第3章 RICE模型总览：四个因子与计算公式
3.1 概念解释
RICE 模型是由 Intercom 产品团队提出的量化优先级框架。它通过 四个独立因子 对功能或提案进行评分，最终输出一个可横向对比的数值，帮助团队做出“先做什么、后做什么”的决策。其核心思想是：价值密度 = 综合收益 ÷ 投入成本。
四个因子分别是：
- Reach（触达范围） — 在给定时间周期内，有多少用户会受到该功能的影响。
- Impact（影响程度） — 每个受影响用户从中获得的价值深度，通常用 1–5 等级评分。
- Confidence（信心指数） — 团队对 Reach 和 Impact 估算的把握程度，用百分比表示（0%–100%）。
- Effort（投入成本） — 实现该功能所需的总工作量，通常用人·天或人·周衡量。
完整的计算公式为：
RICE Score = (Reach × Impact × Confidence) / Effort其中 Reach、Impact、Confidence 构成“综合收益”的分子，Effort 作为分母代表成本。评分越高，表示该功能的“单位成本价值”越大，优先级越高。
3.2 四因子详表
| 因子 | 英文全称 | 定义 | 典型度量方式 | 常见取值范围 |
|---|---|---|---|---|
| R | Reach | 特定周期内受影响用户数 | 用户量 / 月活跃用户 / 会话数 | 100 – 100,000+ |
| I | Impact | 每位用户的影响深度 | 1–5 等级评分（含 0.5 步长） | 1（极低）– 5（极高） |
| C | Confidence | 对估算数据的可靠程度 | 百分比（0% – 100%） | 20% – 100% |
| E | Effort | 实现所需总工作量 | 人·天 / 人·周 | 1 – 100+ |
3.3 原理图解
下图展示了 RICE 模型的结构与计算流程：四个因子分别量化后，通过公式汇聚成一个综合分数，作为优先级排序的依据。
图示解读：四个因子从左侧/中部汇聚至公式框，经过 (R × I × C) / E 计算后输出最终评分。任何因子的缺失或估算偏差都会直接影响排序结果。
3.4 类比：购房决策中的 RICE 思维
假设你计划购买一套住房，面临的决策可以映射到 RICE 四个因子：
- Reach — 这套房能满足多少家庭成员的需求？（人数越多，Reach 越高）
- Impact — 对每位家庭成员的居住品质提升有多大？（通勤时间、学区、社区环境等）
- Confidence — 你对房屋质量、市场行情、未来规划的了解程度（数据越充分，Confidence 越高）
- Effort — 购房所需的首付、贷款、装修、搬家等总投入（Effort 越大，分母越大）
最终你会选择“单位投入带来的综合满足感最高”的那套房——这正是 RICE 评分的内在逻辑。
3.5 常见误区
误区一：将 Reach 和 Impact 混为一谈
Reach 关注“多少人”，Impact 关注“多深”。一个功能可能触达大量用户（高 Reach）但每个用户只获得微小改进（低 Impact），反之亦然。两者必须独立评分，不能相互替代。
误区二：Confidence 设定过高或“拍脑袋”
当数据不足时，Confidence 应主动调低（如 20%–50%），避免给不可靠的估算分配过高的权重。常见错误是对所有功能都填 80%–100%，导致评分失真。
误区三：Effort 只计算开发时间
Effort 应包含设计、开发、测试、部署、文档、跨团队协调等 全链路工作量。只算编码时间会系统性低估成本，使复杂功能评分虚高。
误区四：忽略单位一致性
计算时 Reach 和 Effort 的时间单位必须对齐（例如 Reach 按“月活跃用户”则 Effort 应按“人·月”或换算为一致周期）。混用不同时间周期会导致评分不可比。
3.6 练习题：计算 RICE 评分
场景：你的产品团队正在评估三个功能提案，请计算每个功能的 RICE 分数并给出优先级排序。
| 功能 | Reach（月活跃用户） | Impact（1–5） | Confidence（%） | Effort（人·天） |
|---|---|---|---|---|
| 功能 A：一键导出报表 | 5,000 | 3 | 80% | 20 |
| 功能 B：智能搜索优化 | 2,000 | 4 | 90% | 15 |
| 功能 C：批量导入增强 | 8,000 | 2 | 70% | 30 |
计算过程：
功能 A：RICE = (5,000 × 3 × 0.80) / 20 = 12,000 / 20 = 600
功能 B：RICE = (2,000 × 4 × 0.90) / 15 = 7,200 / 15 = 480
功能 C：RICE = (8,000 × 2 × 0.70) / 30 = 11,200 / 30 ≈ 373.33排序结果：功能 A（600）> 功能 B（480）> 功能 C（373）。功能 A 虽然 Reach 不是最高，但 Impact 和 Confidence 较高且 Effort 适中，综合评分领先。
💡 练习要点：实际应用中，Reach 和 Effort 的数值范围可能差异很大（如 Reach 上万、Effort 只有个位数），导致评分跨度极大。建议对原始数据做归一化或对数变换，避免极端值主导排序结果。
3.7 应用边界
RICE 模型在以下场景中表现尤为有效：
- 数据可获取 — 用户行为数据、历史开发工时、AB 测试结果等量化信息较充分。
- 功能粒度均匀 — 待评估的功能或提案在规模和复杂度上差异不大，Effort 估算相对可靠。
- 团队共识明确 — 成员对 Impact 等级和 Confidence 百分比的定义有统一标尺。
但在以下情况需要谨慎使用：
- 探索性创新项目 — 缺乏历史数据，Reach 和 Impact 几乎无法估算，Confidence 极低，评分参考价值有限。
- 合规或安全类需求 — 这类需求即使 Reach 很小、Effort 很大，也必须优先完成，不应被低 RICE 评分否决。
- 战略导向型决策 — 当“做正确的事”比“正确地做事”更重要时，RICE 的量化逻辑可能忽略长期品牌价值或竞争壁垒。
在实际使用中，RICE 评分通常作为 第一道筛选器，对于排名接近的功能再结合定性讨论或 KANO 模型进行二次评估。