4. Confidence（信心）校准：信心等级划分、证据来源与校准方法

在RICE评分中，Confidence（信心） 是衡量我们对 Reach、Impact、Effort 三项评分准确度的把握程度。没有经过校准的信心值会引入主观偏差，导致高估低证据需求或低估高潜力需求。本章将建立一套可重复的信心校准体系，使团队在需求评审时对齐判断基准。

4.1 信心等级划分（五级量表）

我们将信心划分为 5 个等级，每个等级对应明确的证据特征和系数区间。等级定义在团队内必须一字不差地统一使用，避免“我觉得很有信心”这类模糊表述。

4.2 证据来源与权重

不同的证据来源拥有不同的可靠度。在给需求打信心分之前，先列出该需求背后的 证据清单，并按来源类型加权计算基础信心分。

证据来源可靠性排序（从高到低）

1. 定量数据：埋点日志、A/B 测试、转化率、留存率 —— 可信度最高，单源即可支撑信心等级 4~5。
2. 结构化调研：问卷（N≥100）、可用性测试（N≥10）—— 样本量足够时，可信度高；若 N 不足 30，自动降一档。
3. 用户访谈：深度访谈（N≥5）—— 适合挖掘定性洞察，但样本偏差大，通常需要交叉验证。
4. 专家/利益相关者判断：内部专家、行业顾问 —— 主观性最强，默认信心折扣 20%~40% 。
5. 假设/类比：从其他项目或竞品推导的类比 —— 无直接证据，仅用于早期探索，系数不超过 0.4 。

证据加权公式（可选）

对于需要精细化的团队，可以采用加权平均计算基础信心：

Confidence_base = (W1 × S1 + W2 × S2 + … + Wn × Sn) / (W1 + W2 + … + Wn)
其中：
- S = 每个证据来源对应的信心分数（0.2 ~ 1.0）
- W = 证据来源可靠性权重（定量=5, 调研=4, 访谈=3, 专家=2, 假设=1）

4.3 信心系数对照表：快速查分参考

下表将常见场景与信心系数直接对应，帮助团队在需求评审会议上快速达成一致，避免每次都要重新辩论证据充分性。

4.4 校准方法：消除个人与团队偏见

信心评分最容易受到 乐观偏差（高估自己熟悉的领域）和 锚定效应（被第一个发言的人影响）的干扰。以下四种校准方法必须在每次需求评审中至少使用一种：

• 方法一：历史回测校准 —— 将过去 3 个月已上线的需求找出来，回顾当时给的信心分与实际数据表现对比，计算每个人的“信心偏差系数”（实际效果/预估效果），下季度用该系数修正新需求的信心分。
• 方法二：匿名打分再讨论 —— 所有人同时书面或工具匿名打分，展示分布后再讨论差异点，避免权威影响。
• 方法三：证据清单核查 —— 在给信心分前，强制填写“该需求的证据来源清单”，必须列明至少 1 个来源才能打 0.6 以上；无法列出的自动降为 0.4 。
• 方法四：反向验证 —— 假设该需求上线后 毫无效果，让团队列出可能的原因；能找出 3 个以上合理失败原因的需求，信心分再降一档。

4.5 信心校准流程图：从证据到系数

4.6 应用范例：“智能客服意图识别”需求信心校准

假设团队正在评估 “新增用户情绪检测分支” 的需求：

1. 证据清单：
   • 客服日志显示 23% 的转人工会话与情绪升级有关（定量数据，等级高）
   • 访谈了 4 位资深客服代表（定性访谈，样本量不足）
   • 未做 A/B 测试或原型验证
2. 对照查表： 有定量数据 + 少量访谈 → 对应 0.6 档。
3. 校准修正： 团队使用反向验证法，发现 “情绪检测准确率若低于 70% 会带来负面体验” → 增加一条失败条件，再降一档至 0.4 。
4. 最终信心系数：0.4。该需求被标记为高探索风险，应先在 10% 流量做灰度验证，再进入正式优先级排序。