امتیازدهی RICE؛ فرمول، مثال و قالب

امتیازدهی rice اولویت بندی از موضوعات کلیدی در مدیریت پروژه و کار تیمی است. وقتی ۲۰ ایدهٔ محصول داری و فقط برای ۳ تا وقت هست، چطور تصمیم می‌گیری؟ حدس و جلسهٔ طولانی راه‌های رایج‌اند — ولی هر دو ذهنی‌اند و غیرقابل مقایسه. RICE یکی از محبوب‌ترین فریمورک‌های امتیازدهی در مدیریت محصول است که تصمیم را به چهار عدد قابل مقایسه تبدیل می‌کند: چند نفر تحت تأثیر؟ چقدر اثر؟ چقدر مطمئنی؟ چقدر تلاش می‌خواهد؟

این مقاله فرمول RICE را با مثال عددی کامل و قالب عملی توضیح می‌دهد: چطور هر مؤلفه را امتیاز بدهی، چطور محاسبه کنی، و خطاهایی که امتیاز را گمراه‌کننده می‌کند.

فرمول RICE چیست؟ (پاسخ سریع)

فرمول: (Reach × Impact × Confidence) ÷ Effort = امتیاز RICE. چهار مؤلفه: Reach = چند نفر/رویداد در بازهٔ زمانی (مثلاً «۱۰۰۰ کاربر در ماه»)؛ Impact = مقیاس ۰.۲۵ (کم) تا ۳ (عظیم)؛ Confidence = درصد اطمینان به تخمین‌ها (مثلاً ۸۰٪)؛ Effort = نفر-ماه (مثلاً «۲ نفر-ماه»). هرچه امتیاز بالاتر، اولویت بالاتر — ایده‌ای که به آدم‌های بیشتر، با اثر بیشتر، با اطمینان بیشتر، با تلاش کمتر می‌رسد.

هر مؤلفه با مثال

R — Reach: چند نفر تحت تأثیر؟

چند کاربر/رویداد در یک بازهٔ زمانی مشخص (ماه، فصل). کلید: واحد ثابت برای همهٔ ایده‌ها — مثلاً «کاربران در ماه».

مثال: فیچر «ورود با گوگل» → ۸۰٪ کاربران فعلی + کاربران جدید → Reach = ۵۰۰۰ کاربر در ماه.

I — Impact: چقدر اثر؟

مقیاس ثابت: ۳ = عظیم، ۲ = زیاد، ۱ = متوسط، ۰.۵ = کم، ۰.۲۵ = خیلی کم. اثر روی هدف اصلی (تبدیل، نگه‌داشت، رضایت).

مثال: ورود با گوگل → کاهش اصطکاک ثبت‌نام → اثر زیاد → Impact = ۲.

C — Confidence: چقدر مطمئنی؟

درصد اطمینان به تخمین‌های Reach و Impact. قاعده: داده واقعی → بالا؛ حدس → پایین. مقیاس: ۱۰۰٪ = داده قوی، ۸۰٪ = تخمین خوب، ۵۰٪ = حدس.

مثال: ورود با گوگل → داده از محصولات مشابه + نظرسنجی کاربران → Confidence = ۸۰٪.

E — Effort: چقدر تلاش؟

نفر-ماه کل (طراحی + توسعه + تست). «۱ نفر-ماه» = یک نفر یک ماه کار تمام‌وقت.

مثال: ورود با گوگل → ۲ هفته توسعه + طراحی → Effort = ۰.۵ نفر-ماه.

مثال محاسبهٔ کامل

سه ایدهٔ محصول — مقایسه با RICE:

نتیجه: ورود با گوگل اولویت اول (۱۶۰۰۰)، راست‌چین دوم (۱۸۰۰)، داشبورد سوم (۳۳۳). بدون RICE، داشبورد «احساساً» بزرگ‌تر به نظر می‌رسید ولی Reach کم و Effort زیاد امتیازش را پایین آورد.

قالب عملی RICE (برای کپی)

| ایده | Reach | Impact | Conf | Effort | Score |
|------|-------|--------|------|--------|-------|
| ...  | ...   | 0.25-3 | %    | نفر-ماه| R×I×C÷E|

قوانین امتیازدهی:
- Reach: واحد ثابت برای همه (کاربر در ماه)
- Impact: 3/2/1/0.5/0.25 — نه 1-10
- Confidence: 100%/80%/50% — داده/تخمین/حدس
- Effort: همهٔ نقش‌ها (طراحی+توسعه+تست)

خطاهای رایج در RICE

• واحد Reach متفاوت: یک ایده «کاربر در ماه» و دیگری «جلسه در هفته» — مقایسه بی‌معنی می‌شود. واحد را برای همه ثابت نگه دار.
• Impact را با حس امتیاز دادن: مقیاس ۳/۲/۱/۰.۵/۰.۲۵ را رعایت کن — نه «این ۷ از ۱۰ است». اگر مقیاس شکسته شود، مقایسه‌ها گمراه‌کننده می‌شود.
• Confidence را نادیده گرفتن: حدس‌های خوش‌بینانه Reach/Impact بالا می‌دهند — Confidence آن‌ها را تنظیم می‌کند. اگر همهٔ ایده‌ها ۸۰٪ Confidence بگیرند، یا داده‌ات خوب است یا صادق نیستی.
• Effort را کم‌برآورد کردن: فقط توسعه نه — طراحی، تست، مستندات، و نگهداری هم جزو تلاش است. Effort کم‌برآورد = ایده‌ها خوب‌تر از واقعیت به نظر می‌رسند.
• RICE را تصمیم‌ساز دانستن: RICE راهنماست — عوامل استراتژیک (هم‌راستایی با چشم‌انداز، ریسک حقوقی، قفل‌شدن بازار) ممکن است امتیاز را نادیده بگیرد. با قضاوت تیم تفسیرش کن.

جمع‌بندی

RICE تصمیم محصول را به چهار عدد تبدیل می‌کند: Reach (چند نفر)، Impact (۰.۲۵–۳)، Confidence (٪ اطمینان)، Effort (نفر-ماه) — فرمول: R×I×C÷E. قدرتش در مقایسهٔ «سیب با سیب» است نه تصمیم‌سازی ماشینی — امتیاز را با قضاوت تیم تفسیر کن. بزرگ‌ترین خطا: واحد متفاوت Reach و Confidence خوش‌بینانه.

مطالب مرتبط

• روش MoSCoW؛ اولویت‌بندی با مثال
• ماتریس ارزش و تلاش؛ نحوه استفاده
• مدل کانو؛ اولویت‌بندی بر اساس رضایت مشتری

اگر موضوع امتیازدهی rice اولویت بندی برایتان مفید بود، پیشنهاد می‌کنیم ۵۰ پرامپت هوش مصنوعی برای برنامه‌ریزی و مدیریت زمان و برنامه‌ریزی سالانه چیست؟ ساخت نقشه ۱۲ ماهه را هم بخوانید.