1. RICE评分法概述：起源、核心四维、适用AI产品场景、与KANO/ICE区别

1.1 适用场景

RICE 评分法特别适合以下四类 AI 产品决策场景：

• 功能需求排序：当 backlog 中积压了 20 个以上的 AI 特性需求（如对话式搜索增强、模型微调管线、标注工具升级），需要确定先做哪个。
• 资源冲突调解：算法团队与工程团队对同一迭代周期的资源分配有分歧时，用 RICE 分数统一对话语言。
• 版本范围定界：在 AI 产品的大版本规划中，用 RICE 区分“必须做”与“锦上添花”的需求。
• 外部需求评估：面对客户提出的定制化 AI 能力请求（如私有化部署、特定行业数据训练），通过 RICE 快速判断投入产出比。

1.2 前置条件

在正式应用 RICE 评分之前，团队需要具备以下基础条件：

1.3 操作步骤

RICE 四维拆解遵循以下 5 步认知—执行流程，每一步都包含评估要点与 AI 场景适配建议。

1. 步骤一：梳理需求清单 — 将待评估的 AI 需求统一编号，每个需求附上简要背景和预期用户价值。
2. 步骤二：评估 Reach（覆盖度） — 统计每个需求在单位时间（通常为月）内影响的用户数。对于 AI 特性，需区分“直接用户”与“被模型决策影响的间接用户”。
3. 步骤三：评估 Impact（影响度） — 使用 1~5 分量表，衡量需求对单个用户的效用提升。AI 场景下建议参考准确率提升、响应时间缩短、用户任务完成率等指标。
4. 步骤四：评估 Confidence（置信度） — 以百分比（0~100%）表示对 Reach 和 Impact 数据的把握程度。数据来自 A/B 测试为 100%，来自专家经验则通常低于 50%。
5. 步骤五：评估 Effort（投入度） — 以“人月”为单位，统计算法开发、数据标注、模型训练、工程集成等全链路工作量。

完成五个步骤后，使用以下公式计算最终得分：

RICE Score = (Reach × Impact × Confidence) / Effort

示例：
需求A：Reach=2000 用户/月, Impact=4, Confidence=80%, Effort=3 人月
Score = (2000 × 4 × 0.80) / 3 = 2133.33

需求B：Reach=5000 用户/月, Impact=2, Confidence=50%, Effort=2 人月
Score = (5000 × 2 × 0.50) / 2 = 2500

1.4 输入输出物

1.5 责任边界

• 产品经理（PM）：主导 Reach 和 Impact 评估，维护需求清单，输出最终排序建议。对评分的业务合理性负责。
• 算法工程师：提供 Effort 估算（含数据准备、模型训练、评估迭代），并辅助判断 Confidence 中的技术不确定性。
• 数据分析师（DA）：提供 Reach 所需的基础用户数据，对数据口径和准确性负责。
• 技术负责人（Tech Lead）：审核 Effort 估算是否覆盖全链路（数据、算法、工程、测试），并参与异常处理中的仲裁。

1.6 记录材料

每次 RICE 评分过程需留存以下材料，供后续回溯与复盘：

• RICE 评分原始表：包含每个需求的四维原始值、计算公式、最终得分、评估人、评估日期。
• 维度定义手册：团队统一使用的 Reach 区间映射表、Impact 量规描述、Confidence 判定标准、Effort 单位换算规则。
• 评估会议纪要：记录评分过程中出现的分歧、异常数据来源、仲裁结论。
• 校准日志：每季度抽取 5 个已上线需求，回溯对比 RICE 预测值与实际效果，持续优化评估精度。

1.7 异常处理

1.8 验收标准

完成本章学习后，学员应能达到以下验收标准：

• ✅ 能准确说出 RICE 四个维度的英文名称、中文释义及典型单位。
• ✅ 能在 3 分钟内向团队新人解释 RICE 与 KANO、ICE 的核心差异。
• ✅ 能根据给定的需求描述和基础数据，完成一次完整的 RICE 评分计算。
• ✅ 能识别至少 2 种 AI 产品场景下 RICE 应用的特殊注意事项。
• ✅ 能独立填写 RICE 评分原始表并归档所有记录材料。