触达维度：用户规模量化方法
触达（Reach）是 RICE 模型中衡量“有多少人能接触到你的产品、功能或信息”的关键维度。没有触达，影响力和信心指数就无从谈起。触达量化的核心在于用统一、可比较的指标回答一个问题：这个改动会影响多少真实用户？
概念解释：四个核心量化方法
触达最常用的量化手段包括月度活跃用户（MAU）、日活跃用户（DAU）、基于场景的预估用户数，以及触达范围评估。它们从不同粒度描述用户规模：
- MAU（Monthly Active Users）：过去 30 天内至少使用过一次产品的独立用户数。适用于衡量产品的长期粘性。
- DAU（Daily Active Users）：过去 24 小时内至少使用过一次产品的独立用户数。反映产品的日常依赖度。
- 预估用户数（Estimated Users）：在无法获取精确数据时（如新功能上线前），基于用户画像、漏斗转化率或市场规模推算的近似值。
- 触达范围评估（Reach Scope）：衡量一次动作（如推送、公告、功能灰度）可能覆盖的最大用户面，包括直接触达和间接触达（如分享带来的曝光）。
关键公式： 触达率 = （实际触达用户数 / 总目标用户数）× 100%。
在实际工作中，MAU 常作为分母，DAU 作为分子，得到“日活/月活比”来度量用户活跃深度。
在实际工作中，MAU 常作为分母，DAU 作为分子，得到“日活/月活比”来度量用户活跃深度。
原理图解：触达量化层级结构
类比解释：广播塔与听众人群
想象一座广播塔：
· 潜在用户池 = 全市所有收音机拥有者。
· 触达范围评估 = 广播塔信号覆盖的物理范围（可能所有人能听到，但不一定在听）。
· MAU = 过去一个月至少听过一次广播的听众数。
· DAU = 今天真正打开收音机的听众数。
· 预估用户数 = 根据人口抽样调查，推测“每天通勤高峰时段听广播的人”大约有多少。
这个类比帮助理解：触达不只看“能覆盖多少人”，更要看“实际有多少人在用”。MAU 和 DAU 的差距越大，说明用户使用频率越低，触达质量可能存在问题。
常见误区
- 把 MAU 当作触达上限。 MAU 只是历史活跃用户，而触达评估应包含未来可能触达的新用户或回流用户。
- 忽略用户重叠。 计算 MAU 和 DAU 时，同一用户多次访问只计一次，但不同渠道（如 iOS + Android）易被重复计数，导致触达虚高。
- 用 DAU 直接替代触达率。 DAU 只代表某个快照，而触达率需要结合动作周期（如一周内推送弹窗）才能评估有效覆盖。
- 预估用户数凭感觉拍脑袋。 没有基于转化漏斗或类比产品基准的估算，会严重偏离真实值。
避坑提醒： 在产品早期或新功能灰度阶段，MAU 可能很小，此时用 DAU/MAU 比值判断粘性极容易误判。建议同时关注“周活跃用户（WAU）”作为中间指标。
练习题：触达量化判断
- 选择题： 一款游戏产品，注册用户 500 万，日活跃用户 80 万，月活跃用户 200 万。请问该产品的 DAU/MAU 比值是多少？它反映了什么？
- 案例分析： 某产品新上线“每日签到”功能，运营希望评估触达效果。你手头有：全量用户 100 万，昨日签到触发 15 万人点击，但功能是强制弹窗。请选择合适的触达量化方法并给出计算过程。
- 纠错题： 小明在 RICE 评分中将触达设为“500 万”，并标注为 MAU。但实际上该产品 MAU 只有 80 万。请指出小明犯了什么错误？正确的做法应该是什么？
提示： 练习题答案可在章节配套的答案文件中查看。建议先思考，再对照解析。
应用边界
| 量化方法 | 适用场景 | 局限性 |
|---|---|---|
| MAU | 评估产品长期粘性、月度任务触达 | 无法反映日内波动，新版本上线初期 MAU 滞后 |
| DAU | 日报监控、判断依赖度、灰度实验日粒度指标 | 受自然日因素影响大（周末/节假日），不能代表全量 |
| 预估用户数 | 新产品立项、功能预研、无法埋点的阶段 | 精度依赖输入数据质量，常用于非关键决策 |
| 触达范围评估 | 推送/公告/营销活动覆盖率设计 | 可能高估实际触达（用户忽略通知、关闭权限） |
在实际 RICE 评分中，建议优先使用 MAU 或 DAU 作为触达计分基数。只有当新功能或变更无法直接观测活跃用户时，才启用预估用户数或触达范围评估。所有方法都需要注明数据来源和统计口径，以便团队复现和质疑。