1.1 RICE 评分模型概览

RICE 评分模型由 Intercom 产品团队提出，用于在产品需求排期中量化评估每个需求的综合优先级。该模型通过四个维度——Reach（触达人数）、Impact（影响程度）、Confidence（置信度）、Effort（开发成本）——将定性判断转化为可比较的数值分数，是数据驱动产品决策的核心工具。

1.1.1 四要素定义

要素	定义	典型度量方式	数据来源
Reach	该功能在指定时间内预计覆盖的用户人数	UV（独立访客）、DAU/MAU 占比	埋点统计、用户画像库
Impact	功能上线后对核心指标的影响强度	效应量（Effect Size）、转化率提升	AB 实验、历史同类型功能数据
Confidence	团队对 Reach 与 Impact 估算的把握程度	0.1~1.0 分数（低/中/高）	数据完备度、实验样本量、专家判断
Effort	开发该功能所需的总工时（人周/人月）	理想人天（Ideal Person-Days）	开发评估、历史同类工单统计

1.1.2 评分公式与权重逻辑

RICE 采用乘积加权结构：Reach、Impact、Confidence 三者相乘构成"预期价值"，再除以 Effort 得到"单位成本价值"。这种设计确保：

• 杠杆效应：任意一个要素为零或极低，整体分数大幅下降；
• 成本敏感：Effort 在分母，高成本需求会被自然降权；
• 置信度调节：数据越充分，Confidence 越接近 1.0，评分越可信。

以下是一个典型需求项的 RICE 评分数据结构：

{
  "feature_id": "F001",
  "feature_name": "用户分享功能",
  "reach": 15000,
  "impact": 2.0,
  "confidence": 0.8,
  "effort": 3,
  "rice_score": 8000,
  "version": "v1.0",
  "created_at": "2025-02-10"
}

1.1.3 数据口径

指标	数据口径说明	埋点类型
Reach	过去 30 日去重 UV，或基于用户分群预估的月活覆盖量	用户识别埋点 + 行为计数
Impact	参照同类功能 AB 实验的效应量中位数，或业务方提供的预估转化提升	实验埋点 + 漏斗埋点
Confidence	基于数据来源可靠性打分：完整实验数据=1.0，有部分数据=0.6，纯主观=0.2	数据质量元信息（由看板自动采集）
Effort	开发、测试、设计总人天数，取整到 0.5 人天	项目管理工具 API 同步

1.1.4 维度拆解

RICE 评分可从以下维度拆解分析，以发现优先级异常或资源错配：

• 产品模块：对比不同模块的需求平均 RICE 分数，识别高价值模块；
• 用户群体：按新用户/老用户/付费用户分群计算 Reach，评估功能覆盖差异；
• 时间周期：按季度或月度统计 RICE 分数分布，观察需求质量趋势；
• 置信度分层：单独筛选 Confidence < 0.5 的需求，标记为"需补充数据"。

1.1.5 看板结构

RICE 评分看板以四要素输入为起点，通过可视化管道输出排序后的需求列表。下图展示了看板的核心数据流与节点关系：

1.1.6 异常解释

异常现象	可能原因	诊断动作
某个需求的 RICE 分数远高于同类	Reach 或 Impact 被高估；Effort 漏估	检查 Reach 数据源是否包含重复用户；回顾 Impact 等级定义
Confidence 长期 = 1.0 的需求占比过高	团队未如实填写置信度，或数据口径过宽	对比看板中 Confidence 与后验准确率，校准评分标准
Effort 估算整体偏低，导致分数虚高	开发评估未包含测试、设计、联调时间	强制要求 Effort 包含完整链路，设置最小人天阈值

1.1.7 业务动作

基于 RICE 看板输出，产品团队可执行以下标准化动作：

• 优先级排序：按 RICE 分数降序排列需求，分数最高的前 20% 进入冲刺候选池；
• 阈值截断：设定最低分数阈值（如 RICE < 500 的需求暂缓），控制需求积压质量；
• Confidence 复核：对 Confidence < 0.5 且排名靠前的需求，要求补充 A/B 实验或用户调研证据；
• Effort 校准：对 Effort > 20 人天的需求，自动触发二次开发评估流程。

1.1.8 复盘分析

每双周或月度复盘时，将看板中需求的 RICE 预测分数与实际上线后的效果指标进行对比：

• 后验 Reach：上线后实际 UV 是否达到预估 Reach 的 80%~120%；
• 后验 Impact：核心指标变化是否落入预估 Impact 的置信区间；
• 置信度校准：统计 Confidence 与实际预测准确率的相关系数，持续优化置信度评分规则。