美妆库存系统只管理未开封保质期，却忽略开封后的使用期限，这是大坑。预警查询方面，用DATEDIFF(expiry_date, CURDATE())计算剩余天数，然后设置多级预警：小于90天、小于60天、小于30天分别触发不同颜色。记得给expiry_date建索引，否则SKU量大了速度会慢。
我亲眼见过没有索引时全表扫描要几秒，加上索引后毫秒级。
我导入了一批美妆库存数据，发现很多商品的保质期字段是空的，还有的写成“2024/5/30”和“20240530”混在一起，甚至出现“2024-13-45”这种乱码。用Excel清洗太慢了，我想知道用数据库或Python有没有高效的处理技巧？特别是怎么识别无效日期并修正？
清洗临期库存数据，第一个动作是统一日期格式。我处理过一批从Excel导入的数据，发现“2024/5/30”“20240530”“2024.5.30”和Excel序列号45000混在一起，直接用pd.to_datetime会报错。
我的做法是先将所有分隔符替换为“-”，再用errors='coerce'强制转换，失败的置为NaN。对于只有年月的日期，比如“2024.5”，我按“2024-05-31”填充，但会加标记“低置信度”，避免后续误判。
更关键的是处理非法日期，例如“2024-02-30”，我写了一个函数用calendar.monthrange校验每个月份的天数。清洗后，我会用SQL的约束确保expiry_date大于production_date，否则无法入库。但要注意，不要随意填充缺失的有效期。
有一次我因为用平均值填充，结果把一批90天临期的产品当成还有800天，差点造成过期损耗。所以对于无法确认的，必须设置为NULL，并在查询时排除。清洗完成后，我建议抽取10%的样本人工核对，我发现约3%的正则匹配错误，人工复核后修正了。
我的库存里有大量临期美妆产品，处理方法无非是打折、捆绑、赠品，但怎么判断哪些产品值得促销、哪些直接报废？我想根据销量、利润、库存量来分类，但不知道具体怎么算。有人用数据库做过临期产品的ABC分析吗？求具体操作步骤。
临期美妆处理不能只看剩余保质期，要结合SKU的利润和销量做决策。我的方法是用数据库算出一个“处理优先级分数”：分数 = 库存金额 × 临期系数 ÷ 预计可回收天数。其中临期系数根据剩余保质期分段，例如小于30天为5，小于60天为3，小于90天为1.5。
然后把SKU分成A、B、C三类：A类高毛利、高周转，应优先通过直播或核心渠道清货；B类中毛利、中周转，可以搭配赠品或第二件半价；C类低毛利、低周转，直接捐给公益机构或报废，因为处理成本可能超过残值。
我服务过一家美妆分销商，在数据库里加了近90天销量字段，发现某面膜SKU有2000盒，有效期还剩70天，但近90天只卖出20盒。按评分它属于C类，我建议不再做营销投入，直接大客户团购处理，结果30天内以成本价出了1500盒，挽回2万元损失。
注意：防晒、VC等活性成分产品，即使剩余60天也可能失效，需要把“效期敏感性”作为独立字段，比如0=稳定、1=敏感，计算处理优先级时乘以1.5的加权。不能所有美妆都一样对待。
我做美妆批发，同一款产品有多个生产批次，仓库发货时老是先发新批次的，导致旧批次临期过期。我想用数据库管理批次和库龄，但不知道具体怎么操作？怎样设置规则让仓库自动先出旧货？
管理美妆批次的关键是建立“批次库存表”，每个批次一行，字段包括batch_id、product_id、received_date、expiry_date、quantity。同时，还要把库龄和剩余保质期分开看，因为库龄长的批次不一定先过期。
我用过两个排序字段：ORDER BY expiry_date ASC, received_date ASC，这就是FEFO（先到期先出）。如果只按expiry_date排序，遇到同一到期日但库龄不同的情况，仓库可能先发新批次，导致旧批次积压。
为了做到自动推荐，我在出库界面的底层SQL里，用了一个带条件的查询：WHERE quantity>0 AND expiry_date>CURDATE()，然后按上述排序取前N条。系统会在每次扫码时显示“建议批次”和“剩余有效期”。
实际效果：某仓库每个月过期损耗约占总库存3%，用了这个规则后降到0.8%。另外，我还设置了“库龄预警”：received_date超过365天，或者expiry_date距离当天不足120天，自动在报表中黄色标亮。
注意：如果商品是开封后退货的，一定要记录opened_date，像试用装这种不适合再按原批次管理。这样做的好处是盘点时只需核对批号和数量，避免人为判断。
读者评论
文章里“临期问题从来不是仓储问题，而是数据问题”这个判断我完全同意。我们公司SKU不多，但以前只盯总库存，直到发现一批货效期只剩两个月才意识到，拆分到批次+到期日之后，很多风险其实早就能看到。这个决策窗口从最后一两周拉到90天，手段和回收率完全是两回事。
数据颗粒度那段太真实了。我见过太多只用Excel手工维护批次台账的团队，每周导一次表，等筛选出来已经滞后好几天。文章给出的“可售天数/剩余效期”比值这个指标很实用，比看库存金额和账期直观多了。按批次设预警、分层处理，能提前发现风险，而不是月底对着损耗总额叹气。
直播退货率那条直击要害。我们卖彩妆，直播间退货长期35%以上，之前只处理退货，没想过退货品在途加质检会吃掉十几天效期。老包装更替那段也是，导购永远推新品，旧包装躺着变成准临期。看完后我把调拨逻辑加上效期优先级了，不再只看缺货量。