第一篇文章，和大家分享一下关于商家运营中，关于PB分层模型搭建的思路和想法。这次分享主要会围绕以下三个问题展开：
- 为什么要搭建PB分层模型
- PB分层模型的逻辑和方法论
- 分享案例及如何利用好PB分层模型
一、为什么要搭建PB分层模型
从百度，知乎搜索“商家模型”不难看出，每个平台和商家运营对商家分层都有不用的需求和看法，有的是为了寻找到更适合平台的商家追寻ROI的资源分配，有的是为了让不同的资源匹配到相同的商家，诚然也有的是因为要对平台商家进行相应摸底。也有站在平台的角度来看，商家分层并非是要剔除，筛选或归类，而是要找到每个层级不同属性商家的“升层”路径并以此为商家运营策略进行定位和扶持。
以上这些观点都是对的，但是如果不能最终为战略侧和策略侧提供有效的支持和帮助，就没有任何意义。所以真正好的商家分层模型必须具备一下几个方面：
瞄准核心：确立了战略侧目标后就要围绕最终实现目标去进行策略侧的延展，平台是由商家和用户组成，商家侧是由店铺组成，店铺由商品组成。一切以核心目标为基准，所以任何商家策略都需为战略目标服务。
简单有效：去繁就简，越清晰的目标对应目标数据越简单，目标数据越简单所给予的决策成本越低，执行效率越高。
可细化执行：商家分层不只是一个链路，而是整体完成战略目标的重要发起。通过PB商家分层模型不仅可以细化至目标执行层（策略，排期，抓手，功能，资源分配等），还可最终细化至KPI的制定。
靶向分层：如图下图所示，随着业务的细分，商家的定义发生多级变化，已经无法再简单的通过交易，流量，服务等某一个点或几个点进行切入。例如，在垂类教育领域即可分为成人在职学历教育，成人在职技能教育，学历教育当中又可分为考研类，语言类。考研类又可分为国内，国外类。而每一类里面又有大量细分商家。
所以金字塔式的分层（头部，足部，腰部）已经无法满足多元化市场和多级商家，动态的靶向分层类的分层会是很好的一个切入点。
二、PB分层模型的逻辑和方法论
1. PB分层模型，是只专注且服务于最终结果的极端业务模型
如上图所示，在普世分层逻辑当中，通过“运营指标”“交易指标”“基础指标”三个维度来创建平台分层并进而制定商家分层最终完成商家分层金字塔，并根据分层对平台资源进行等均量式分配。
但是作为平台战略与最终执行的承转方（俗称业务腰部）来说，过度指标匹配以及商家的先天优势会左右腰部判断，导致承转出现业务盲区，最终造成因“腰软”而无法落地或执行偏向的问题。
2. PB分层模型，紧盯“目标指标”，分层的同时分析商家补完点，助力平台完成既定指标
但是是结合了商家成长因子“POD”（Product Opration Date 商家在平台的相应数据贡献数值。 ）以及商家“BOR”（Brand Opration Rate 商家在平台的相应数据贡献率值。 ）充分“拉平”商家的相对客观因素，以靶向分层的形式对商家进行归类。
如上图所示，平台战略中商家运营侧是由两个衡量标准组成具体解析如下：
POD（商家成长度）：Product Opration Date 商家在平台的相应数据贡献数值。
BOR（商家品牌力）：Brand Opration Rate 商家在平台的相应数据贡献率值。
在两个衡量标准中，分别有相关分类数据指标进行汇总和参考以便更好的对战略侧及策略侧的落地执行推进和监控。各业务线不同选取不同，具体如下：
（1）POD
Base（基础型指标）：属于商家基础情况数据指标分类，例如商家属于线上\线下\线上+线下型，覆盖城市层级（一线\二线\三线\其他），服务能力（物流能力\接单能力\教务能力等）等等，主为判断商家成长规模的天花板高度。
Business（业务型指标）：属于商家业务深度数据指标分类，例如商家交易规模，商家供应链能力（做货能力\SKU\研发能力），相关PU\APA\ARPU表现等等，主判断商家成长可能性及补完能力。
（2）BOR
Operation（运营型指标）：属于商家平台运营表现指标分类，例如渠道流量与品牌流量比率（界定转化能力，品牌成交能力），PUR，ARPPU表现等等，主判断商家在平台运营下的品牌借势能力。
Trade（交易型指标）：属于商家平台交易表现指标分类，例如品牌转化率，交易转化率，单品SKU转化率等等，主判断商家在平台运营下品牌与交易的综合转化能力。
3. BP分层模型着力数据指标极简有效，目标越清晰，对业务理解约深度，甄选指标越精准，执行越简单有效
在两个衡量标准中，需要对POD和BOR指标进行归类和选择，选择的原则即符合战略或策略方向的指标达成为重要考量因素。
数据指标分类共分为三类不超过共计5个指标（取少数为佳），具体说明如下：
核心型数据指标：核心型数据指标即在极端排除下，只选取1个最具代表性，可为战略侧及策略侧提供完成落地的指标。
支撑型数据指标：支撑型数据指标即在服务和支撑核心型数据指标为目的的情况下，取最优数据1-2个。
风控型数据指标：风控型数据指标又名安全性指标，是搭建的极端风控数据模型因子，通过该数据指标完成对以上两个数据型指标在运营周期上的风险把控，取最优数据1-2个。
三、分享案例及如何利用好PB分层模型
在不同行业，根据战略侧的不同所选取相关数据指标不同，在此距离一二点到为止。
例如1：在教育业务中：项目能否存活的决定因子是新客户缴费报课及老客户续费续课，两者都是变现及主要来源，从实际业务线出发GMV、利润以及转化和课程包升级来看，能够正向流转的是老客户续费续课。所以如果战略中心在于GMV，策略以老客户续费（裂变）为核心的情况下：
（1）战略侧OR策略侧指标分解
A. 核心型数据指标：老客户续费GMV
B. 支撑型数据指标：消课率
C. 风控型数据指标：用户满意度（率）
（2）POD+BOR指标分解
A. POD核心型数据指标：老客户续费GMV（Business指标）
B. BOR核心型数据指标：老客户续费率（Trade）
C. 支撑型数据指标：APA
D. 风控型数据指标：品牌满意度（率）
（3）结合以上所有指标对策略执行侧进行推进
如下图所示，根据以上指标，搭建商家分层模型，筛选符合目标指标的商家并定层级。完成相关关注点（FP）及关注KPI（FP KPI）的设定，并贯穿所有业务线及产研也无需求。
例如如果基于核心型数据指标的相关交易类功能和抓手的外露与完善（支付类例如微信支付，支付宝支付，银行支付，分阶段支付（教育特色），分期支付，贷款支付）。
消课率类功能和抓手的外露与完善（例如教务方向的管理，销售与教务的交接事宜，班级管理，用户上课体验反馈功能等）。
最后附上BP全景与大家分享：
