RICE 评分法
RICE 评分法是一种产品优先级排序框架，通过计算 (Reach × Impact × Confidence) ÷ Effort 来给各项计划排序。每个因子都由团队估算：Reach 是每个周期受影响的用户数，Impact 是每个用户受到的影响程度，Confidence 是对估算的确定程度，Effort 是所需的人月数。得到的分数让团队能在同一个尺度上比较各种不同类型的投入。
RICE 公式是如何运作的
RICE 分别代表 Reach、Impact、Confidence 和 Effort。给一个事项打分时，把 Reach（在给定周期内，这会影响多少用户？）乘以 Impact（对每个用户来说，这会在多大程度上推动指标，按一个既定的量表打分，比如 0.25–3）乘以 Confidence（你对这些估算有多大把握，用 0 到 1 之间的小数表示），再除以以人月衡量的 Effort。一个影响 500 名用户、影响程度高（2）、置信度 80%、需要 2 人月工作量的功能，得分为 500 × 2 × 0.8 ÷ 2 = 400。
这个公式故意做得很简单。它的力量在于，逼着团队把自己的假设讲清楚、变得可比较。一个置信度很低的投机性大胆押注会被自动打折扣，而一个触达面广、见效快的小改动，不需要任何人替它争辩就能自然浮到前面。
把估算变成决策
只有当输入建立在真实数据而不是直觉之上时，RICE 才最有用。当你能查到实际有多少客户在使用受影响的流程时，Reach 的估算就会更准；当你能追溯之前类似的改动是否真的带动了留存或收入时，Impact 的估算就会更精细；当一个假设背后有反馈量和客户信号支撑，而不是一个声音很大的干系人在推动时，Confidence 就会更高。
像 AIOProductOS 这样的产品操作系统，正是为这种数据支撑而设计的：主线把客户、收入、反馈和产品工作统一放在一处，所以在估算 Reach 时，你可以直接查有多少付费账户在用某个流程；在估算 Impact 时，你可以在报表和 OKR 里看到类似工作实际产生了什么效果——而不是靠猜。
RICE 实践中的常见陷阱
最大的失败模式，是把分数建立在游说而不是证据之上——为了在政治性的争论中获胜，把 Reach 或 Impact 夸大。第二个陷阱是把 Confidence 当成一个常数（团队往往默认给所有事项都打 80%，这样一来信号就被抹平了）。第三个陷阱是忽视 Effort 的膨胀：一个从 1 人月膨胀到 4 人月的功能，会在冲刺过程中把它的 RICE 分数直接砍掉一半。
那些定期重新评估 RICE 分数的团队——随着新客户数据的到来、随着构建上线并产生分析数据——比那些只在季度初打一次分、之后再也不碰这些数字的团队，能从中获得更多价值。
常见问题
RICE 评分法——常见问题
什么样的 RICE 分数算是「好」？
没有一个通用的门槛——RICE 分数是相对的，不是绝对的。200 分只有在跟你 backlog 里其他用同样量表、同样时间窗口打分的事项比较时才有意义。价值在于排序本身，而不是这个数字。
RICE 和 ICE 评分法有什么区别？
ICE（Impact、Confidence、Ease）更简单：它去掉了 Reach，并用 Ease 取代了 Effort。RICE 加入了 Reach，这样一个只影响三个客户的高影响力改动，就不会排在一个能触达上千用户的中等影响力改动前面。对大多数有一定用户规模的产品团队来说，RICE 给出的排序更经得起推敲。
在 RICE 中，Impact 应该用什么量表？
Intercom 最初的框架用 3 = 巨大、2 = 高、1 = 中等、0.5 = 低、0.25 = 极小。具体用哪个量表并不重要，重要的是保持一致——选定一个并统一使用，这样整个 backlog 的分数才有可比性。
客户数量少的 B2B 产品，RICE 评分法还能用吗？
可以，但你可能需要调整 Reach 的定义。不用原始用户数，而是改用受影响的账户百分比、涉及的合同数量，或有风险的 ARR。公式本身不变，变的只是 Reach 的计量单位，要配合你所在市场的规模。
在同一条主线上理解「RICE 评分法」。
AIOProductOS 把你的客户、收入、反馈和产品工作都放到同一条共享记录上——理论由此变成对你自己数据的一次查询。连接器均已包含，不按连接器单独收费；固定套餐每月 199 美元起，所有模块均已包含。每个套餐都从基于你真实数据的 14 天上手期开始。