Reach và Impact là hai biến khó nhất trong RICE vì chúng đòi hỏi ước lượng có căn cứ. Đây chính là chỗ AI tỏa sáng — không phải để bịa số, mà để đề xuất một dải ước lượng kèm giả định rõ ràng để bạn phản biện.
Định nghĩa lại cho chắc
- Reach: Bao nhiêu người/sự kiện bị tác động trong một khoảng thời gian (ví dụ: user/quý). Phải có đơn vị và mốc thời gian.
- Impact: Mức tác động lên một mục tiêu cụ thể mỗi khi item chạm tới một user. Thang RICE chuẩn: 3 = cực lớn, 2 = lớn, 1 = trung bình, 0.5 = thấp, 0.25 = tối thiểu.
Nguyên tắc vàng: cho AI dữ liệu, bắt AI nêu giả định
AI không biết sản phẩm của bạn có bao nhiêu user. Bạn phải cung cấp neo dữ liệu (số user tháng, tỷ lệ dùng tính năng, mục tiêu quý). Sau đó bắt AI liệt kê giả định để bạn kiểm tra — đây là lá chắn chống ảo giác.
Ví dụ cụ thể
Sản phẩm SaaS 50.000 user hoạt động/tháng, mục tiêu quý: tăng tỷ lệ checkout thành công. Item: "Sửa lỗi thanh toán fail 3%".
Prompt mẫu
Vai trò: Bạn là trợ lý Product Owner giúp ước lượng RICE, KHÔNG được bịa số.
Bối cảnh sản phẩm:
- 50.000 user hoạt động/tháng, ~30% thực hiện checkout/tháng.
- Mục tiêu quý: tăng tỷ lệ checkout thành công (hiện 92%).
Item cần ước lượng: "Sửa lỗi thanh toán fail 3% khi dùng thẻ nội địa".
Yêu cầu:
1. Ước lượng REACH = số user bị tác động MỖI QUÝ. Nêu rõ công thức và từng con số bạn dùng.
2. Ước lượng IMPACT theo thang RICE (3/2/1/0.5/0.25) so với mục tiêu quý. Giải thích vì sao.
3. Liệt kê TẤT CẢ giả định bạn đã dùng và đánh dấu giả định nào rủi ro nhất.
4. Nếu thiếu dữ liệu, hỏi tôi thay vì đoán.
Trình bày dạng bảng + phần "Giả định cần tôi xác nhận".
AI có thể trả về: Reach ≈ 50.000 × 30% × 3 tháng × 3% fail = ~1.350 user/quý bị chặn checkout; Impact = 2 (lỗi doanh thu trực tiếp). Kèm giả định: "giả định 3% fail đều do lỗi này", "giả định 30% checkout ổn định". Bạn nhìn giả định và chỉnh: thực tế chỉ 1% do lỗi thẻ nội địa → bạn sửa số.
Các bước làm
- Thu thập 3–4 neo dữ liệu thật: user hoạt động, tần suất hành vi liên quan, baseline mục tiêu.
- Dán prompt mẫu, thay bối cảnh và item của bạn.
- Bắt AI nêu công thức — không nhận con số trần trụi.
- Rà từng giả định: gạch cái sai, thay bằng số thật bạn có.
- Ghi lại Reach và Impact cuối cùng của bạn (không phải của AI) vào bảng backlog.
- Lặp lại theo lô 5–10 item để tiết kiệm thời gian.
Template: Ô ước lượng có kiểm chứng
Item: ______
Reach (đơn vị/quý): ____ | Công thức: ____
Impact (0.25–3): ____ | Lý do: ____
Giả định rủi ro nhất: ____
Nguồn dữ liệu neo: ____ (thật / ước đoán)
AI đề xuất → PO chốt: ____ / ____
Sai lầm thường gặp
- Nhận số của AI làm số cuối. AI có thể ảo giác một con số nghe hợp lý mà hoàn toàn bịa. Luôn hỏi "số này từ đâu?".
- Không cung cấp neo dữ liệu. Không có user count thật, AI sẽ tự chế → sai gấp nhiều lần.
- Trộn nhiều mục tiêu vào Impact. Impact phải đo với MỘT mục tiêu quý; nếu không, điểm không so sánh được.
- Rò rỉ dữ liệu: Đừng dán doanh thu tuyệt đối hay số liệu tài chính nhạy cảm. Dùng tỷ lệ phần trăm và số tương đối.
- Phụ thuộc quá mức: Nếu bạn không thể tự giải thích con số Reach cho sếp mà không mở AI, bạn chưa thực sự sở hữu ước lượng đó.