R模型 – Reach（触达）

概念解释

在 RICE 框架中，Reach（触达） 衡量的是“在给定时间窗口内，某功能/改动预期会影响多少独立用户或实体”。它是 RICE 的第一个维度，用于回答：“这个项目能触及多少人？”

Reach 通常以 独立用户数 为单位，也可转换为事件次数（如会话数、交易笔数），但核心原则是 去重 —— 重复触达同一用户只计数一次。

常见度量方式

估计方法

在实际项目中，我们无法总是获得精确的 Reach，因此需要结合多种方法进行估算：

1. 基于已有数据： 利用当前 DAU/MAU 及页面渗透率推算。
2. 同类类比： 参考历史类似功能（如「分享按钮」上线时 Reach 约为 MAU 的 15%）。
3. 灰度比例放大： 假设小流量实验曝光给 5% 用户，其 Reach = 全局 DAU × 5%。
4. 专家判断： 当无任何数据时，由 PM + 运营共同给出乐观 / 悲观 / 最可能三方估计。

类比：公园入口计数器

想象一个公园大门安装了计数器。Reach 相当于 “今天有多少 不同的人 进入了公园”，而不是“他们进去了多少次”。同一个游客出园再进，计数器只会记录一次。如果公园有多个入口（如 web 端 + App 端 + 小程序），我们需要汇总去重——这就是 Reach 的挑战。

常见误区

• ❌ 混淆 Reach 与 Impression（曝光量）： Reach 是独立用户，Impression 是总展示次数。两者可能相差数倍。
• ❌ 只计算总用户数，忽略活跃度： 全部注册用户 1 亿，但月活只有 2000 万，Reach 应以活跃用户为基数。
• ❌ 跨渠道重复计数： 同一用户既在 Web 端也在 App 端触达，不合并会导致 Reach 虚高。
• ❌ 线性外推非活跃用户： 一个月只登录一次的用户，其 Reach 价值远低于每日用户。

原理图解：Reach 度量与估计流程

练习题

场景： 某音乐 App 计划在“歌曲评论”区域新增“点赞”按钮。目前 DAU 为 500 万，其中 30% 的用户每天会至少查看一次评论区。每次查看评论区时，新按钮的曝光率为 100%。请估算该功能的周 Reach（WAU 口径）。

答案：约 690 万独立用户。思考：如果用户在看评论区时多次刷新，Reach 不变（只要不是新用户），否则需要去重。

应用边界

• 适用场景： 用户级功能（个人主页、消息）、面向全体用户的改动（UI 改版、性能优化）—— Reach 清晰可度量。
• 慎用场景：
  • 面向非用户实体（如 AI 模型训练、服务器端配置）时，Reach 需重新定义（如“受影响的数据量”）。
  • 低频使用功能（年活跃用户 < 1000），Reach 统计波动极大，建议改用事件次数或 Confidence 加权。
  • 当用户量极不均衡（95% 触达来自 5% 超级用户）时，单纯 Reach 会掩盖用户质量差异，需结合 Impact 评估。