4. Reach 常见误区：混淆绝对数与相对比例、忽略时间窗口、重复计算
Reach 是 RICE 模型中最容易被“算错”的维度。许多团队在估算覆盖人数时，往往只关注表面数字，忽略了分母、时间范围和用户唯一性这三个关键因素。本章将逐一拆解这三个常见的“Reach 计算陷阱”，帮助你从偏差中恢复，获得更接近真实的覆盖估算。
4.1 误区一：混淆绝对数与相对比例
错误表现： 直接将“页面累计访问次数（PV）”或“曝光次数”当作 Reach（独立用户覆盖）。例如：“我们的 Banner 上周获得了 20 万次曝光，所以 Reach = 20 万。” 这是一个典型的 绝对数偏差——将事件发生的次数（绝对数）直接等同于独立用户数。
正确做法： 关注 独立用户数 (Unique Users)，或者通过行业内公认的“活跃用户比例”进行换算。
对比表格：
| 数据维度 | 错误理解 | 正确理解 |
|---|---|---|
| 指标 | PV / 曝光次数 | UV（Unique Visitors） |
| 示例 | “页面被访问了 10 万次” | “有 3 万独立用户访问了页面” |
| 对决策的影响 | 严重高估 Reach，导致产品功能优先级被错误拔高 | 接近真实用户覆盖，支持理性的资源分配 |
类比： 一家餐厅的“排队总人数”是绝对数（可能很多人重复排队），但“独立用餐人数”才是 Reach。如果只看排队次数，你会以为餐厅非常火爆，从而错误地多备食材。
4.2 误区二：忽略时间窗口
错误表现： 在估算 Reach 时没有指定“在多长时间内”。例如：“我们的推送功能可以覆盖 100 万用户。” 但这个数字可能是基于“7 天活跃用户”还是“30 天活跃用户”计算出来的？两者往往相差数倍。
- 短期功能（如推送一条临时优惠信息）：应使用 日活跃用户 (DAU) 或 周活跃用户 (WAU)。
- 长期功能（如优化一个核心流程）：应使用 月活跃用户 (MAU)。
如果混用，例如用 MAU 估算一个一天就过期的小功能，Reach 会被严重虚高。
正确做法： 在估算 Reach 时，必须明确标注 时间范围，例如：“预计在 7 天内可覆盖 50 万独立用户。” 或 “基于过去 30 天活跃用户数据估算。” 保持时间窗口与产品功能的生命周期一致。
4.3 误区三：重复计算
错误表现： 在处理跨平台、跨渠道或跨时间段的数据时，直接将各渠道的 Reach 相加。例如：“App 内弹窗覆盖了 30 万人，短信渠道覆盖了 20 万人，所以总 Reach = 50 万人。” 但实际可能有 10 万人既看了弹窗又收到了短信。
必须去重，否则会导致非线性的膨胀。
常见重复计算场景：
- 跨渠道重复： 同一用户在 App 推送、短信、公众号都看到。
- 跨时间段重复： 用户在周一和周三都触达了同一功能。
- 跨设备重复： 用户在公司电脑和手机上同时使用产品。
4.4 误区全景图（SVG）
4.5 练习题
场景： 产品经理小张计划优化 App 的开屏广告。他估算 Reach 时使用了以下数据：
- 过去 30 天 DAU 平均值为 50 万。
- 过去 7 天内开屏广告曝光次数为 150 万。
- 短信推广渠道覆盖了 30 万用户（基于一周数据）。
小张最终将 Reach 计算为：150 万（曝光次数） + 30 万（短信用户） = 180 万。请问他犯了哪几个误区？应该如何修正？
参考答案：
- 误区一（混淆绝对数）： 不应使用曝光次数（150 万）估算用户，应该使用过去 7 天的独立用户数（假设为 50 万 DAU 中的一部分，例如 40 万 UV）。
- 误区三（重复计算）： 不能直接将短信用户的 30 万与开屏 UV 相加，因为存在重叠用户。
- 修正方法： 估算开屏 UV（例如 40 万），并假设 SMS 与开屏的重复率为 10%，则正确 Reach ≈ 40万（开屏UV） + 30万*90%（非重复SMS用户） = 67 万。同时需明确时间窗口为“7天内”。
4.6 应用边界
这些误区在以下场景中尤其致命：
| 场景 | 风险等级 | 说明 |
|---|---|---|
| 跨渠道营销功能 | 🔴 高 | 极易产生重复计算，导致预算浪费。 |
| 短期活动需求 | 🟡 中 | 忽略时间窗口会高估活动影响力，低估所需资源。 |
| 新增功能灰度发布 | 🟢 低 | 若功能只面向特定小范围人群，绝对数与相对比例的偏差较小，但仍需注意时间窗口。 |