第3章 Reach（触达）要素详解：定义、数据来源、预估方法、评分量表（1-10）

适用场景

• 在RICE模型中对功能/需求触达范围进行量化评估时，必须使用Reach要素。
• 需要比较不同候选方案预期覆盖用户数时，Reach提供统一量纲。
• 当产品用户基数差异大（如B端与C端、新功能与成熟功能）时，Reach帮助拉平基数影响。
• 在资源受限、需优先选择影响面更广的方案时，Reach是核心过滤因子。

前置条件

• 已定义清晰的目标用户群体（如：注册用户、月活用户、特定角色用户）。
• 可获取用户规模基础数据（DAU/MAU、注册总数、细分人群分布）。
• 已收集或可估算功能曝光与转化路径（如：功能入口PV、点击率、完成率）。
• 团队已统一触达计算周期（默认按周或按月，需在项目启动时确立）。
• 数据源隐私合规已通过法务审核，确保不涉及用户敏感信息采集。

操作步骤

1. 定义触达边界——明确“触达”是指曝光、点击还是完成核心动作。不同阶段的Reach值差异很大，必须在团队内统一口径。
2. 确定数据来源优先级——按可信度从高到低：产品埋点数据 > 运营后台统计 > 第三方行业报告 > 专家估算。
3. 执行预估方法——根据可用数据源选择以下方法（可组合使用）：
   • 直接统计法：已有功能或类似功能的历史触达人数。
   • 漏斗推算法：从用户基数 × 曝光率 × 点击率 × 完成率。
   • 类比法：参考竞品或行业基准，按比例缩放。
   • 调研测试法：通过AB测试或原型测试样本推总。
4. 应用评分量表——将预估触达人数映射到1-10分，使用本章提供的标准映射表。
5. 记录假设与偏差——在评分旁标注置信区间、数据来源等级、关键假设，供后续校验。

输入输出物

责任边界

• 产品经理：主导Reach预估，选择数据来源，填写假设文档。
• 数据分析师：提供产品埋点数据，协助构建漏斗模型，验证预估合理性。
• 研发负责人：确认功能入口的埋点可行性，提供技术限制信息。
• 决策评审组：审核Reach评分是否过于乐观或保守，必要时组织专家讨论调整。
• 注意：Reach评分不得由单一个人独立完成，必须至少经过1次交叉验证。

记录材料

项目：智能推荐tab改版
目标周期：周触达
用户基数：MAU = 200万（2025-01数据）
适用人群：所有登录用户（MAU 200万）
预估方法：漏斗推算法 + 类比法
  曝光率：70%（参考当前首页tab点击率）
  点击率：25%（竞品均值）
  完成推荐动作率：60%（历史数据）
  预估周触达人数 = 200万 × 70% × 25% × 60% = 21万人
置信区间：16万 ~ 26万（敏感性分析±20%）
数据等级：中（因曝光率来自估算）
Reach评分（查表）：7分（对应范围 10万-50万）
备注：若新用户引导加强，曝光率可能提升至80%

异常处理

验收标准

1. 每个候选方案的Reach评分均有明确的预估人数来源（数值或推算过程，不接受空白）。
2. Reach评分已至少经过1位非发起人复核，并在记录材料中留有签名或确认记录。
3. 使用的触达定义在所有待排序方案中保持一致（若不一致需在备注中说明并单独比较）。
4. 预估方法属于至少一种推荐方法（直接统计、漏斗推算、类比法、调研测试），其他方法需团队讨论通过。
5. 评分映射表（见下表）已正确使用，不得出现任意公式或自定义分段。

Reach评分映射表（1-10分）