第4章 Reach量化方法：用户基数、触达频次、DAU/MAU换算

用户场景

电商产品经理小张计划在下个版本上线“新人专享优惠券”功能，需要评估该功能在30天内能触达多少新用户，以此判断是否值得投入研发资源。运营团队要求给出具体的触达人数预期，用于准备优惠券库存和预算申请。

业务问题

直接估算“受功能影响的用户数”会面临三个典型偏差：

• 高估风险：只算目标用户总量，忽略用户是否活跃、能否被有效触达；
• 低估风险：只算首日曝光，遗漏持续触达带来的累计用户数；
• 换算盲区：用月活跃用户（MAU）直接估算日活场景，导致触达基数失真。

缺乏结构化量化方法时，Reach值在不同产品经理之间差异可达3-5倍，失去RICE排期的参考意义。

需求拆解

将Reach拆解为三个独立可测量的要素，分别校准后再合成最终值：

1. 用户基数：功能覆盖的目标用户池大小，通常用MAU或注册用户数表示；
2. 触达频次：在评估周期内，每个目标用户平均被触达（曝光/推送/展示）的次数；
3. DAU/MAU换算系数：日活与月活的比值，用于将月活用户换算为每日可触达的活跃用户数。

方案表达

Reach量化的标准计算公式：

Reach = 用户基数(MAU) × 触达频次(次/日) × 时间周期(天) × (DAU/MAU)

该公式也可简化为：

Reach = DAU × 触达频次 × 时间周期

其中 DAU = MAU × (DAU/MAU)。两种形式等价，按团队可获得的数据粒度选择。

代入验证：50,000 × 3 × 30 × 0.3 = 1,350,000（人次·触达），即该功能在30天内可产生约135万次有效触达。

指标验证

通过历史数据反算，验证DAU/MAU系数的稳定性：

-- 从行为数仓提取近3个月DAU与MAU
SELECT 
  month,
  AVG(dau) AS avg_dau,
  MAX(mau) AS mau,
  AVG(dau)/MAX(mau) AS dau_mau_ratio
FROM user_activity
WHERE month >= '2024-01' AND month <= '2024-03'
GROUP BY month;

若三个月的dau_mau_ratio稳定在0.28-0.32之间，则取中值0.30作为换算系数是可信的。

• 交叉验证：用推送系统的实际回执数据反算触达频次，与产品假设对比；
• 敏感性测试：将系数浮动±10%，观察Reach结果是否仍在可接受区间内；
• 数据新鲜度：DAU/MAU系数必须使用最近30天的数据，不要用半年前的旧系数。

验收标准

• Reach估算值与实际上线后30天真实触达数据的误差在±15%以内；
• 三个量化要素（用户基数、触达频次、DAU/MAU）均有可追溯的数据源文档；
• DAU/MAU系数取自最近30天行为日志，且经过周级别稳定性验证；
• 触达频次有日志埋点或推送回执支撑，不接受纯主观假设。

交付物模板

在PRD中附上以下“Reach量化计算表”，供评审会直接核验：