第2章 Reach维度精讲：用户基数定义、周期选择、活跃用户与触达率区分、数据来源

2.1 用户场景：小张的Reach计算困境

产品经理小张正在为“智能推荐”功能做RICE评分。他打开后台数据，发现DAU是8万，MAU是22万，上周功能弹窗曝光量是3.5万次。他犹豫了：到底用DAU还是MAU做基数？“触达”是指曝光还是点击？周期选“一周”还是“一个月”？口径不同，Reach评分可能差3倍以上，直接影响功能优先级排序。

2.2 业务问题：口径不一致导致评分失效

在RICE评分实践中，Reach维度最容易出现以下三类偏差：

• 基数混淆：用“总注册用户”代替“周期活跃用户”，导致Reach被高估2~5倍。
• 周期错配：功能评估用“日活”，但项目目标用“月活”，评分与目标脱节。
• 触达虚报：把“展示曝光”当作“有效触达”，忽略用户是否真正看到或交互。

这些偏差的根源是对Reach四个核心要素缺乏统一约定：用户基数、周期选择、活跃用户与触达率的区分、数据来源。

2.3 需求拆解：Reach四要素

Reach维度的计算可以拆解为四个相互关联的要素，每个要素都有明确的定义和决策点：

四个要素的关系是：数据来源提供用户基数和周期活跃数据 → 确定活跃用户数 → 乘以触达率得到最终Reach值。周期选择同时影响活跃用户的口径和触达率的统计窗口。

2.4 评分计算：Reach评分公式与示例

Reach评分的标准计算公式为：

计算示例：小张的“智能推荐”功能评估

2.5 指标验证：数据准确性检查清单

Reach评分的数据源必须经过验证，避免“垃圾进，垃圾出”。以下四项检查应在评分前完成：

• □ 用户基数验证：是否去除了测试账号、机器人和无效用户？
• □ 周期对齐验证：功能触达数据的统计周期是否与活跃用户周期一致？（例如：MAU vs 月曝光）
• □ 触达口径确认：“触达”的定义是“曝光”“点击”还是“完成核心动作”？不同口径Reach可差5~10倍。
• □ 数据源交叉核验：从产品后台、BI报表、第三方工具（如友盟、Firebase）获取同一指标，差异应＜5%。

2.6 优先级排序：Reach维度的权重决策

在RICE框架中，Reach通常与Impact并列为核心权重维度。但Reach的权重可根据功能类型动态调整：

在排序时，Reach评分应与其他三个维度（Impact、Confidence、Effort）标准化后相乘，避免因Reach基数过大而主导排序结果。

2.7 交付物模板：Reach评估工作表

以下是可直接复用的Reach评估模板，用于记录每项功能的Reach四要素取值和评分：