第2章 Reach量化定义与数据来源

本章围绕Reach（触达量）的量化定义、数据埋点来源、预估区间、常见偏差及记录模板展开。Reach的量化和数据质量直接决定RICE评分中Impact和Confidence的置信度，是模型应用的基础。本章以流程SOP形式结构化呈现，便于团队标准化执行。

适用场景

• 功能/活动效果评估：需要量化某一功能或运营活动在指定时间窗口内触达了多少独立用户。
• 优先级排序：RICE评分中Reach权重需要明确量化口径（日活/月活/事件数）时。
• AB实验设计：确定实验的最小样本量，需预估目标用户群Reach。
• 数据质量审计：对已有埋点数据校验Reach计算逻辑的准确性。

前置条件

1. 产品/业务已定义“目标用户”的核心行为事件（如登录、点击、购买、完成流程）。
2. 数据埋点已部署并持续采集，埋点字段包含用户唯一标识（user_id/device_id/time）。
3. 数据仓库已构建日活（DAU）、月活（MAU）、事件数（Event Count）等基础宽表。
4. 团队已确定Reach时间窗口（例如7天、30天、单次活动期）。

操作步骤

1. Step 1：定义Reach口径
   明确计算的是“独立用户数”（Unique Users）还是“事件发生次数”（Event Count）。RICE模型中推荐使用独立用户数作为Reach，除非业务场景强调重复触达。
2. Step 2：确定数据来源
   从数据仓库拉取DAU/MAU表或自定义事件表。例如：

   SELECT COUNT(DISTINCT user_id) AS reach
   FROM event_log
   WHERE event_name = 'page_view_homepage'
   AND event_date BETWEEN '2025-01-01' AND '2025-01-07'

3. Step 3：预估Reach区间
   基于历史数据或同类功能经验，给出一个“最小-最大”触达范围。常用方法：取过去30天日均用户数×时间窗口天数，再乘以特征折扣系数（如0.3〜0.7）。

   预估Reach最小值 = 日均DAU × 窗口天数 × 0.3
   预估Reach最大值 = 日均DAU × 窗口天数 × 0.7

4. Step 4：记录数据来源与口径
   填写《Reach量化记录模板》，确保可追溯。
5. Step 5：核对常见偏差
   检查并修正以下偏差（详见异常处理）。

输入输出物

责任边界

记录材料：Reach量化记录模板

每次量化Reach时，必须填写下表并存档至项目文档库。

异常处理

1. 埋点遗漏或重复：检查事件名是否多端上报（iOS/Android/Web），通过user_id+设备指纹去重；如发现遗漏，需补充埋点后重新采样。
2. 时间窗口内的数据缺失：若某天数据为零或异常低，标注为“缺失日”，在计算Reach时剔除该天并备注。
3. 业务口径变更：若目标用户定义中途调整（如从“启动App”改为“完成注册”），必须重新跑数并更新记录模板，新旧口径结果需同时记录对比。
4. 预估区间偏差超过50%：触发复盘会议，调整折扣系数或迭代预估模型。

验收标准

• Reach量化值与业务直觉一致性校验通过（例如新功能预计影响10%〜20%的月活用户，计算值应落在此范围）。
• 取数SQL通过代码审查，可复现。
• 《Reach量化记录模板》已完整填写，字段无缺项。
• 异常情况已标记并完成初步处理（如补充埋点或更换数据源）。