Confidence 维度详解：信心来源分类、数据支撑、专家判断、原型测试、信心等级标定
Confidence（信心）是 RICE 排序模型中衡量需求评分可信度的关键维度。它回答一个核心问题：“我们对 Reach、Impact 和 Effort 的估算有多大把握？” 没有信心锚定，再高的 Reach × Impact ÷ Effort 也只是一串经不起推敲的数字。
硬件功能需求相比纯软件需求，具有研发周期长、试错成本高、物理验证依赖强的特点，因此 Confidence 的评估必须结构化、可追溯。本章将拆解信心的三大来源，并给出等级标定标准。
1. 信心来源分类
硬件需求评估中的信心来源于三类可追溯的证据：数据支撑、专家判断、原型测试。三者并非互斥，实践中常组合使用。
| 来源 | 定义 | 典型场景 | 可信度基线 |
|---|---|---|---|
| 数据支撑 | 基于历史项目、行业基准、实验测量或市场调研获得的定量/定性数据 | 复用已有硬件平台的功耗数据、量产良率统计、竞品拆机报告 | ★★★★☆ |
| 专家判断 | 由资深硬件架构师、系统工程师或领域专家基于经验进行的逻辑推演 | 新芯片方案选型、散热结构创新设计、未量产工艺的风险预判 | ★★★☆☆ |
| 原型测试 | 通过快速打样、开发板验证、仿真或小批量试产获得的实测反馈 | 新传感器精度验证、结构件装配干涉检查、电源纹波实测 | ★★★★★ |
2. 数据支撑 —— 信心的“地基”
数据支撑是 Confidence 最可靠的来源，因为它基于已发生的客观事实。硬件领域常见的数据类型包括：
- 历史项目数据：上一代产品同类模块的功耗、成本、尺寸、良率。
- 行业基准数据：标准组织发布的功耗基线、安全法规限值、接口协议兼容性矩阵。
- 实验测量数据：实验室环境下测得的信号完整性、热分布、机械振动曲线。
- 市场调研数据：目标用户对价格敏感度的问卷统计、渠道商对备货量的反馈。
数据支撑的置信度取决于数据源的代表性和样本量。例如，同一产线连续 1000 pcs 的测试数据远优于仅 5 pcs 的工程样机数据。
3. 专家判断 —— 信心的“杠杆”
当数据不足以覆盖所有不确定性时，专家判断是最高效的补充工具。硬件领域专家判断的常见形式：
- 架构推演：资深架构师基于原理图评估新方案的信号完整性与可制造性。
- 类比估算：将新需求与已量产功能对比，用“比例因子”推导 Reach / Impact / Effort。
- 德尔菲法：多位背对背专家独立评分后取中位数，减少单一人为偏差。
4. 原型测试 —— 信心的“试金石”
原型测试是硬件领域独有的信心强化手段。它通过物理实现将假设转化为可观测的结果，直接验证 Reach、Impact、Effort 的估算是否准确。
- 快速原型（Rapid Prototyping）：使用开发板、3D 打印、FPGA 仿真等方式，在 1–2 周内搭建最小可验证系统。
- A/B 测试：对同一功能做两种硬件实现方案，对比关键指标（如功耗、延迟、成本）。
- 极限测试：在边界条件（高温、高湿、满负载）下运行原型，验证 Effort 估算中的风险储备是否充足。
原型测试的 Confidence 增益通常以 “测试通过率 × 测试覆盖度” 来量化。一次完整的原型验证可将单项 Confidence 提升 1–2 个等级。
5. 信心等级标定
为了在 RICE 评分中统一口径，我们将 Confidence 分为 1–5 级，每个等级对应明确的证据特征：
| 等级 | 标签 | 定义 | 证据形态 |
|---|---|---|---|
| 1 | 无依据 | 纯猜测，无任何数据、经验或测试支撑 | 无引用、无记录、无对标 |
| 2 | 弱依据 | 有间接参考或单一位专家的经验判断 | 一份非直接相关的数据报告 / 1位专家口头意见 |
| 3 | 中等依据 | 有部分直接数据或 2–3 位专家一致判断 | 少量实测数据 / 德尔菲法收敛结果 |
| 4 | 较强依据 | 有可靠数据且经过对标验证，或已通过快速原型验证 | ≥30 组有效测试数据 / 原型通过关键指标验证 |
| 5 | 强依据 | 有完整数据链且经过多轮原型迭代验证，结果可复现 | 量产级测试报告 + 第三方认证 / 小批量试产通过 |
6. 信心评估体系全景
下图展示了从三类信心来源到等级标定、最终输出信心评分的完整逻辑链路：
掌握了 Confidence 的四大要素——来源分类、数据支撑、专家判断、原型测试、等级标定——之后，下一阶段我们将进入 RICE 评分实战，把 Reach、Impact、Confidence、Effort 四个维度拼接成完整的评分矩阵，并用真实硬件案例演练排序决策。