3. Impact指标的量化方法与评估粒度
3.1 指标定义与数据口径
Impact（影响）衡量的是产品功能或项目上线后对核心业务目标产生的预期改变程度。在 RICE 框架中，Impact 是决定优先级排序的关键输入，其评估粒度直接影响资源分配的准确性。
核心定义：Impact = 目标指标的变化幅度 × 受影响用户 / 目标用户总量。数据口径分为三级：用户级（个体行为变化）、功能级（功能模块贡献）、项目级（整体业务指标拉升）。
| 数据口径层级 | 衡量对象 | 典型指标示例 | 数据来源 |
|---|---|---|---|
| 用户级 | 单个用户行为变化 | 人均时长、人均点击、次月留存 | 埋点 + 用户ID |
| 功能级 | 功能模块的独立贡献 | 功能渗透率、功能留存、功能收入 | 功能埋点 + 分组实验 |
| 项目级 | 整体业务大盘拉动 | DAU 增量、GMV 增量、大盘留存率 | 大盘数据 + 因果推断 |
选取原则：项目级口径最稳健但灵敏度低，用户级口径灵敏度高但容易受噪声干扰。建议看板中同时保留三级口径，用项目级做长期趋势锚定，用用户级做短期波动诊断。
3.2 Impact量化评估体系框架
下图展示了 Impact 从定义到最终评分的完整量化链路，涵盖定性/定量两条评估路径、三种归因方式以及多维度权重聚合逻辑。
常见误区：只做定量不做定性，容易忽略「用户感知价值」等软性影响；只做定性不做定量，则无法横向对比不同项目的 Impact 大小。必须两条腿走路，并在看板中同时保留两类指标。
3.3 定性/定量衡量标准
Impact 的衡量不能仅依赖单一数据源，需要定性判断与定量数据相互校验。
定性衡量标准
- 用户调研得分：通过 NPS、CSAT、SUS 等量表获取用户主观评分，转化为 1–5 分制。
- 专家评审共识：由 PM、运营、设计组成的评审团对功能影响进行背靠背打分，取中位数。
- 场景覆盖度：功能解决的用户场景数量与频次，按高频/中频/低频三级映射分数。
定量衡量标准
- 转化率提升：从当前基线到目标值的绝对提升或相对提升百分比。
- 留存/回访变化：次日/7日/30日留存的增量，按行业基准设定刻度。
- 收入/交易量：直接 GMV 贡献或间接导流贡献，按 LTV 折算。
- DAU/MAU 拉动：功能带来的独立访客增量占大盘比例。
| 对比维度 | 定性标准 | 定量标准 |
|---|---|---|
| 数据获取速度 | 快（1–2 天可产出） | 慢（依赖实验周期） |
| 可横向对比性 | 弱（主观偏差大） | 强（统一口径） |
| 对噪声的鲁棒性 | 中（受评分者影响） | 强（大数定律） |
| 看板呈现方式 | 雷达图 / 热力图 | 折线图 / 柱状图 |
3.4 效果归因方式
同样的指标变化，不同的归因方式会得出截然不同的 Impact 评分。看板中必须明确标注归因方法，避免误读。
- 增量归因：只计算实验组相比对照组的净增量，排除自然增长和外部因素干扰。适用于 A/B 测试场景。
- 全量归因：将功能上线后的全部指标变化归因于该功能，适合独立上线、无其他并行改动的情况。
- 衰减归因：按时间窗口衰减系数分配影响权重，例如第 1 天 100%、第 7 天 60%、第 30 天 20%。适合长期影响评估。
| 归因方式 | 适用场景 | 优点 | 风险 |
|---|---|---|---|
| 增量归因 | A/B 测试、分群实验 | 因果推断最强 | 样本量不足时波动大 |
| 全量归因 | 独立功能上线、无并行改动 | 计算简单、直观 | 容易高估影响 |
| 衰减归因 | 长期影响、习惯养成类功能 | 符合用户行为衰减曲线 | 衰减系数需校准 |
看板建议：在同一看板中同时展示「增量归因」和「全量归因」两条 Impact 曲线，用阴影区间表示归因方法导致的不确定性范围，帮助决策者理解评分的置信度。
3.5 多维度权重设定
Impact 不是单点指标，而是多个维度的加权聚合。权重设定的合理性直接决定评分排序的可信度。
核心权重维度
- 用户覆盖度（权重 25%–40%）：受影响用户占目标用户的比例，覆盖越广权重越高。
- 商业价值（权重 20%–35%）：对营收、LTV、ROI 的直接或间接贡献。
- 战略对齐度（权重 15%–25%）：与公司年度 OKR 或产品北极星指标的匹配程度。
- 紧急程度（权重 5%–15%）：市场窗口、合规要求、竞品压力等时间敏感因素。
加权评分计算示例（Python 伪代码）：
# Impact 加权评分计算
weights = {
'user_coverage': 0.35,
'business_value': 0.30,
'strategic_alignment': 0.20,
'urgency': 0.15
}
scores = {
'user_coverage': 8, # 1-10 分
'business_value': 7,
'strategic_alignment': 9,
'urgency': 6
}
impact_score = sum(weights[k] * scores[k] for k in weights)
# 结果: impact_score = 8.0 * 0.35 + 7.0 * 0.30 + 9.0 * 0.20 + 6.0 * 0.15 = 7.6
口径说明：权重值建议每季度基于战略重心校准一次。看板中应单独设置「权重配置」模块，支持一键切换预设方案（如“增长优先”“盈利优先”“合规优先”），并对比不同方案下的 Impact 排序变化。
3.6 看板结构设计
Impact 指标看板采用「总分式」结构：顶层展示综合 Impact 评分及置信区间，下层分维度展示定性/定量得分、归因方式和权重配置。
| 看板层级 | 模块名称 | 展示内容 | 交互操作 |
|---|---|---|---|
| 顶层 | 综合 Impact 评分卡 | 总分、置信区间、环比变化 | 点击下钻至维度详情 |
| 中层 | 维度分解矩阵 | 用户覆盖 / 商业价值 / 战略对齐 / 紧急程度四维得分 | 雷达图悬浮显示明细 |
| 底层 | 归因与权重面板 | 当前归因方式、权重配置方案、敏感度分析 | 下拉切换归因方式，滑块调节权重 |
维度下钻路径示例：
综合 Impact 评分 (7.6)
└─ 用户覆盖度 (8.0 × 0.35 = 2.80)
├─ 受影响用户绝对值: 12.5 万
├─ 覆盖占比: 34.2%
└─ 用户分布: 新用户 38% / 老用户 62%
└─ 商业价值 (7.0 × 0.30 = 2.10)
├─ 预估 GMV 增量: ¥22.4 万
├─ LTV 贡献: ¥3.8 / user
└─ ROI 预测: 2.3x
└─ 战略对齐度 (9.0 × 0.20 = 1.80)
└─ 对齐 OKR: Q3 用户留存提升
└─ 紧急程度 (6.0 × 0.15 = 0.90)
└─ 市场窗口: 45 天
└─ 竞品状态: 已上线类似功能3.7 异常解释与业务动作
Impact 看板中常见的异常模式及对应的诊断与动作：
| 异常现象 | 可能原因 | 诊断步骤 | 业务动作 |
|---|---|---|---|
| 综合评分高但置信区间极宽 | 定性评分分歧大或定量样本不足 | 查看各评审员打分分布；增大实验样本量 | 先做小范围灰度验证，再定优先级 |
| 用户覆盖度高但商业价值低 | 功能覆盖面广但变现路径短 | 分析用户行为漏斗，定位断点 | 增加转化引导或重新设计商业闭环 |
| 权重调整后排序反转 | 权重配置敏感度过高 | 执行敏感度分析，计算权重阈值 | 以默认权重为准，反转载决需评审会确认 |
| 增量归因与全量归因结果方向相反 | 存在强烈的时间或者交叉干扰 | 检查实验期间是否有其他策略并行上线 | 暂停决策，执行隔离验证或切换归因方法 |
关键动作：每次发现异常后，必须更新看板中的「归因日志」和「权重变更记录」，确保后续复盘时有据可查。不要在没有记录的情况下直接修改权重或归因方式。
3.8 复盘分析
项目上线后，需要将实际指标表现与预估 Impact 对比，形成评估闭环。
复盘核心问题
- 校准偏差：实际 Impact 与预估 Impact 的绝对偏差 > 30% 时，需要回溯是定性打分偏乐观，还是定量口径不一致。
- 归因有效性：实际效果中，增量归因部分占比是否达到预期？如果全量归因与增量归因差距过大，说明自然增长被错误归因。
- 权重合理性：如果低权重维度的实际贡献超出预期，下一周期应上调该维度权重。
复盘输出模板（供看板中直接填写）：
项目名称: [功能名称]
预估 Impact: 7.6 / 10
实际 Impact: 6.2 / 10
偏差: -18.4%
偏差分析:
- 定性预估偏乐观: 用户调研样本偏差导致高估 0.8 分
- 定量口径差异: 实验期不足导致转化率低估 0.6 分
归因复盘:
- 增量归因占比: 61% (预期 75%)
- 全量归因占比: 39%
- 结论: 自然增长被部分错误归因，下一轮需延长 AA 测试期
权重调整建议:
- 用户覆盖度: 0.35 → 0.30 (边际贡献递减)
- 商业价值: 0.30 → 0.35 (实际变现能力超预期)
复盘频率：中高 Impact 项目（评分 ≥ 7）必须做完整复盘，低 Impact 项目（评分 < 4）可抽样复盘。复盘记录作为权重校准和定性评分模型迭代的重要输入。