1. RICE评分概述：来源、四维度、适用场景与方法对比
RICE 评分是由 Intercom 产品团队于 2016 年正式提出的一套需求优先级排序框架，旨在解决传统定性打分法（如 MoSCoW）中“凭感觉排需求”的痛点。它将每个需求拆解为 Reach（触达用户数）、Impact（业务影响）、Confidence（信心指数）、Effort（投入成本） 四个可量化维度，通过单一公式输出数值分数，让跨团队协作时的排序争议大幅降低。
核心原则：用“可复现的量化依据”替代“职位高低决定需求优先级”的模糊决策。RICE 分数越高，需求越应优先进入开发。
1.1 四个维度精确定义
| 维度 | 英文全称 | 定义 | 典型量化单位 |
|---|---|---|---|
| R – 触达 | Reach | 在给定时间周期内，该需求能触达多少用户（或交易/事件） | 用户数 / 月 |
| I – 影响 | Impact | 需求上线后对核心业务指标的提升程度 | 0.25× / 0.5× / 1× / 2× / 3× |
| C – 信心 | Confidence | 团队对触达、影响、成本估算的把握程度 | 20% / 50% / 80% / 100% |
| E – 成本 | Effort | 完成该需求所需的所有人力、资源、时间总和 | 人·月 |
量化技巧：Impact 使用“倍数”而非绝对值，因为不同业务线的基准线不同。团队内部统一 Impact 标尺（如 1× = 提升5% 转化率）可减少扯皮。
1.2 计算公式与优先级逻辑
RICE 最终分数 = ( Reach × Impact × Confidence ) / Effort。分数越高，优先级越高。该公式具备“放大效应”：当任意一个维度数据为 0 时，整体分数归零——这能自动过滤掉“影响大但触达为 0”的伪需求。
RICE 分数 = ( Reach × Impact × Confidence ) ÷ Effort
示例（某报表功能）：
Reach = 2000 人/月
Impact = 1×（中等提升）
Confidence = 80%（已有用户调研支撑）
Effort = 3 人·月
RICE = (2000 × 1 × 0.8) / 3 ≈ 533.31.3 适用场景 vs 慎用场景
- ✅ 适用：功能型需求池排期、版本迭代范围锁定、跨团队需求 PK、季度 OKR 对齐。
- ✅ 适用：已有初步用户数据或历史类比数据的成熟产品线。
- ⚠️ 慎用：0→1 探索期产品（数据缺失导致 Confidence 极低，分数失真）。
- ⚠️ 慎用：合规/安全类强制需求（必须执行，RICE 分数不应成为否决依据）。
1.4 与 MoSCoW / Kano 的对比
RICE 并非要取代所有方法，而是在“量化排序”场景下补足 MoSCoW 和 Kano 的盲区。下表从五个关键维度对比三种方法：
| 对比维度 | RICE | MoSCoW | Kano |
|---|---|---|---|
| 输出形式 | 连续数值分数 | 分类标签（Must/Should/Could/Won't） | 分类标签（基本/期望/兴奋/无差异/反向） |
| 数据依赖 | 高（需 Reach/Impact 数据） | 低（依赖干系人判断） | 中（需用户调研） |
| 对比粒度 | 单需求 vs 单需求 | 批量归类 | 单需求 vs 用户满意度 |
| 消除争议能力 | 强（分数透明可复算） | 弱（容易变成“谁官大听谁的”） | 中（依赖调研样本代表性） |
| 耗时 | 中（需收集数据） | 低（1-2 小时工作坊） | 高（需设计问卷+分析） |
常见误区：许多团队把 MoSCoW 的 “Must have” 直接等同于 RICE 高分，但 RICE 分数的“高”必须建立在真实触达和影响数据上。如果某个需求被老板定为 “Must”，但 Reach 只有 10 人/月，RICE 依然会给出低分——这正是该框架的去政治化价值。
1.5 RICE 评分全景流程
下方 SVG 展示了从需求拆解 → 四维度打分 → 排序输出的完整链路，也是本课程后续 29 章的核心骨架。
课程衔接：本章建立了 RICE 的完整认知基线。第 2 章将深入“Reach 触达”的三种估算模型（活跃用户渗透率、事件触发频次、覆盖周期折算），并给出实战避坑清单。