动态折价怎样同时考虑利润和浪费，而不是简单一天降一次价格？
临期商品自动降价看起来很简单，真正困难的是系统必须判断这件商品如果今天不降价，明天究竟还有多大概率卖掉。“每天降一次价”的规则回答不了这个问题，结果要么降早了白白损失毛利，要么降晚了照样报废。
先看研究：四种折扣策略的比较
2026 年 2 月，瓦赫宁根大学与研究中心的 Haijema 等人在《International Journal of Production Economics》第 292 卷发表了一项生鲜食品保质期折价研究。他们用随机动态规划为追求利润最大化的零售商求最优折扣，让同一货架上多个到期日批次并存，顾客分成两类：先拿最早到期商品的 FEFO 顾客，和偏好最新鲜商品的 LEFO 顾客；需求随价格变化，折扣足够大时，部分 LEFO 顾客会转买临期品。研究比较了不打折、静态“最后一天”折扣、动态“最后一天”折扣和“最后两天”折扣。
静态“最后一天”折扣确实降低了浪费，但利润常常明显下降。一个合理的解读是：统一的最后一天折扣把原本愿意付原价的 LEFO 顾客也引向了折价品，浪费下来了，毛利也一起被拉低；把窗口提前到最后两天，并让幅度随库存与需求调整，才有可能既少浪费又保利润。
研究结论与本文示例要分开看
上面的 3.8%、5.6%、3.6% 是该研究在其假设模型下的结果，不是必赢亚洲的运营数据，也不是某家门店的折扣表。后文表格里的数字全部是示例推演。
六个输入，三个输出
必赢亚洲临期食品把这类研究的思路落成工程设计：每天对每个批次读入六项输入，输出三个决定——今天是否降价、降多少、是否限量或捆绑。
| 输入 | 数据来源 | 决定什么 |
|---|---|---|
| 剩余保质期 | 批次到期日，多批次逐批计算 | 还剩几次调价机会，不降价的报废风险 |
| 库存数量 | 门店与批次实时库存 | 需要在剩余时间里消化多少件 |
| 历史销量 | 同门店、同品类、同星期几的销速 | 不降价时每天预计卖多少 |
| 价格敏感度 | 历史调价前后的销量变化 | 降价 1% 能多卖多少 |
| 预计未来销量 | 必赢亚洲智能库存的需求预测 | 剩余天数内可卖总量与不确定范围 |
| 门店客流 | 分时段客流 | 折价何时生效、限量多少 |
价格敏感度和预计销量都有误差，尤其是新品或调价样本少的商品，只能借用同品类的弹性并给出区间，所以系统算的是期望值，而不是一个确定的销量。研究里的“最后两天”还有一个提示：候选动作应包含提前一天降价，并允许恢复原价——倒数第二天若卖得快，最后一天库存低于原价预计销量，就不必再降。这正是“动态”与“定时”的区别。
目标函数：期望毛利减期望报废
示例推演 · 目标函数
候选动作 a = (价格 p, 限量 q)，逐个计算：
J(a) = E[毛利](a) − E[报废件数](a) × (c + d + w)
E[毛利](a) = Σ 各天预计售出量 × (售价 − 成本 c)
d 处置费；w 减废权重（w = 0 即纯利润目标）
取 J 最大的动作，且售价不低于品类价格下限w 是企业愿意为少浪费一件额外付出的代价。它让利润和浪费出现在同一个公式里，而不是先按利润降价、事后再核算浪费。取 w = 2 元时，报废 6 件的不打折方案由 57 降到 45，与最后两天 9 折的差距从 9 元拉大到 21 元。
三种做法的示例推演
设某商品原价 10 元、成本 6 元、处置费 0.5 元，旧批次剩 2 个销售日、库存 30 件，货架上另有更新鲜的批次按原价销售。降价会让部分本来买新批次的顾客改拿旧批次（分流），每位分流顾客使新批次少赚 4 元。旧批次日销：原价 12 件；9 折 15 件（含 3 位分流）；5 折 34 件（含 9 位分流）。
| 策略 | 倒数第二天 | 最后一天 | 报废 | 毛利 | 报废成本 | 分流损失 | 合计 |
|---|---|---|---|---|---|---|---|
| 不打折 | 10 元 | 10 元 | 6 件 | 96 | −39 | 0 | 57 |
| 静态最后一天 5 折 | 10 元 | 5 元 | 0 件 | 30 | 0 | −20 | 10 |
| 最后两天动态 9 折 | 9 元 | 9 元 | 0 件 | 90 | 0 | −24 | 66 |
不打折的账面毛利最高，却有 6 件报废；最后一天 5 折把报废清零，但 18 件以低于成本的价格卖出，还分流了 5 位原价顾客（34 件需求含 9 位分流，只卖 18 件时按比例折算），合计只剩 10 元；连续两天 9 折没有低于成本，报废为零，合计 66 元。最后一天剩 15 件，恰好等于 9 折的日销，所以维持 9 折即可卖完；若倒数第二天卖得更快、剩余库存低于原价日销 12 件，系统就恢复原价。示例的利润差距远大于研究里 3.8% 的平均值，因为它只算一个批次、参数为说明而设，两者不能相互印证。
以上为示例推演数字，用于说明目标函数怎样同时容纳毛利、报废和分流，不代表真实企业数据。
系统给出的降价建议和预计报废量，可以在必赢亚洲 App 的高损耗预警里由店员确认后执行。