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。

  1. 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)。
  2. 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。
  3. 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。
  4. 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。
  5. 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:
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
  • 定义目标用户分群
  • 提出假设参数并论证合理性
  • 完成 Reach 计算并输出估算文档
不负责提供原始埋点数据(由数仓/分析师提供)
数据分析师
  • 提供历史基线数据
  • 验证假设系数是否在合理统计区间
  • 给出置信区间建议
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
  • 确认 Reach 涉及的数据埋点是否已存在
  • 反馈技术可行性对用户路径的影响
不负责业务数据的解读
评审委员会
  • 审核 Reach 估算的合理性
  • 对假设条件进行质疑和确认
  • 批准最终 Reach 值进入 RICE 计算
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:

Reach 估算流程全景图 ① 定义触达边界 用户分群 + 时间窗口 ② 选择数据来源 埋点 / 报表 / 行业基准 ③ 提取基线数据 DAU / 渗透率 / 点击率 ④ 计算 Reach 值 基数 × uplift × 转化率 ⑤ 记录假设与置信 三档估算 + 假设清单 ⑥ 评审验收 6项验收标准逐条通过 不通过返回修正 📋 流程要点说明: • 步骤①~③为数据准备阶段,需在 1 个工作日内完成。 • 步骤④~⑤为估算与记录阶段,需在 0.5 个工作日内完成。 • 步骤⑥为评审阶段,评审委员会应在 1 个工作日内给出结论。

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。