3. Reach 计算实战
Reach（触及度）是 RICE 框架中衡量“在给定时间内，有多少独立用户会接触到你的功能或产品”的维度。它与用户量、曝光量、活跃用户数直接相关，但并非简单加法——需要将这三个原始数据通过归一化与乘法运算转换为可比较的分数。
3.1 核心公式与概念解释
基本 Reach 分数计算公式为：
Reach 分数 = (用户总量 × 曝光率 × 活跃用户占比) / 归一化基数- 用户总量：功能面向的全部潜在用户数（如注册用户数、目标人群数）。
- 曝光率：用户看到功能入口或推送的比例（曝光量 ÷ 用户总量）。
- 活跃用户占比：在观察周期内至少使用一次产品的用户数 ÷ 用户总量。
- 归一化基数：将分数映射到 0‑10 或 0‑100 区间的除数（通常取历史最高 Reach 或行业基准）。
| 数据项 | 类型 | 示例值 |
|---|---|---|
| 用户总量 | 绝对数 | 1,000,000 |
| 曝光量 | 绝对数 | 500,000 |
| 曝光率 | 比例（曝光量/用户总量） | 0.5 |
| 活跃用户数 | 绝对数 | 300,000 |
| 活跃用户占比 | 比例（活跃用户数/用户总量） | 0.3 |
| 归一化基数 | 常数 | 1,000,000 |
💡 类比：广播覆盖
用户总量 = 电台覆盖城市总人口
曝光量 = 收到广播信号的人数
活跃用户占比 = 每天坚持收听半小时以上的听众比例
Reach 分数 = 信号强度 × 收听习惯 → 影响力评分
用户总量 = 电台覆盖城市总人口
曝光量 = 收到广播信号的人数
活跃用户占比 = 每天坚持收听半小时以上的听众比例
Reach 分数 = 信号强度 × 收听习惯 → 影响力评分
3.2 原理图解：从原始数据到 Reach 分数
下图展示了三个输入如何通过一次乘法和一次除法转换为最终的 Reach 分数：
3.3 常见误区
- ❌ 直接用原始绝对数相乘：用户总量、曝光量、活跃用户数量纲不同，必须先转化为比例再运算。
- ❌ 忽略归一化：不归一化会导致不同项目之间 Reach 分数无法横向比较。
- ❌ 混淆“曝光量”与“独立曝光用户数”：同一个用户多次看到功能只算一次曝光用户，否则会高估 Reach。
- ❌ 将活跃用户数直接当作 Reach：即使活跃用户很多，若曝光率极低（功能入口隐蔽），触及度仍然很低。
3.4 实战练习题
场景：团队计划为 App 增加“一键生成周报”功能。现有以下数据：
| 参数 | 数值 |
|---|---|
| 注册用户总量 | 2,000,000 |
| 功能入口曝光次数（7天） | 600,000 |
| DAU（日均活跃用户） | 400,000 |
| 归一化基数（历史最高 Reach） | 1,500,000 |
请计算该功能的 Reach 分数（保留两位小数）。
💪 解题步骤：
1. 计算曝光率 = 600,000 ÷ 2,000,000 = 0.30
2. 计算活跃用户占比（DAU/总量）= 400,000 ÷ 2,000,000 = 0.20
3. 代入公式 Reach 分数 = (2,000,000 × 0.30 × 0.20) ÷ 1,500,000 = 120,000 ÷ 1,500,000 = 0.08
4. 得分为 0.08（换算到 0‑10 区间则为 0.8）。
1. 计算曝光率 = 600,000 ÷ 2,000,000 = 0.30
2. 计算活跃用户占比（DAU/总量）= 400,000 ÷ 2,000,000 = 0.20
3. 代入公式 Reach 分数 = (2,000,000 × 0.30 × 0.20) ÷ 1,500,000 = 120,000 ÷ 1,500,000 = 0.08
4. 得分为 0.08（换算到 0‑10 区间则为 0.8）。
📌 如果归一化基数改为 100,000，则得分为 1.2。因此务必确认团队统一使用的归一化标准。
3.5 应用边界
- 强依赖场景：功能面向新用户、全新模块、渠道推广效果评估——Reach 是核心决策维度。
- 弱依赖场景：功能仅针对已高度活跃的核心用户（如高级会员特权），用户总量变化极小，此时 Reach 分数趋于恒定，应更多参考 Impact/Confidence。
- 不适用的场景：当用户量、曝光量、活跃度数据均无法可靠获取时（如全新产品上线前），Reach 需基于假设估算，此时应使用 RICE 中的 Confidence 来调整权重。