Matt Swulinski 谈如何构建和衡量产品驱动增长引擎

Viktor 增长负责人 Matt Swulinski 曾在 Wispr Flow 和 Superhuman 负责增长，他与 Harry Stebbings 讨论付费获客、衡量、创意制作和 AI 辅助营销。他的指标与例子反映本人报告的经验，并非独立审计结果。

Swulinski 认为，即使智能体开始选择工具，产品驱动增长仍然重要。公司仍需要对人类用户有效的自助体验，同时也要理解智能体如何研究和选择产品。他预计扎实的产品基础有助于公司适应，但智能体未来的作用仍不确定。

他说，在 Superhuman 他学到了产品工艺的价值：细节可以鼓励人们持续使用产品。公司通过创始人主导的推荐和口碑增长，但他认为范围狭窄的早期受众最终形成增长上限，需要新的方法。

他偏好的做法借鉴电子商务：衡量支出是否带来有意义的行动，制作多样的用户创作广告素材，并协调多个渠道。他说自己在 Superhuman 和 Wispr Flow 应用过部分方法。访谈没有独立确立任何单一策略对增长的贡献。

被问到何时开始付费获客时，Swulinski 说早期测试能快速反馈信息表达、创意和转化效果。他并不是说应该停止产品或自然增长工作；他的观点是，当产品和衡量基础准备好时，付费测试可以补充这些活动。

他认为，与只等待自然内容传播相比，付费活动可以更快测试定位和落地页转化。在他看来，优势是反馈速度，而不是替代用户访谈或理解用户为什么留下。测试仍需要明确预算和可解释的衡量。

他把 Meta、Google 和生命周期沟通列为获客系统的核心：付费社交与视频、搜索意图，以及通过邮件、短信或应用通知跟进。他建议先从少量渠道开始，而不是让有限团队分散到许多平台。

Stebbings 假设一家融资 300 万美元的公司拿出 10 万美元测试预算。Swulinski 说合适金额取决于每用户平均收入、单位经济性和漏斗长度，同时接受它作为示例起点。这不是普遍预算建议，也不保证付费增长有效。

在支出之前，他强调衡量。多个平台的广告和生命周期消息可能都会把同一客户算作自己的成果。他介绍电子商务中使用的分析和归因工具，并说软件公司常常必须自行连接数据、产品事件和商业智能层。

Swulinski 估计，许多软件公司跳过了重要设置，但这一比例是个人估计，并非引用的调查。他建议确保网站和产品事件准确传到营销平台；没有这一基础，团队可能误读获客成本，或把同一收入归给多个渠道。

他举出转化追踪和匹配率等例子。按照他的说法，广告平台会利用收到的事件寻找相似客户；信号不完整可能损害优化效果。实际影响取决于平台、实现方式、用户同意和底层数据质量。

Swulinski 说，平台优化取决于它收到的事件。如果只有部分订阅能匹配回广告系统，平台对公司想要的用户就只有不完整的认识。他建议在断定某个渠道完全无效之前检查埋点设置。

对于初始测试，他建议选择对业务重要的事件，例如订阅、试用或下载，并监测获客成本。合适的事件可能随漏斗成熟而变化。他说，产品团队也必须理解留存和用户质量，而不只是带来便宜流量。

在 Viktor，他描述了更复杂的转化：客户完成引导后，需要将产品添加到 Slack 或 Microsoft Teams。他说，由于每位客户的收入更高，公司能够接受更高获客成本。这些是公司方法的例子，不是经过审计的单位经济性数据。

被问到生命周期价值与获客成本的比例时，他说可接受的比例取决于可用资本和商业模式。他将一比一描述为资金充足公司可能采用的早期选择，将三比一描述为常见的较长期目标。这些是他的经验法则，不保证盈利。

他补充说，毛利润很重要，尤其是按用量收费的 AI 产品。每位客户收入可能差异很大，而推理、托管和其他服务成本会随用量增长。有用的模型应纳入这些成本，而不只是计算某一家模型提供商的账单。

他指出，两个初始转化相同的订阅者，可能产生完全不同的收入和推理成本。平均值会掩盖这种差异。他建议与财务团队合作，纳入托管、模型和其他交付成本，让增长团队了解额外用量是否创造价值。

谈到创意支出，他建议早期大量投入素材和测试。他说平台定向越来越依赖创意本身，因此不同信息和视觉处理可能帮助触达不同人群。他对平台算法的描述来自自身经验，并不是对当前运作方式的完整说明。

他描述了 Viktor 的创作者计划，以及代理商和内部团队如何制作大量演示与使用案例。对于假设中的 10 万美元 Meta 预算，他建议每月制作数百份新素材。这是他的运营经验法则；创意需求和预算因产品与受众而异。

他解释，创作者可以为品牌制作广告而不必发布到自己的账户；合作广告也可以利用创作者的分发渠道。他建议询问同行哪些代理商交付可靠。他说一些年轻创作者通过按表现付费的安排获得可观收入；这些数字属于轶事。

Swulinski 说，创作者制作的广告可以通过公司广告账户发布，而不是出现在创作者自己的信息流中。因此，创作者可以根据与各方约定的条款为多个品牌工作。他把这种素材与同时利用创作者受众的合作区分开。

Swulinski 说，少部分创意通常会吸引很大比例的支出。开头可以打断观众的浏览习惯，但他提醒不要只复制一种成功格式。包含不同人物、场景、开头和使用案例的素材组合，可以帮助团队测试更多受众并减少疲劳。

他建议观察整组广告，而不是宣布某一种格式永远获胜。多样性可以来自不同讲述者、开头或演示，并随时间评估结果。他举的是创意策略例子，不是证明某个人口群体总能表现最好。

他认为 AI 有助于为现有素材制作不同版本，同时对一些完全由 AI 生成的视频不满意。Stebbings 推测平台可能区别对待 AI 内容；对话没有提供平台普遍降权的证据。他们的创意判断具有主观性，也可能随工具变化。

扩大付费活动之前，Swulinski 希望产品已经受到客户重视，且有足够多正确追踪的转化供平台学习。他建议数周后检查早期信号，并用更长测试完善创意和漏斗。时间安排是经验法则，不是受控保证。

如果获客表现不佳，他建议检查完整路径：广告、落地页信息、页面速度、应用商店展示和转化追踪。薄弱结果可能来自多个环节，只改广告未必能找到原因。团队应通过实验区分这些可能性。

落地页应该明确传达目的和下一步行动，尤其是在移动设备上。Swulinski 问，访客不滚动页面时能否只从标题理解产品。他也指出，不寻常的设计可能适合某个特定受众，因此正确体验取决于产品服务的人群。

Swulinski 建议从广告访客视角审视落地页：能否看懂产品用途、看到下一步，并在自己的设备上使用页面？他把广告和落地体验视为一条相连的路径，而不是两个独立项目。

他认为页面速度对用户体验和可发现性重要，包括搜索和答案引擎。他预测页面缓慢可能损害转化，但没有提供某个具体网站的受控测量，也没有确立每个搜索系统如何为内容排序。

当活动开始有效时，他会将支出与获客和经常性收入绘图比较，同时考虑转化延迟。关键问题是额外支出是否带来额外客户和收入。如果支出增加却没有相应提升，表面增长可能不是增量。

他说，增长负责人还必须理解渠道之间的相互作用：付费社交、搜索、电子报、公关和产品发现可能彼此影响。某个渠道专家可能优化一个账户，却忽视整体效果。他希望形成协调的组合，而不是只相信单一仪表盘的归因。

被问到 Superhuman 增长为何放缓时，Swulinski 指向高端产品及早期对创始人的聚焦——这是有限的受众。他说，触及更多群体需要调整产品和信息，包括面向销售团队的用途。这是前员工的解释，不是完整因果分析。

两人比较另一款邮件产品的增长。Swulinski 把付费获客、不同客户价值主张和企业销售视为可能因素，同时承认产品服务不同市场。他还说，Wispr Flow 在建立传统销售团队之前，已经通过自助方式获得企业采用。

他把企业采用描述为产品驱动公司的一条额外路径：个人或团队使用可能带来更大合同。他说，Wispr Flow 在设立专门客户经理之前就有企业客户。这一轶事不能证明每个市场都不需要销售团队。

他说，YouTube 需要不同于短竖屏社交广告的创意处理。在 Viktor，团队把竖屏视频放入带品牌和行动号召的横屏模板，再针对平台剪辑。有些素材比另一些有效；他建议建立专门的叙事计划，而不是假设直接复用总能奏效。

他说，YouTube 观众可能比浏览短社交信息流的人更愿意观看较长的演示。团队会针对展示位置调整脚本和剪辑，而不只是改变尺寸。合适的长度和开头仍需针对每类受众测试。

他说，Wispr Flow 团队曾为发现系统哪里会失效，将预算从一个月到下一个月提高约五倍。实验暴露了受众、创意和渠道组合的限制，团队随后缩减并调整。这是他对一次高风险实验的叙述，不是建议公司超出自身承受能力支出。

广告表现较弱时，他区分明显不符合经济效益的结果，与仍有希望、值得继续测试的信号。更贴合的落地页或信息可能改变转化。他建议设定边界、测试替代方案，并在经济性不再支持进一步投入时停止。

Swulinski 说，在他的经验中，Google 广告是 Wispr Flow 最强的付费渠道。他描述较长的 YouTube 演示、搜索和其他展示位置如何共同教育潜在用户，再促成转化。访谈没有独立衡量每个位置的增量贡献。

受众疲劳出现时，应寻找下一群用户，而不是只重复同样信息。他说，在 Viktor，团队考察了代理商、电子商务企业和小公司等早期用户，然后逐个测试细分群体。他也讨论使用 AI 辅助受众研究，但仍需要通过真实客户验证。

他说，在 Viktor，团队保留广泛、长期适用的素材，同时每次为一个客户细分群体制定具体信息。了解该群体的漏斗和经济性后，可以为下一个群体重复流程。他把受众研究视为起始假设，而非客户行为的证明。

Stebbings 披露自己投资了 Viktor，并质疑“面向所有人的 AI 员工”这一宽泛说法不够清楚。Swulinski 说，初始定位是为了介绍一个广泛类别，随后可以用具体客户故事说明产品实际做什么。两人的分歧展示了宽泛主张和具体用例之间的权衡。

谈到推荐，他建议让计划容易被看到、容易使用，并与用户重视的利益相连。他回忆 Superhuman 为推荐人和新用户各提供一个免费月，以及 Wispr Flow 在接近用量上限时提示用户。合适的时机和激励取决于产品及其经济性。

他说，Viktor 为推荐或创作者活动提供额度，并描述将被推荐公司的部分收入以额度形式返还。他报告了一些客户支出和获客成本例子，但访谈没有独立核实这些数字，也没有证明每个客户都实现了特定程度的劳动力节省。

他说，以额度支付的推荐奖励既能降低客户自己的产品账单，也能为公司带来另一位客户。只有奖励和服务成本符合获客经济性时，这种安排才合理。他把它作为一个例子，而不是适合每家公司的结构。

在他看来，推荐计划可能因为利益模糊或规则过于复杂而失败，使人放弃使用。他偏好清晰的交换和低摩擦行动。团队仍需检查奖励是否可持续，以及被推荐用户是否成为有价值的客户。

Swulinski 认为，付费墙应出现在用户体验到有意义价值之后。有限试用可以展示有用的工作流程，再趁用户仍清楚感受到价值时请求付费。他把这视为需要完善的设计假设，而非每个产品都应使用相同限制的固定规则。

他说，免费额度应与营销支出一起计入完全加载的获客成本。否则，表面的获客价格会漏掉提供试用的成本。当用量带来显著推理成本时，这一点尤其重要。

谈到答案引擎优化，他说团队应发布有用内容，并了解 AI 系统引用信息的来源。他警告不要自动生产大量低价值材料。他对特定答案引擎如何选择引用的描述是观察和假设，不是经过验证的排名公式。

他认为 YouTube 评测、外部报道等来源有用，因为它们可以详细解释产品，也可能被答案引擎引用。Stebbings 披露对该领域一家公司的投资。两人都没有证明某条评测或媒体报道一定能获得引用或排名。

Swulinski 说，传统公关即使不是为了立即带来流量高峰，仍能建立可信度。他把独立报道视为更广泛发现策略的一项输入。他对报道与 AI 生成答案之间关系的描述仍是需要测试的假设。

他说，在自己讨论的三家公司中，TikTok 尚未作为付费增长渠道奏效，但他不排除将来针对合适受众再试。这一经历与其他创始人报告的结果不同，不应泛化为该平台不能发挥作用的结论。

如果停止付费支出会怎样？Swulinski 说，成熟业务也应通过产品推荐、内容和其他发现方式获得有意义的自然流量。他建议定期减少支出或设置对照组来测试增量效果，同时承认营销组合模型起初并不完美，需要逐步完善。

可以通过有意改变支出，并将观察结果与模型预期比较，改善营销组合模型。Swulinski 提到对照组和预算缩减是可能的测试方式。外部变化和转化延迟会增加解释难度，因此单次测试未必能解决归因问题。

他描述自己通过运营服务电子商务、软件及企业客户的代理机构学习营销。这段经历让他既能执行，也能制定策略。他说自己曾在 Wispr Flow 一段时期亲自处理大量付费投放；预算数字是他的回忆，而非独立审计记录。

两人主张理解漏斗不止一个部分。Swulinski 称自己为有专长的通才：形成某项优势，但也学习足够的创意、分析和实施知识，理解系统如何运作。他认为 AI 工具是有用的学习辅助，但人仍需测试并理解结果。

他的招聘重点已转向系统思维、使用 AI 的能力和相关经验。他把系统思维定义为梳理一个岗位的输入、输出、行政工作和依赖关系，再判断自动化可能在哪里有帮助。这是他的招聘偏好，不能证明经验或专业能力不再重要。

面试时，他会问候选人如何在工作及工作之外的流程中使用 AI。他把单次聊天与包含反馈的流程区分开：如果草稿很差，这个人能否识别问题、提供反馈并改进下一次结果？他寻找可重复循环的证据，而不是工具清单。

他描述自己在 Wispr Flow 建立的电子报赞助工作流程。按照他的说法，智能体帮助研究收到的请求、询问报价、准备文案和追踪表现，而他本人批准是否与合作方合作。该流程展示的是他报告的设置；访谈没有独立审计其表现或自动化边界。

他的赞助案例除了写文案，还包括收集报价、检查受众契合度、准备链接、发送材料，以及将后续表现与成本比较。他在承诺与合作方合作前保留人工批准节点。所称自动化反映他的个人设置，并非对每一步的独立验证。

他较早的系统使用本地文件夹结构、书面指令和定时检查，在 Slack 中提示需要处理的请求。他说自己通过询问编程助手如何建立流程来学习，早期结果经常出错或生成差文案。反复反馈和人工决策帮助它变得更有用。

他说自己用精简团队处理许多电子报合作方及其他活动任务，日常工作的大部分经过该系统。这些数字是他对自己工作量的叙述。他得到的关键教训是拆解困难流程并持续改进，而不是假设工具第一次就会完美运行。

Swulinski 估计，自己遇到的候选人中，展示出他所寻找深度的人很少。他预计，未来由有能力的人和智能体组成的更小营销团队能处理更多执行工作。他认为 AI 可能在几年内完成大部分执行任务，这是一项预测，不是每个团队的测量结果。

他认为领导层必须足够了解新工作流程，才能决定自动化在哪些地方有用，并以挑衅性的方式质疑一些现有团队是否适应变化中的岗位。这是他的管理观点。对话没有提供经过验证的方法，用于评估或解雇个别员工。

两位嘉宾都质疑严格区分企业营销和消费者营销：无论哪种情况，都是人作出或影响购买决定。Swulinski 说 Viktor 对高价值企业产品采用部分消费式创意。合适的渠道和信息仍取决于买家与产品。

在快问快答中，他把联盟营销列为被低估的渠道。与产品内推荐不同，联盟合作方可能在成为客户前就拥有受众，并通过带来买家获得收入分成。他说，计划的经济性和激励需要清晰。

他报告 Viktor 每月约 10%–15% 的获客来自联盟合作方，并提供类似范围的收入分成。他举了联盟收益的例子。这些是公司报告的数字，并不意味着新合作方或其他公司会取得相同结果。

他说 X 上充斥着相似的发布视频，并表示自己尚未看到软件营销人员持续让其付费广告奏效。他欢迎反例。他的观点基于个人经验和谈话，而非全平台研究。

两人讨论 AI 工作流程和增长领域需要更多实践培训。Swulinski 说自己通过实践而非专门的大学课程学习营销。他们提出的培训形式及对正规教育的判断属于观点，并非对每门课程或每位学习者的评价。

他描述自己与编程助手使用的“会话结束”流程：将工作、决策和待办事项总结到 Obsidian 知识库，让以后会话可以取回上下文。他认为积累的笔记能让工作产生复利。这一例子取决于用户的设置和访问权限。

他描述的会话摘要记录决策、未解决任务和经验，再把它们与此前工作的笔记连接起来。他重视无需仅靠记忆就能回到旧想法的能力。使用此类系统也取决于用户选择连接哪些文件。

Stebbings 描述其基金使用 AI 工具为投资委员会的通话排序，并说该工具在有限时期内表现不错。Swulinski 认为自动排序背后的框架很重要。他们的叙述没有独立验证系统，也没有证明排序会持续正确。

作为最后的经验，Swulinski 回到产品工艺、实验和理解用户。他说自己欣赏把深思熟虑的产品工作与清晰发布结合起来的团队，并以 Wispr Flow 为例，同时承认自己参与其中。Stebbings 感谢他分享方法，访谈结束。