第2章 Reach(触达人数)定义与估算:量化用户或事件影响
2.1 适用场景
Reach 指标用于回答一个核心问题:"这个需求在指定时间窗口内,会影响多少用户或发生多少次关键事件?"。以下场景必须使用 Reach 进行量化估算:
- 用户增长类需求:新用户引导流程优化、注册页面改版、邀请机制上线。
- 核心功能改进:购物车体验升级、搜索排序调整、支付流程简化。
- 运营活动类:限时折扣、Push 推送、弹窗策略、积分兑换入口。
- 数据埋点与AB实验:需要预估实验最小样本量时,Reach 决定实验持续天数。
- 资源投入决策:对比多个需求时,Reach 帮助判断哪个功能能覆盖更大用户面,避免为极低频场景投入过高成本。
💡 判断原则:凡是需求上线后,用户必须主动/被动接触到该功能或页面,且该交互可以被量化计数的场景,都需要 Reach 估算。
2.2 前置条件
开始 Reach 估算前,必须准备或确认以下条件:
| 序号 | 前置条件 | 说明 | 验收标准 |
|---|---|---|---|
| 1 | 目标用户定义 | 明确需求面向的用户画像或用户分群(如"30天内活跃的付费用户") | 用户分群可被数据平台 SQL 精确圈选 |
| 2 | 时间窗口确认 | 估算周期(日活/周活/月活/活动期间)已由业务方对齐 | 时间窗口在需求文档中明确标注 |
| 3 | 数据源可用 | 埋点报表、DAU/MAU 看板、历史同类功能点击率、转化漏斗可查 | 至少有一个可引用的历史数据基线 |
| 4 | 假设清单已建 | 所有无法获取精确数据的部分,需列出假设并标注置信度 | 假设清单随 Reach 估算值一同交付 |
2.3 操作步骤
Reach 估算遵循 5步标准流程,每一步必须输出中间产物,确保估算过程可回溯。
- 第一步:定义触达边界 —— 确定用户从"看到入口"到"完成核心动作"的完整路径,明确计入 Reach 的事件颗粒度(PV / UV / 事件次数)。
- 第二步:选择数据来源 —— 从优先级列表中选择数据源:产品数据库 > 埋点报表 > 历史AB实验数据 > 第三方行业基准 > 专家经验估算。
- 第三步:提取基线数据 —— 从选定数据源中获取:当前路径的 DAU/MAU、页面曝光量、入口点击率、漏斗转化率、功能渗透率。
- 第四步:计算 Reach 值 —— 将基线数据乘以预期变化系数( uplift ),得到估算触达人数。
- 第五步:记录假设与置信区间 —— 每个计算系数必须注明假设来源,并给出悲观/乐观/最可能三档估算。
📌 关键公式:
如果需求是"优化购物车按钮",则用户基数取「月活跃买家数」,曝光率为「购物车页面 UV/MAU」,点击率为「加购按钮点击率」,完成率为「结算转化率」。
Reach (UV) = 目标用户基数 × 功能曝光率 × 入口点击率 × 预期完成率如果需求是"优化购物车按钮",则用户基数取「月活跃买家数」,曝光率为「购物车页面 UV/MAU」,点击率为「加购按钮点击率」,完成率为「结算转化率」。
2.4 输入输出物
| 类型 | 名称 | 格式/样例 | 责任方 |
|---|---|---|---|
| 输入 | 用户分群定义 | SQL 圈选条件 / 用户画像标签 | 需求方 / 产品经理 |
| 输入 | 历史数据基线 | DAU=120万,购物车页渗透率18%,加购点击率32% | 数据分析师 |
| 输入 | 假设参数清单 | 预计改版后点击率提升至38%(参考类似项目 uplift) | 产品经理 |
| 输出 | Reach 估算值 | 乐观:25.3万 UV / 最可能:21.8万 UV / 悲观:18.2万 UV | 产品经理 |
| 输出 | Reach 估算过程文档 | 包含数据来源、计算步骤、假设条件、置信等级 | 产品经理 |
| 输出 | Reach 验收记录 | 评审确认后的最终 Reach 值及签字 | 评审委员会 |
2.5 责任边界
| 角色 | 责任内容 | 不承担责任 |
|---|---|---|
| 产品经理 |
|
不负责提供原始埋点数据(由数仓/分析师提供) |
| 数据分析师 |
|
不负责业务侧的 uplift 预估(uplift 由 PM 基于产品经验给出) |
| 研发/测试 |
|
不负责业务数据的解读 |
| 评审委员会 |
|
不代替 PM 做具体估算 |
2.6 记录材料
每次 Reach 估算必须产出以下记录材料,归档至需求管理平台:
| 材料名称 | 核心字段 | 保管位置 | 保留期限 |
|---|---|---|---|
| Reach 估算工作表 | 需求ID、用户分群、时间窗口、基线数据、 uplift 系数、三档估算值、假设说明 | Confluence / 飞书文档 / 项目文件 | 项目结项后 6 个月 |
| 数据源截图/链接 | 数据看板名称、查询时间、数据截图或 SQL 脚本 | 附在估算工作表末尾 | 项目结项后 6 个月 |
| 评审签字记录 | 评审日期、参与人、结论(通过/驳回/修改) | 需求管理系统 | 永久 |
2.7 异常处理
| 异常场景 | 处理方案 | 输出调整 |
|---|---|---|
| 无任何历史数据可用 | 使用行业公开基准(如电商平均加购率25%~35%),并在假设清单中标注"行业基准,置信度低" | Reach 估算增加 ±50% 宽置信区间,RICE 计算时 Impact 降一档 |
| 目标用户分群无法精确圈选 | 使用更大范围用户数(如全体 MAU)乘以该群体占比的估算值,占比来源自调研或经验 | 在记录材料中标注"用户分群为近似值",并给出占比的上下界 |
| 预期 uplift 系数争议大 | 分别按"保守、基准、激进"三档计算,三档值均写入评审材料,由评审委员会投票决定 | Reach 值输出三档而非单值 |
| 时间窗口跨版本/跨季度 | 将时间窗口拆分为"上线后首月"和"稳定期月均",分别估算并加权汇总 | Reach 估算表增加分阶段子表 |
| 数据源存在明显异常值 | 剔除异常日数据(如大促日、故障日),取近 30 天中位数而非平均数 | 在数据来源备注中记录剔除逻辑及剔除日期 |
⚠️ 常见错误:不要将"页面 UV"直接等同于"需求触达人数"。例如:首页 UV 100万,但需求是"优化底部导航",底部导航的实际曝光 UV 可能只有 40 万(因为用户不一定会滚动到底部)。必须计算有效曝光率。
2.8 验收标准
Reach 估算结果必须通过以下6项验收检查方可进入 RICE 综合排序:
| 检查项 | 验收标准 | 判定方式 |
|---|---|---|
| 1. 用户分群可追溯 | 分群定义能在数据平台复现,且有明确的 SQL 或标签逻辑 | 评审时现场演示或提供截图 |
| 2. 数据来源可查证 | 每个基线数据都标注了来源看板名称、查询日期、查询人 | 抽查 3 个数据点,验证来源真实性 |
| 3. 假设条件已记录 | 所有 uplift 系数和估算系数均有文字说明假设理由 | 检查假设清单是否完整 |
| 4. 三档估算已提供 | 乐观/最可能/悲观三档 Reach 值均填写,且差值比例 ≥30% 时需备注原因 | 核对估算表字段 |
| 5. 异常处理已适配 | 如果存在 2.7 节中的异常场景,必须在估算备注中说明处理方式 | 逐条对照异常场景清单 |
| 6. 评审签字已完成 | 至少 1 名数据分析师 + 1 名高级产品经理 + 1 名技术负责人签字确认 | 检查电子签名或审批流记录 |
2.9 Reach 估算流程全景
下图汇总了 Reach 估算从输入准备到验收归档的完整路径,各环节之间通过数据传递和评审反馈形成闭环:
2.10 典型案例估算演示
案例:"优化购物车页面结算按钮"需求,目标为提升结算转化率 15%。
| 步骤 | 数据 / 计算 | 说明 |
|---|---|---|
| ① 目标用户基数 | MAU = 420万,其中购物车页月活用户占比 22% | 420万 × 22% = 92.4万(购物车页 UV) |
| ② 当前结算点击率 | 历史埋点显示「去结算」按钮点击率为 31.2% | 数据源:埋点报表 2025-02-01 ~ 2025-02-28 |
| ③ 预期 uplift | 改版后点击率提升至 35.9%(相对提升 15%) | 假设依据:同类优化历史 AB 实验均值 uplift 12%~18% |
| ④ 计算 Reach | 最可能:92.4万 × 35.9% = 33.2万 UV | 乐观:uplift=18% → 34.7万;悲观:uplift=8% → 30.1万 |
| ⑤ 假设记录 | ① 改版后不会引入额外跳出率;② 购物车页流量稳定无季节性波动 | 两个假设若失效,Reach 需重新估算 |
| ⑥ 验收结果 | 评审委员会确认:数据来源可查,假设合理,三档值完整 | 签字通过,Reach=33.2万(最可能)进入 RICE 计算 |
通过以上标准流程,团队可以确保每个需求的 Reach 估算都可追溯、可复验、可质疑,避免主观拍脑袋导致的优先级排序偏差。