第3章 Reach维度定义
Reach维度衡量一个需求所能触达的用户或客户数量,是RICE评分中量级最大的权重因子。本章围绕覆盖用户数的口径、数据来源、估算方法、常见陷阱,按流程SOP结构拆解操作规范,确保每次评分都有可追溯的量化依据。
适用场景
- 需要量化需求潜在影响规模,用于与其他需求横向对比优先级。
- 产品处于增长或平台期,用户基数和增长目标明确,Reach能直接关联OKR。
- 功能上线后用户覆盖率可被追踪(如功能渗透率、开通率)。
前置条件
- 已完成需求所属目标用户群初步定义(例如:注册用户在7日内活跃的用户)。
- 已有至少一种可用的用户数据源:内部DAU/MAU报表、第三方行业报告、用户调研样本。
- 团队已统一用户/客户的基本计量单位,避免将“账号”与“自然人”混用。
操作步骤
| 步骤 | 行动 | 要点 |
|---|---|---|
| 1 | 定义用户口径 | 明确“被覆盖用户”的筛选条件,例如“过去30天至少登录1次的免费用户”或“年付费≥500元的客户”。 |
| 2 | 确定数据来源 | 选择最贴近实际用户的渠道:DAU/MAU取核心漏斗,调研样本需声明置信区间。 |
| 3 | 选择估算方法 | 直接统计、调研推算、分层估算三大方法(参见下表)。 |
| 4 | 计算并记录 | 按公式:Reach = 目标用户数 × 预期渗透率,保留计算过程。 |
三种估算方法对比
| 方法 | 适用条件 | 示例 |
|---|---|---|
| 直接统计 | 已有可量化的用户行为数据(如日志、BI报表) | “当前月活用户中,有搜索行为的用户数” |
| 调研推算 | 缺乏行为数据,但可通过问卷获得意向比例 | “基于NPS调研,60%受访者愿意使用新功能,乘以MAU” |
| 分层估算 | 用户群可按属性分层,各层获取难度不同 | “核心层(20%用户)渗透率80%,边缘层(80%用户)渗透率20%” |
输入输出物
输入:
- 需求列表(含初步目标用户描述)
- 用户数据源(DAU/MAU报表、调研原始数据)
输出:
- 每个需求对应的Reach评分(用户数/客户数,整数或精确到百/千位)
- 估算说明书:口径、数据来源、计算过程、置信度说明
责任边界
| 角色 | 职责 |
|---|---|
| 产品经理 | 定义用户口径、选择估算方法、填写Reach评分 |
| 数据分析师 | 提供权威用户数据、校验估算合理性 |
| 专家评审 | 复核特殊需求(如B端客户数的估算) |
记录材料
- Reach估算表(模板示例字段:需求ID、目标用户描述、口径定义、数据来源、估算方法、计算结果、复核人)
- 数据源快照(截图或导出时间戳,便于追溯)
- 复核记录(如有复核意见需附在记录中)
异常处理
| 异常场景 | 处理方式 |
|---|---|
| 数据源缺失或不可用 | 采用保守估算(取同类功能历史最低覆盖值),并在记录中标注“数据不足,已保守下调” |
| 口径存在业务争议 | 优先选用与目标OKR最匹配的口径;无法统一时,同时记录高/低值,按最低值评分 |
| 调研样本偏差过大 | 增加样本量或使用行业基准(如App Annie数据)作为补充 |
验收标准
- 每个需求的Reach评分来源明确,可追踪到具体数据源或调研报告。
- 至少一人独立复核过估算过程,并在记录材料中签字确认。
- 所有估算无重复计算(同一用户在不同需求中仅被计一次)。
- 若使用调研推算,需附置信区间说明(如95%置信度±3%)。
- 评分结果已被录入RICE评分主表,并可在后续章节中引用。
⚠️ 常见陷阱提醒:
- 重复计算:同一个自然人在不同渠道被重复计入(如同时计算Web端和App端日活)。
- 过度乐观:假设所有用户都会使用新功能,忽略功能渗透率曲线(通常第一天<30%)。
- 口径不一致:同一业务线内,不同需求使用了不同的“活跃”定义。
- 忽略用户重叠:多端产品(小程序+App)未去重,导致Reach虚高。