第1章 RICE排序法概述
1.1 RICE的起源
RICE排序法由美国产品管理平台公司Intercom的产品团队（Sean McBride等人）于2016年前后正式提出，最初用于软件产品功能的需求优先级排序，后因其简洁、可量化的特点被快速推广至硬件产品管理、项目管理、运营策略等更广泛的决策场景。
RICE的名称取自四个评估维度的首字母：
- Reach（触达）—— 功能上线后会影响多少用户/设备
- Impact（影响）—— 对用户价值或业务目标的撬动程度
- Confidence（信心）—— 团队对前两项估算的把握度
- Effort（成本）—— 开发所需的人天/资源投入
核心计算公式为：
RICE Score = (Reach × Impact × Confidence) / Effort
💡 公式解读：分子是三个正向指标的乘积，代表功能带来的“总价值”；分母是成本，代表实现代价。比值越高，优先级越高。硬件项目中 Reach 常取设备台数，Impact 按影响等级（0.25~3）打分，Confidence 用百分比（20%~100%），Effort 用人月或人天。
1.2 适用场景
RICE排序法在硬件产品需求管理中特别适用于以下四类场景：
- 多需求并行博弈：硬件开发周期长、资源重叠，RICE 提供统一的量化标尺。
- 跨团队需求拉通：硬件、固件、结构、测试等多团队需求混杂，RICE 可消解主观偏好。
- 版本规划取舍：在有限的人力和试产窗口内，选出投入产出比最高的功能。
- 技术预研立项：对新器件、新协议、新工艺的引入进行快速价值评估。
1.3 与Kano / 加权排序的区别
在硬件需求排序实践中，除了RICE，Kano模型和加权排序法也常被使用。三者的核心差异体现在 维度性质、量化方式 和 适用阶段 上：
| 对比维度 | Kano模型 | 加权排序法 | RICE排序法 |
|---|---|---|---|
| 方法论本质 | 定性分类模型 | 多维度加权评分 | 四维量化乘积模型 |
| 维度构成 | 基本型 / 期望型 / 兴奋型 / 无差异型 | 自定义维度（如成本、价值、风险等） | Reach × Impact × Confidence / Effort |
| 量化程度 | 低（分类+属性判断） | 中（主观赋权+打分） | 高（乘积公式，可横向比较） |
| 输出结果 | 功能分类 + 满意度曲线 | 加权总分排序 | RICE Score 数值排序 |
| 硬件场景适用性 | 适合需求分类与用户洞察 | 适合多属性权衡，但权重易主观 | 适合资源竞争激烈的版本级优先级裁定 |
⚠️ 常见误区：不要把RICE当作“万能排序器”。硬件项目中，如果需求处于极早期、数据置信度极低（Confidence < 30%），建议先用Kano做定性收敛，再对高价值需求做RICE量化排序。RICE与Kano是“漏斗上下层”的关系，而非互斥替代。
1.4 课程核心交付物
完成本课程全部 30 章的学习与实战后，你将获得以下可直接复用的交付成果：
- 一份RICE评分模板（硬件版）：含 Reach 量化刻度、Impact 等级定义表、Confidence 校准规则、Effort 折算公式，可直接用于硬件需求评审会。
- 3个完整实战案例文档：分别来自智能硬件、工业控制、车载电子的真实需求排序场景，带原始数据、评分过程和决策复盘。
- 一套排序决策看板设计稿：含需求池分组、RICE Score 排序、阈值线标记、待验证项标识等可视化组件。
- 指标验证与验收标准清单：包含需求上线后的效果追踪指标、Confidence 回溯校准流程、Effort 差异复盘模板。
- 课程结业自测题+评分校准卡：用于检验自身排序水平，并与课程参考答案对标。
📌 章节小结：RICE排序法以“Reach × Impact × Confidence / Effort”为核心，填补了硬件需求排序中“缺少统一量化标尺”的空白。与Kano的定性分类、加权排序的固定权重相比，RICE 更强调四维动态乘积关系，特别适合多团队、多需求、多轮迭代的硬件实战场景。下一章将进入真实业务场景，拆解第一个硬件需求排序案例。