1.1 Reach 的基本定义
在广告投放与用户增长领域，Reach（触达人数）指的是在指定时间窗口内，至少有一次机会看到或接触某条广告/内容的唯一用户数量。它回答了一个最朴素的问题：“这条信息到底送到了多少个不同的人面前？”
一句话记忆：Reach = 去重后的用户触达规模。它不等于播放量、展示次数或点击量——次数可以无限累积，但 Reach 的上限是目标人群的总量。
核心概念拆解
- 时间窗口：通常为 1 天、7 天或 30 天。超出窗口的重复曝光不再累计到该周期的 Reach。
- 唯一用户：以设备 ID、Cookie、手机号或登录账号作为去重标识。同一个用户无论看到多少次，只计 1 次。
- 至少一次曝光：只需广告在用户的设备上成功渲染（或服务端判定已送达），用户是否观看、点击均不影响 Reach 统计。
Reach、触达、覆盖——边界的清晰化
在中文语境下，“触达” 和 “覆盖” 经常被混用，但在严格的定义中有细微差异：
| 概念 | 核心含义 | 典型场景 |
|---|---|---|
| Reach | 真实被送达的唯一用户数（已去重） | 广告投放后，广告系统报告的实际到达人数 |
| 触达 | 广义的“送达动作”或“接触机会” | “我们触达了 500 万用户”相当于说 Reach = 500 万 |
| 覆盖 | 理论上可接触的潜在人群范围（未去重或基于媒介属性估算） | “该渠道覆盖 18–34 岁城市女性 2000 万人” |
边界规则：Reach ≤ 覆盖。覆盖是“最大可能性”，Reach 是“已实现的真实人数”。当媒体使用“覆盖”指代实际数据时，二者等价；但在预算计算和效果评估中，务必以 Reach 为基准。
用户唯一性判定——去重的核心
判定两个流量来源是否属于同一个用户，是 Reach 计算的基石。常见的去重策略包括：
- ID 匹配：使用设备 ID（IDFA/AAID）、Cookie、手机号或邮箱进行精确匹配。
- 设备指纹：通过 IP + User-Agent + 分辨率等信息生成概率性标识。
- 登录态归因：用户登录后，所有行为都绑定到同一账号，跨设备数据通过账号打通。
常见误区：“展示量（Impressions）等于 Reach”。
展示量是总曝光次数，包含同一个用户重复看到的次数；而 Reach 只看去重后的独立用户数。例如：100 次展示可能只对应 30 个唯一用户，重复频次为 3.3。
展示量是总曝光次数，包含同一个用户重复看到的次数；而 Reach 只看去重后的独立用户数。例如：100 次展示可能只对应 30 个唯一用户，重复频次为 3.3。
二值判定原则
一个用户在某时间窗口内是否被计入 Reach，遵循简单的二值逻辑：
- 该窗口内至少有 1 次广告送达 → 被计入 Reach（不论后续还有 9 次还是 99 次）。
- 该窗口内 0 次送达 → 不被计入 Reach。
这一原则让 Reach 成为一个 布尔指标（是/否），而非连续指标。在增长分析中，Reach 常被当作“品牌影响力上限”的代理变量。
⚠️ 跨媒体去重陷阱： 如果同时投放抖音 + 腾讯广告，同一用户在两平台分别曝光，但若缺少跨平台 ID 映射，系统可能报告 Reach = 2（分别计数），实际真实 Reach 仅为 1。这是目前行业最核心的 Reach 测量鸿沟之一。
应用边界总结
| 维度 | 在 Reach 定义内 | 在 Reach 定义外 |
|---|---|---|
| 时间维度 | 固定窗口（如 7 天）内的唯一用户 | 窗口之外的曝光、历史累计用户 |
| 计数方式 | 用户级去重（idempotent） | 设备级去重未完成、重复计数 |
| 数据类型 | 确定性身份（ID、手机号） | 仅 IP 或模糊指纹（概率性去重） |
| 行为要求 | 广告送达（渲染/返回）即可 | 要求用户观看、点击或转化 |
核心公式（回忆卡片）：
Reach = Distinct(User_IDs) over [Start_Time, End_Time) where Ad_Served ≥ 1
所有能落到这个集合里的用户，就是你的 Reach。
Reach = Distinct(User_IDs) over [Start_Time, End_Time) where Ad_Served ≥ 1
所有能落到这个集合里的用户，就是你的 Reach。