第3章:Reach 评分标准制定
3.1 适用场景
本章方法适用于以下场景:
- 首次在团队或产品线上引入 RICE 模型,需要定义统一的 Reach 分档规则。
- 现有 Reach 评分标准已使用超过一个季度,因业务变化需要重新校准。
- 跨职能团队对某类用户触达量的估算存在长期分歧,需要建立共识锚点。
- 产品经理、数据分析师、业务负责人共同参与需求优先级排序前,必须先对齐 Reach 的取值范围。
3.2 前置条件
| # | 条件 | 验收标准 |
|---|---|---|
| 1 | 产品/功能已定义明确的目标用户群(Target User) | 有用户分层文档或 Persona |
| 2 | 至少最近3个月的产品埋点或用户行为日志可用 | 可提取月活跃用户数(MAU)、周活跃用户数(WAU) |
| 3 | 已有 RICE 评分模型 0.1 版本(至少包含 Impact/Confidence/Effort 定义) | 已有前两章产出的 Impact 和 Confidence 评分标准 |
| 4 | 评审会议已预约(建议1小时,需包含PM、数据、开发各1人) | 日历已发会议邀请 |
3.3 操作步骤
- 确定计量单位:统一使用“自然月内触达的用户数”作为 Reach 的原始分母。如产品是周活主导(如工具类),可折合为月活跃用户数(MAU)。
- 拉取基线数据:从 BI 系统提取过去3个月的 MAU 中位数、最小值、最大值,以及典型用户分层(新用户、活跃用户、沉睡用户)的分布。
- 建立分档规则:基于基线数据,将 Reach 分为5档(0–2, 3–4, 5–6, 7–8, 9–10)。每档对应一个实际用户区间(例如:0–2分 = 每月 < 1千人;3–4分 = 1千–1万;以此类推)。
- 设定锚定案例:针对每档选取一个已上线或高置信度的功能作为锚点,帮助团队快速映射。
- 团队共识校准:组织评审会,逐条讨论锚点案例,使用“独立打分→公开讨论→重评分”方式达成一致。
- 制定校准规则:若有争议(2档之间偏差),取中值或取高值须有数据支撑;若数据缺失,取低分并标记为待验证。
- 验收检查表核实:对照验收检查表逐条确认分档结果可操作、可复盘。
3.4 输入 / 输出物
| 分类 | 输入物 | 输出物 |
|---|---|---|
| 数据 | 近3个月MAU统计报表、用户分层表 | Reach 分档数值-用户量映射表 |
| 工具 | RICE 模型 0.1 版评分标准 | Reach 分档规则文档(v1.0) |
| 案例 | 已有功能上线后触达数据(至少5个) | 锚定案例清单(含截图/数据截图) |
| 会议 | 评审会录音/纪要 | 共识签字记录(或 Slack 确认截图) |
3.5 责任边界
- 产品经理(Owner):主导分档规则设计、组织评审会、输出最终文档。
- 数据分析师(Co-Owner):提供基线数据、校准锚点案例、保证数字真实性。
- 开发负责人(Reviewer):从技术可行性角度验证分档是否合理,尤其对“零用户”场景的界定。
- 业务方(Info):仅参与讨论并提供业务侧预期,不强制签署。
3.6 记录材料
Reach分档规则_v1.0.xlsx– 包含分档表格、锚点案例、数据来源说明。Reach评分共识会议纪要_MDYYYY.md– 会议日期、参会人、争议点、决议。锚定案例数据截图.zip– 每个锚点功能的触达用户数截图(脱敏后)。
3.7 异常处理
| 异常场景 | 处理方式 |
|---|---|
| 基线数据缺失(新功能无历史数据) | 使用最小档(0–2分),并在备注标记“估算,待上线后校准” |
| 锚点案例贡献度与 Reach 得分明显矛盾 | 回查锚点案例实际用户量,若数据错误则替换;若锚点特例则加备注说明 |
| 团队对某档区间持续争议(>2轮) | 将该功能暂时划入模糊区间(暂不评分),由 PM 发起小型 A/B 测试获取实际数据后再决定 |
| 多个功能同属一档但用户量差异超 3 倍 | 拆分为子档(如 7分 vs 8分),并提供细分锚点案例 |
3.8 验收标准
完成本章后,需逐项检查以下清单,全部通过视为达标:
- ☐ Reach 分档规则文档已输出,包含 0–10 分对应实际用户量区间。
- ☐ 至少每档有 1 个锚点案例,锚点案例的真实用户量数据可溯源。
- ☐ 团队评审会已召开,且共识签字记录存档。
- ☐ 校准规则已写明(争议时取中值/取高值的条件)。
- ☐ 验收检查表已在文档末尾附上,并留空供后续使用。
3.9 典型分档规则模板(仅供参考)
| 分数 | 用户量区间(月活) | 锚定案例示例 | 适用产品阶段 |
|---|---|---|---|
| 0–2 | < 1,000 | 管理员后台日志查询页 | 工具类/试点功能 |
| 3–4 | 1,000 – 10,000 | 新用户引导弹窗 | 早期增长功能 |
| 5–6 | 10,000 – 100,000 | 搜索结果排序优化 | 核心功能增强 |
| 7–8 | 100,000 – 1,000,000 | 首页推荐算法改版 | 成熟期高影响功能 |
| 9–10 | > 1,000,000 | 登录/注册流程简化 | 全量用户触及 |
提示:锚定案例应优先使用已上线 AB 实验或全量功能的数据;如果某个档位暂无可参考功能,可暂时留空,在后续迭代中补充。
切勿:直接套用其他产品的分档阈值(如日活 vs 月活),必须基于自身产品 MAU/WAU 的实际分布来设置区间边界。
3.10 团队共识方法:三步校准法
- 个人独立打分:每位参与者(PM、数据、开发)独立对5个随机功能使用新分档规则打分,不透露他人分数。
- 公开核对+讨论:汇总分数到白板/共享文档,找出偏差 >2 分的案例,由当事人解释判断依据,其他人质疑或支持。
- 重评分+锁定:讨论后每人重新打分,若仍有 >2 分偏差则进入“模糊区间”处理流程,否则取中值锁定为最终分数。
校准记录示例:某功能在 Step1 中有 PM 打7分,数据打4分(偏差3分)。讨论发现 PM 认为该功能会影响“搜索用户”而数据认为“仅影响点击用户”。最终达成共识按“点击用户”口径重新估算,得分为5分。