Reach 量化方法：用户覆盖范围计算、DAU/MAU 基数、触达率模型

1. 指标定义

Reach（覆盖）衡量的是在一个特定时间段内，有多少独立用户与产品、功能或营销活动发生了实质接触。它排除了重复计数，是 RICE 模型中「覆盖」维度的核心量化指标。

• 用户覆盖范围：曝光或访问过指定内容的独立用户数，通常用 UV（Unique Visitors）或设备 ID 去重后统计。
• DAU/MAU 基数：日活跃用户数（DAU）与月活跃用户数（MAU）构成覆盖计算的分母或基准池，反映产品当前的用户活跃规模。
• 触达率模型：基于产品渠道、推送机制、用户行为路径推算的“潜在影响用户比例”，即实际能被改变行为的用户占活跃基数的比率。

2. 数据口径

3. 维度拆解

Reach 需要从以下维度进行拆解，以识别覆盖瓶颈和机会点：

1. 时间粒度：日覆盖、周覆盖、月覆盖。新功能上线初期重点看日覆盖的爬坡速度。
2. 用户分层：新用户 vs 老用户；低频 vs 高频用户；登录态 vs 游客。不同分层对同一功能的 Reach 差异可达 3-5 倍。
3. 渠道来源：自然访问、推送唤醒、外部广告、分享回流。各渠道贡献的覆盖质量（留存率）不同。
4. 设备与版本：操作系统版本、App 版本、浏览器类型。非兼容版本会导致覆盖缺口。

4. 看板结构

Reach 量化看板应包含三个层级：

• 总览层：当日/当月 Reach 绝对值、环比变化、目标达成率。
• 分解层：按渠道、用户分层、设备版本的 Reach 贡献占比，以及各细分维度的渗透率（Reach / 对应活跃基数）。
• 影响预测层：基于触达率模型预测“当前覆盖规模下预期能影响多少用户”，与实验组效果进行对比。

5. 异常解释

Reach 出现异常波动时，按以下优先级排查：

• 数据采集故障：埋点上报丢失、ID 映射失败、重复去重逻辑变更。通过检查事件量、UUID 匹配率快速定位。
• 产品/运营动作：下线渠道、推送开关变动、版本升级导致兼容性变化。回退时间轴对照。
• 活跃基数漂移：DAU/MAU 因假期、大促或必现 bug 出现震荡，此时 Reach 绝对值可能正常但渗透率异常。
• 触达率模型偏差：模型输入特征（如时段、用户行为频次）发生分布偏移，导致预测覆盖不准确。需要重新校准模型参数。

6. 业务动作

基于 Reach 量化结果，可采取以下动作：

• 扩大覆盖面：若当前 Reach 远低于活跃基数，启用多渠道触达（如站外投放、回流短信）以提升曝光频次。
• 提升触发效率：优化推送时间、文案、落地页加载速度，提高单次触达的实质转化率。
• 缩小覆盖缺口：针对未覆盖的高价值用户分层，设计专属引导流程或激励手段。

7. 复盘分析

在 RICE 模型中，Reach 复盘需要回答三个问题：

1. 覆盖是否达到预期？ 对比目标值与实际值，定位差距发生在哪个维度（渠道/版本/用户层）。
2. 触达率模型是否可靠？ 用 AB 测试实际效果反向验证模型预测的准确率。若偏差 > 20%，需要重构特征或换用更细粒度的模型。
3. 下一步提升空间在哪？ 将 Reach 与后续指标（如激活、留存）联动分析，找到“覆盖转化率”最高的用户群体，加大资源倾斜。