3. Reach权重赋值操作步骤：从数据源获取、假设设定到最终得分填写
3.1 适用场景
本章操作步骤适用于以下场景：
- 功能上线前评估：针对待开发AI功能，需要量化其预期覆盖用户数或业务量。
- 需求排期争议仲裁：当多个需求在RICE其他维度得分接近时，Reach权重成为关键区分因素。
- 迭代价值回测：复盘已上线功能，验证Reach预估的准确性，优化后续权重赋值模型。
3.2 前置条件
- 数据权限就绪：已获得用户行为数据库、DAU/MAU统计报表、业务埋点日志的访问权限。
- 阈值共识：团队已确认Reach得分的量纲（如“预估影响的活跃用户数”或“预估触发的调用次数”）。
- 假设模板：准备好标准化的
Reach_Assumption_Template.xlsx，包含字段：需求ID、数据来源、假设因子、置信度、计算过程、最终得分。
3.3 操作步骤
以下详细拆解从数据获取到得分填入的完整流程。每一步完成后，将结果填写至下方输入输出物表格中对应的记录项。
🔍 核心公式
Reach得分 = 受影响用户数 × 置信度权重系数其中，置信度权重系数根据数据源质量映射，取值范围 0.1~1.0。
步骤一：获取原始数据源
根据需求类型选择最优数据源，优先级排行如下：
| 优先级 | 数据源类型 | 示例 | 置信度等级 |
|---|---|---|---|
| 1 | 全量行为日志 | 用户点击流、API调用日志 | 高 (High) |
| 2 | 产品埋点统计 | DAU/MAU面板、功能渗透率 | 中高 (Mid-High) |
| 3 | 业务数据库表 | 订单表、任务表、留存表 | 中 (Mid) |
| 4 | 行业基准/第三方报告 | Gartner预测、竞品公开数据 | 低 (Low) |
| 5 | 团队经验假设 | PM主观估计、用户访谈推论 | 极低 (Very Low) |
- 执行动作：运行SQL或导出CSV，提取过去90天的相关行为数据。
- 记录：将数据源名称、提取时间戳、提取人填入假设模板的【数据来源】字段。
步骤二：设定可量化假设
在原始数据基础上，引入必要的业务假设场景：
- 定义曝光口径：例如“未来3个月内，新功能将出现在30%的现有首页访问会话中”。
- 定义转化漏斗：“从曝光到核心功能激活的转化率，参考同类功能历史数据，暂定为25%”。
- 计算受影响用户数：使用公式
活跃用户基数 × 曝光率 × 转化率。 - 记录假设假设因子：在模板中明确写出每个因子（曝光率、转化率）的数值及出此假设的理由。
💡 假设设定避坑
- 避免使用“大量”、“很多”等模糊词，必须数字化。
- 当假设基于多个数据源时，加权平均后填入。
- 对于AI模型类需求，Reach应包含模型推理调用次数。
步骤三：计算初步得分并调整置信度
完成假设计算后，对照置信度等级修正得分：
| 数据源置信度等级 | 权重系数 | 调整示例（原始值=1000） |
|---|---|---|
| 高 (High) | 1.0 | 1000 |
| 中高 (Mid-High) | 0.85 | 850 |
| 中 (Mid) | 0.70 | 700 |
| 低 (Low) | 0.50 | 500 |
| 极低 (Very Low) | 0.25 | 250 |
- 执行：将原始预估值乘以对应的置信度权重系数。
- 记录：在模板中【置信度】列下拉选择等级，【调整后得分】列自动计算。
步骤四：最终得分填写与复核
- 填入RICE矩阵：将调整后的Reach得分复制到主优先级评判表的Reach列。
- 复核检查：确认无遗漏假设因子、无算术错误、无异常极端值（如Reach得分超过当前产品MAU总数）。
- 归档记录：将假设模板上传至共享空间（如Confluence或飞书文档），作为后续评审的追溯依据。
⚠️ 常见异常处理
若算出的Reach得分与业务直觉严重不符（如远高于预期），应先回溯数据源获取阶段，确认日志是否包含重复计数或机器人流量。若假设因子计算异常，需组织临时评审会重新校准假设。
3.4 输入输出物
| 输入物 | 输出物 |
|---|---|
| 用户行为日志（SQL查询结果） | 原始区间预测值（例：12,000活跃用户） |
| 产品埋点仪表盘截图 | 置信度等级标记（高/中/低/极低） |
| 团队假设会议纪要 | 调整后Reach得分（例：12,000 × 0.85 = 10,200） |
| RICE优先级主评判表（待更新） | 已填入Reach列的主评判表（.xlsx） |
3.5 责任边界
- 数据工程师：按需提取全量日志，确保数据无重复、无机器人刷量。
- AI产品经理（PM）：主导假设设定及置信度判定，对Reach最终得分负责。
- 技术负责人（TL）：确认假设中的漏斗转化率与技术实现限制一致。
- QA/数据验证专员：在步骤四复核阶段，抽样审计假设计算过程。
3.6 记录材料
以下材料需在每次Reach赋值完成后保存至项目知识库：
- Reach_Assumption_Template.xlsx：包含所有需求的假设因子、置信度、计算过程。
- 数据源快照：SQL查询语句与原表primary key范围，便于复现。
- 置信度决策日志：谁、什么时间、为什么选择该置信度等级。
- 异常处理记录：如存在步骤回退，记录回退原因及最终解决方案。
3.7 异常处理
| 异常现象 | 可能原因 | 处理方案 |
|---|---|---|
| Reach得分为0，但预期功能有明显受众 | 数据源遗漏了关键用户分组（如未提取新用户样本） | 重新提取数据，扩大覆盖时间范围至180天 |
| Reach得分异常大于产品MAU | 假设中曝光率设定过高，或数据包含跨系统重复计数 | 去重后重新计算，曝光率上限暂定0.8 |
| 置信度权重系数与业务专家直觉不一致 | 数据质量实际优于/劣于默认映射表 | 召开快速评审会，调整对应置信度等级描述 |
| 假设因子缺失（如无历史转化率参考） | 功能为0到1创新，无对标物 | 采用最小可行假设（MVA），先填入预估下限值 |
3.8 验收标准
- 完整性：所有需求ID在
Reach_Assumption_Template.xlsx中均有记录，无空值。 - 可追溯性：从最终得分到假设因子、数据源SQL、置信度等级，可逐级回查。
- 合理区间：所有Reach得分值不大于当前产品MAU的1.2倍（考虑时间延展因素）。
- 团队共识：至少包含PM + TL两位干系人在假设模板上签字确认（或审批流记录）。