第3章：Impact（影响）评估——影响维度、系数赋值、主客观结合与预期量化
3.1 用户场景与业务问题
某AI产品团队计划在智能客服系统中上线“意图识别优化”需求。业务方提出三个目标：提高下单转化率（从当前12%提升至15%）、提升用户满意度（NPS从42提升至55）、降低客服人工介入率（从68%降至50%）。产品经理需要回答一个核心问题：这个需求的影响到底有多大？如果Impact评估不准确，后续的RICE总分就会失真，导致错误优先级排序。
常见陷阱：很多团队把Impact等同于“老板说这个很重要”，或者只凭直觉给“高/中/低”三档。这两种做法都会使RICE评分失去客观性，最终导致资源错配。
3.2 需求拆解：影响维度
一个AI产品需求的影响从来不是单维的。我们需要从三个核心维度拆解：
| 影响维度 | 业务指标对照 | AI产品典型场景 | 可测量性 |
|---|---|---|---|
| 转化率 | 下单率、注册率、付费率、点击率 | 推荐算法、个性化文案、意图识别 | 高（可通过A/B测试直接量化） |
| 满意度 | NPS、CSAT、留存率、复购率 | 对话质量、响应速度、情绪识别 | 中（需要调研或长期行为数据） |
| 效率 | 处理时长、人工介入率、资源利用率 | 自动化流程、智能分配、批量处理 | 较高（系统日志可直接统计） |
在实际拆解中，一个需求可能同时影响多个维度，但每个维度的权重不同。产品经理需要与业务方对齐：本次需求最核心的北极星指标是哪个？
3.3 Impact评分方法
3.3.1 影响系数赋值（0.1 – 1.0）
我们将每个维度的影响程度量化为一个系数，避免“高/中/低”的模糊表达。参考标准如下：
| 影响级别 | 系数 | 判断依据 |
|---|---|---|
| 极大 | 1.0 | 对核心指标产生>15%的绝对提升，或彻底解决一个严重业务瓶颈 |
| 大 | 0.8 | 对核心指标产生5%–15%的绝对提升，或显著改善关键体验 |
| 中 | 0.5 | 对核心指标产生1%–5%的提升，或明显提升辅助指标 |
| 小 | 0.2 | 对核心指标提升<1%，但具有长期战略意义或合规价值 |
| 极小 | 0.1 | 仅对边缘流程或低频场景有优化，无直接业务贡献 |
对“意图识别优化”需求，我们初步赋值：转化率影响系数0.8（预期提升2.5–3个百分点，属于5%–15%区间），满意度影响系数0.5（NPS提升13点，但在长期积累维度上属于中等），效率影响系数0.6（人工介入率下降18个百分点，效果显著但属于辅助指标）。
3.3.2 主观与客观结合
完全依赖历史数据（客观）会忽略创新需求的潜在价值；完全依赖专家经验（主观）会引入偏见。我们采用加权融合法：
- 客观数据层：从过往A/B测试、行业基准、系统日志中提取影响基线。例如，同类意图优化在行业案例中平均提升转化率2.8%。
- 主观评估层：由3–5名资深PM和业务负责人独立打分，去掉最高/最低分后取均值。
- 融合公式：最终影响系数 = α × 客观系数 + (1 – α) × 主观系数。α初始建议0.6，后续可根据数据置信度动态调整。
α取值原则：当有直接A/B测试数据时α=0.8；有强相关行业对标时α=0.6；仅凭经验时α=0.3。对“意图识别优化”需求，我们已有行业对标数据，取α=0.6。
计算过程示例：
维度：转化率
客观系数（行业对标）= 0.75
主观系数（专家均值）= 0.85
α = 0.6
最终系数 = 0.6 × 0.75 + 0.4 × 0.85 = 0.45 + 0.34 = 0.79
维度：满意度
客观系数（无直接数据，取中性）= 0.50
主观系数（专家均值）= 0.60
α = 0.3（数据置信度低）
最终系数 = 0.3 × 0.50 + 0.7 × 0.60 = 0.15 + 0.42 = 0.57
维度：效率
客观系数（系统日志推算）= 0.55
主观系数（专家均值）= 0.70
α = 0.6（有日志数据支撑）
最终系数 = 0.6 × 0.55 + 0.4 × 0.70 = 0.33 + 0.28 = 0.613.3.3 预期效果量化
影响系数必须映射到可衡量的业务指标预期，才能指导后续验收。量化模板：
| 维度 | 当前基线 | 预期目标 | 提升幅度（绝对） | 影响系数 |
|---|---|---|---|---|
| 转化率 | 12.0% | 14.8% – 15.2% | 2.8 – 3.2 p.p. | 0.79 |
| 满意度（NPS） | 42 | 47 – 52 | 5 – 10 | 0.57 |
| 效率（人工介入率） | 68% | 50% – 55% | 13 – 18 p.p. | 0.61 |
实操建议：预期目标不要写“大幅提升”或“明显改善”，必须写出绝对值范围。验收时只认数字，不认感觉。如果上线后数据落入预期范围，则认定Impact评估有效。
本章核心框架——下面的SVG图展示了Impact评估的完整链路：从三个影响维度出发，经过系数赋值与主客观融合，最终输出可量化的预期效果，为RICE总分提供可靠输入。
3.4 指标验证
Impact评估是否准确，需要事后验证闭环：
- 验证周期：功能上线后运行至少2周（排除新奇效应），采集稳定期数据。
- 验证方法：与预期效果量化表中的目标区间逐一比对。
- 偏差分析：若实际提升低于预期下限，需回溯是系数赋值偏高，还是主客观权重α不匹配。
验证报告示例（上线第21天）：
- 转化率：实际提升 2.9 p.p.（预期2.8–3.2 p.p.） ✅ 落在区间内
- 满意度NPS：实际提升 8 分（预期5–10分） ✅ 落在区间内
- 效率（人工介入率）：实际降低 15.2 p.p.（预期13–18 p.p.） ✅ 落在区间内
结论：Impact评估有效，系数0.79/0.57/0.61置信度高。3.5 优先级排序中的Impact角色
在RICE框架中，Impact与Reach相乘得到影响总量，是排序的核心驱动因子。两个需求的Reach相同，Impact系数0.8的需求将获得比0.4需求高一倍的优先级权重。因此：
- 高Impact + 高Reach：立即投入，属于“明星需求”。
- 高Impact + 低Reach：适合作为战略储备，等待渠道扩展后激活。
- 低Impact + 高Reach：可做但不要投入过多资源，属于“日常优化”。
3.6 验收标准
| 验收项 | 标准 | 通过条件 |
|---|---|---|
| 影响维度完整性 | 需求文档明确列出所有受影响的核心维度 | ≥2个维度且每个维度都赋值 |
| 系数可追溯 | 每个系数的来源（客观数据/主观打分）有记录 | 主客观融合计算过程可复现 |
| 预期量化明确 | 每个维度都有基线值、目标区间、提升幅度 | 上线后验证偏差≤30% |
| α权重合理性 | α取值与数据置信度匹配，有简短说明 | 评审无异议 |
3.7 交付物模板：影响评估工作表
下方模板可直接复制到产品需求文档（PRD）中使用：
【影响评估工作表】 需求ID：AI-CS-2025-037
需求标题：智能客服意图识别优化
| 维度 | 当前基线 | 预期目标区间 | 提升幅度 | 客观系数 | 主观系数 | α | 最终系数 |
|------------|---------|--------------|------------|---------|---------|----|---------|
| 转化率 | 12.0% | 14.8%–15.2% | 2.8–3.2 p.p.| 0.75 | 0.85 | 0.6| 0.79 |
| 满意度(NPS)| 42 | 47–52 | 5–10 | 0.50 | 0.60 | 0.3| 0.57 |
| 效率(介入率)| 68% | 50%–55% | 13–18 p.p. | 0.55 | 0.70 | 0.6| 0.61 |
主客观融合说明：
- 转化率有行业对标报告（置信度高），α=0.6
- 满意度缺乏直接数据，以专家经验为主，α=0.3
- 效率有系统日志推算，α=0.6
综合影响系数（加权）：0.79×0.40 + 0.57×0.30 + 0.61×0.30 = 0.672
（权重按业务目标优先级分配：转化率40%，满意度30%，效率30%）
进阶技巧：当需求涉及3个以上维度时，不要简单平均，而是按业务战略权重加权汇总。例如，季度OKR主攻增长，则转化率权重可提升至50%。这样综合Impact系数才真正对齐公司目标。