第四章：Reach 估算操作步骤

Reach（触达用户数）是 RICE 评分中决定实验影响范围的核心维度。本章将按照 SOP 流程拆解 Reach 的完整估算链路：从目标用户圈定、活跃数据口径选取、周活与月活换算、时段修正到最终分数输出。每一环节均附带输入输出物与异常处理规则，确保估算结果可复现、可审计。

适用场景

• 新产品功能上线前，需要量化实验可触达的用户规模。
• 面向不同分层用户（新用户、活跃用户、付费用户）的 A/B 实验，需要差异化估算 Reach。
• 历史实验回顾或 RICE 评分复审，需统一 Reach 计算口径。
• 跨产品线或跨平台实验对比时，需要标准化的 Reach 产出流程。

前置条件

• 已获取产品全局 DAU / MAU 基础数据（建议使用最近 30 天均值）。
• 已定义实验目标人群的用户属性规则（地域、版本、注册时长、行为标签等）。
• 具备用户分群工具（如 SQL、用户画像平台、CDP）的查询权限。
• 团队内已统一“活跃用户”的业务定义（如：打开 App 并完成一次核心事件）。

操作步骤

1. 圈定目标用户池：根据实验需求定义过滤条件，从全量用户中圈定可能触达的用户集合。
2. 确定 DAU / MAU 取值口径：选择“设备去重”或“账号去重”口径，并固定统计窗口。
3. 周活 / 月活换算：当实验周期按周计而基础数据按月计，使用周活占比系数换算。
4. 时段影响修正：识别节假日、大促、版本升级窗口等异常时段，按修正系数调整。
5. 输出 Reach 分数：将修正后的预估用户数按 RICE 标准映射为 1-5 分档位。

输入输出物

类别	物项	说明
输入	全量用户画像表	包含用户 ID、注册时间、最后活跃时间、版本、地域等属性
输入	近 30 天 DAU / MAU 均值	按设备去重后的日/月活跃数据
输入	实验设计文档	明确目标人群规则与实验周期
输出	Reach 估算日志	含每一步筛选条件、系数、中间值与最终分数
输出	Reach 分数	1-5 分的整数值，附保留小数位的原始预估量

责任边界

• 数据工程师：提供准确的 DAU / MAU 基础数据，确保统计口径一致。
• 产品经理 / 实验负责人：定义人数圈定规则与时段修正系数，对分数的业务合理性负责。
• 数据分析师：执行 SQL 圈选并记录中间值，输出 Reach 估算日志。
• 复审人（团队 TL）：抽查系数取值与分档映射，确认无逻辑错误或口径漂移。

记录材料

材料名称	格式	保存位置	保留周期
Reach 估算日志	Google Sheets / Airtable	项目共享盘 / 实验目录	实验结束 + 6 个月
SQL 查询脚本	.sql 文件	代码仓库 / 实验记录子目录	实验结束 + 12 个月
系数决策记录	Wiki 页面 / 文档	团队知识库	长期

异常处理

异常场景	处理方式
目标人群过小（< 1000 用户）	扩大人群圈定条件或延长实验周期，否则标记为“低触达”并直接给 Reach 分数 1
MAU 数据缺失	使用近 7 天 DAU 均值 × 30 作为 MAU 估算，并在日志中注明“估算模式”
时段修正系数无法判断	默认取 1.0（不修正），由复审人确认并签字
用户属性标签与业务定义冲突	以实验设计文档中的定义为最终标准，记录冲突原因

验收标准

• Reach 估算日志完整记录 5 个步骤的中间值，且每一步均有操作人签名或系统时间戳。
• 输出分数与原始预估量对应关系符合 RICE 分档表（见下方表格）。
• 同一实验由不同分析师独立估算，Reach 分数差异 ≤ 1 分（若超过需复勘）。
• 所有异常场景的处理路径均有文档记录且经过复审人确认。

预估触达用户数	Reach 分数	说明
0 – 1,000	1	极低触达
1,001 – 10,000	2	低触达
10,001 – 100,000	3	中等触达
100,001 – 1,000,000	4	高触达
＞ 1,000,000	5	极高触达

Reach 估算流程总图

步骤一：圈定目标用户池

根据实验设计文档中的用户属性条件（版本号 ≥ V6.2、注册时间 ≥ 30 天、地域为国内），使用 SQL 或分群工具筛选出基础人群。若条件超过 3 个，建议创建临时用户标签表以提高复用性。

-- 示例：圈定目标用户池
SELECT DISTINCT user_id
FROM user_profile
WHERE app_version >= '6.2'
  AND datediff(day, reg_date, getdate()) >= 30
  AND region IN ('CN', 'HK', 'TW');

步骤二：确定 DAU / MAU 取值口径

决策是否需要跨设备去重。如果实验以“账号”为单元，使用账号去重口径；若以“设备”为单元，使用设备去重口径。统一从数据仓库获取最近 30 个自然日的 DAU 均值与当月 MAU。

口径类型	适用场景	统计复杂度
设备去重	安装量、曝光量实验	低
账号去重	登录态功能、付费实验	中
用户主体去重	跨设备同一用户识别	高（需 ID-Mapping）

步骤三：周活 / 月活换算

当实验周期 ≤ 7 天但基础数据为 MAU 时，使用周活占比系数 α = WAU / MAU（取最近 4 周均值）。预估实验触达数 = MAU × α ×（实验天数 / 7）。

-- 计算周活占比系数 α
WITH weekly_active AS (
    SELECT COUNT(DISTINCT user_id) AS wau
    FROM event_log
    WHERE event_date >= dateadd(day, -7, getdate())
),
monthly_active AS (
    SELECT COUNT(DISTINCT user_id) AS mau
    FROM event_log
    WHERE event_date >= dateadd(day, -30, getdate())
)
SELECT ROUND(1.0 * wau / mau, 4) AS alpha
FROM weekly_active, monthly_active;

步骤四：时段影响修正

识别估算周期内是否包含以下异常时段：春节、双十一、暑期高峰、版本强制升级周。按历史同期活跃度波动比给出修正系数 β（0.8 – 1.5），并在日志中注明依据。

步骤五：输出 Reach 分数

最终预估触达数 = 目标用户基数 ×（实验天数占比）× β。对照 RICE 分档表映射为 1-5 分，同时保留原始数值（保留两位小数）存入 Reach 估算日志。

-- 输出 Reach 分数示例（Python 伪代码）
reach_estimate = target_users * day_ratio * beta
if reach_estimate <= 1000:
    score = 1
elif reach_estimate <= 10000:
    score = 2
elif reach_estimate <= 100000:
    score = 3
elif reach_estimate <= 1000000:
    score = 4
else:
    score = 5
# 记录日志：log_reach(target_users, day_ratio, beta, reach_estimate, score)