2. RICE 四要素详解（Reach）
适用场景
Reach（触达用户数）是 RICE 优先级模型的第一个维度，适用于以下场景：
- 需要量化功能/产品迭代对“用户覆盖面”的影响时。
- 在多个需求间横向比较时，触达规模差异是核心决策依据。
- 面向特定用户群（如新用户、高活跃用户、付费用户）的需求评估。
- 增长型项目、拉新/促活/挽回类需求。
- 产品早期或数据不完善阶段，需快速估算用户基数。
前置条件
- 已明确 目标用户群定义（如“过去30天登录过的注册用户”“首次进入购物车的访客”）。
- 已确定 时间窗口（日活/周活/月活/季度活跃）。
- 至少有一项可用的 用户行为数据源（产品数据库、分析平台、第三方报告）。
- 团队内达成 估算精度等级共识（如粗估 ±40%、中估 ±20%、细估 ±10%）。
操作步骤
- 定义触达边界：描述“用户在何种行为/状态下才算被触达”。例：看到弹窗、使用某项功能、被推送通知。
- 选择量化方法：根据数据完善度选择下表中的一种或组合。
- 获取原始数据：从产品库、BI 平台、埋点日志中提取用户计数。
- 计算基准规模：使用统计函数去重、聚合，得到活跃用户基数。
- 分层加权（可选）：若触达仅面向部分用户，按用户分层比例折算。
- 记录估算误差范围：标注数据来源质量、采样偏差、推算假设。
- 交叉校准：用另一数据源（如销售报表、运营报表）验证数值合理度。
输入输出物
| 类型 | 名称 | 说明 |
|---|---|---|
| 输入 | 用户群定义文档 | 明确目标用户属性、行为、时间范围 |
| 输入 | 活跃用户数据表 | 日/周/月活跃用户数量（来源：数据库/GA/埋点） |
| 输入 | 用户分层/分群数据 | 若触达仅限特定群体（如新用户、付费用户） |
| 输出 | Reach 估算值 | 数值 + 单位（如“340,000 MAU”） |
| 输出 | 估算置信区间 | 如 ±20% 或 ±40% |
| 输出 | 数据溯源日志 | 包含查询语句、数据日期、剔除规则 |
责任边界
- 产品经理：定义触达边界与时间窗口，输出估算值。
- 数据分析师/BI 工程师：提供原始用户活跃数据，校准底层 SQL/埋点正确性。
- 技术负责人：确认功能开发是否能覆盖定义中的用户群（如推送覆盖 vs. 仅 App 内触达）。
- 评审人（如总监/Leader）：批准估算假设和误差容忍度。
记录材料
- Reach 估算工作簿（Excel/Notion）：记录方法、数据截图、计算公式。
- 数据源清单：数据表名、查询时间段、负责人。
- 校准纪要：交叉验证结果与修正记录。
- 异常事件登记：数据缺失、口径变更、异常波动等。
异常处理
| 异常现象 | 处理措施 |
|---|---|
| 数据源缺失或不可信 | 切换至备用数据源（如第三方报告、抽样估算）；备注低置信度。 |
| 用户群定义模糊 | 与干系人（运营、技术）对齐属性；缩小到可量化子集（如“近7天有登录行为”）。 |
| 估算误差超过预期（如 > ±50%） | 重新选择更精确的量化方法；或分解为多段估算后加权平均。 |
| 时间窗口不一致（如业务方用周活，数据统计为月活） | 统一转换为同一窗口；或同时记录两种口径并注明偏差。 |
验收标准
- Reach 估算值有明确的 数据来源记录，可回溯验证。
- 估算值附带 误差等级标识（粗估/中估/细估）。
- 与至少一个 独立数据源 交叉校准且偏差在预期范围内。
- 触达边界定义已通过产品、数据分析、技术三方确认。
- 所有假设（如抽样率、去重规则）已记录在估算工作簿中。
💡 关键提示：Reach 不是越精确越好——在需求排序阶段，方法相对统一比绝对精确更重要。团队应固定一种“基准确认方式”（如一律以 MAU 为准），以便不同需求的 Reach 值可公平比较。
🎯 校准技巧：将估算的 Reach 值与历史功能上线后的实际触达数据对比，建立“估算偏差系数表”。例如：若某类功能实际触达是估算值的 0.7 倍，后续同类需求可直接乘以 0.7 校准。
⚠️ 常见陷阱：将“日活跃用户”直接当作“被触达用户”，但实际功能仅对部分 DAU 有效（如仅 iOS 端、仅特定版本）。务必用分层条件过滤后再输出 Reach 值。