1. RICE 模型概述与四要素

1.1 为什么需要 RICE 模型

产品需求排期长期面临两大难题：主观判断偏差与量化维度单一。RICE 模型由 Intercom 公司提出，将需求优先级拆解为四个可量化的指标——Reach（触达）、Impact（影响）、Confidence（信心）、Effort（投入），通过公式 RICE Score = (Reach × Impact × Confidence) / Effort 得到统一可比较的优先级分数。

1.2 四要素定义与数据口径

1.3 维度拆解：从原始数据到看板字段

• Reach 拆解：按用户分群（新用户 vs 老用户）、设备平台（iOS/Android/Web）、用户活跃度（高活/中活/低活）、地域等。原始埋点数据需先经 ETL 去重，只保留 Unique User ID。
• Impact 权重分级：推荐五档标准：
  
  • 3.0 – 超预期增长（如核心转化率提升 > 20%）
  • 2.0 – 高影响（如关键功能新增）
  • 1.0 – 中等影响（如体验优化）
  • 0.5 – 低影响（如小修复）
  • 0.25 – 极小影响（如文案调整）
• Confidence 评估标准：
  
  • 1.0 – 已有高信服度实验数据（如 A/B 测试 P<0.05）
  • 0.8 – 有用户调研或明确行业 benchmark
  • 0.5 – 团队经验判断或类似功能复现
  • 0.2 – 纯粹直觉或推测
• Effort 估算方式：按人天精确换算，拆分粒度至 0.5 天。小需求 ≤ 5 人天，中需求 5~20 人天，大需求 > 20 人天。需考虑沟通成本、代码 review、测试回归。

1.4 看板结构：RICE 四要素卡片示例

1.5 异常解释：常见“分数失真”场景

1. Reach 严重高估：功能只影响小部分用户，但估算时用了全量 MAU。→ 应限定正常使用路径的用户细分。
2. Impact 权重主观偏移：缺乏统一校准，同团队不同人给同一需求打不同分。→ 引入 Impact 权重校准会或历史基线对照。
3. Confidence 虚高：仅有“类似产品经验”却给 0.8 或 1.0。→ 强制要求 Confidence ≤ 0.5 除非有直接实验证据。
4. Effort 遗漏隐性成本：只算开发人天，未算数据埋点、文案翻译、UI 走查等。→ 建立 Effort 分项模板。

1.6 业务动作：从看板到执行

• 每周会前：团队在 RICE 看板更新 Reach 和 Effort 预估（如因需求变更调整）。
• 优先级排序会：按 RICE Score 降序排列，选 Top N 进入 Sprint Backlog。若有争议需求，重点检查 Confidence 实际依据。
• 复盘分析：功能上线后，对比 预估 Reach vs 实际 Reach、预期 Impact vs 实验 Lift，更新 Confidence 校准表，使下次估算更精准。

1.7 内联 SVG：RICE 模型决策流

1.8 复盘分析：四要素的偏差溯源