每天一萬人註冊，為什麼營收卻不增長？

前言

各位讀者，上個月雲端部署平台 Railway 的工程部落格上出現了一篇很有意思的文章。標題本身就很有挑釁性——「Kill your onboarding（殺掉你的新手引導流程）」。我最近做了一個副業專案，打造了一個金融商品分析網站，當時第一次使用了 Railway。其實用 Vercel 和 Supabase 就夠了。最近有想試試異常偵測工具 Sentry，但也在想「真的有必要嗎？」，後來因為成本考量才第一次用了 Railway，結果發現比想像中還不錯。而且這個服務在技術層面也比想像中優秀，更有趣的是，裡面有不少精彩的銷售與行銷案例。

Railway 是一個每天超過一萬筆註冊的服務。截至 2026 年 4 月，累計註冊用戶達 290 萬人。但當他們打開內部數據分析後，發現識別出了 21,000 個符合銷售 ICP¹的企業帳戶，卻只主動聯繫了其中不到 1% 的用戶。先說結論：這不是郵件寫得不好，而是寄給的人不對。而解法，簡單得令人吃驚。

🛢️ 石油早就在那裡了——收集了數據卻不使用的企業

PLG²企業面臨一個結構性困境：為了極致化使用者體驗，註冊時什麼都不問，結果就是無法區分誰是業餘愛好者、誰是打算搭建生產環境基礎設施的企業團隊。

也就是說，像我這樣出於個人興趣建站的人有，也有以公司單位專案使用的人。對 Railway 來說，當然是要抓住 B2B 客戶。Railway 當時正是這個狀態。他們以極度流暢的新手引導流程著稱——用一個 GitHub 帳戶幾秒鐘就能完成部署——但刻意不問「你是哪間公司的？」或「工程師有幾位？」這類問題。他們甚至明確表示「我們刻意拒絕」目前流行的 Granola 式新手引導，也就是「註冊後立刻連續詢問職能、團隊規模、使用目的」的做法。通常來說，大家都會問很多這類問題。（被問過的人應該都很有感吧。）

問題在於代價。**由 1 名 AE（銷售代表）和 2 名 SE（解決方案工程師）組成的微型銷售團隊，要面對 21,000 個潛在企業帳戶，卻完全沒有辦法判斷誰是優先目標。**Railway 創辦人 Cooper 這樣形容：

「油田明明都在那裡，卻沒有人去鑽探。」

有意思的是，Railway 並非沒有數據。他們用 PostHog 收集了數年的產品事件數據，內部系統「backboard」上記錄了每個專案的服務架構、執行個體規模、資料庫連線、部署結果等細項。這個模式，是不是很熟悉？不是「數據不足」，而是對已經累積的數據沒有提出問題。

這不只是 Railway 的問題。截至 2026 年，採用 PLG 模式的企業已佔整體的 58%，但導入以產品使用數據為基礎來評估潛在客戶的 PQL³框架的企業僅有 25%。其餘 75% 的企業雖然握有使用者的行為數據，卻仍然只依賴行銷漏斗。

🔍 業餘開發者不會下載 SOC 2 報告——信號篩選的技術

Railway 的解決方案工程師 Des Conlon 採取的方法，出乎意料地古典。他沒有跑 ML 模型，而是把每一個行為維度（dimension）逐一拉出來，計算「企業帳戶相對業餘帳戶的發生比率」。他在 Hex 這個分析工具上搭建 dbt 模型，反覆執行數十個 GROUP BY 查詢，逐步篩選出候選信號。

這裡有一個關鍵的取捨：他果斷捨棄了表面上預測力最高的信號。

例如，SSO 使用情況幾乎能 100% 準確判斷「這個帳戶是不是企業」，但 SSO 是只有完成銷售對話的客戶才能啟用的功能。這不過是在告訴我們已經知道的事情。在數據分析中，這被稱為標籤洩漏（label leakage）⁴——答案混入了輸入中。Conlon 把這稱為「1 = 1」，意思是驗證一個不證自明的事實沒有意義。

最終倖存的規則只有一條：**只有「業餘開發者理論上也能做到，但實際上幾乎不會做的行為」才被認可為信號。**最終留下的五項相當有趣：

• Trust Center 文件下載：最強的機率性信號。業餘開發者沒有理由下載 SOC 2 報告。根據這個信號進行聯繫，回應率可達約 50%
• 席位數及增長趨勢：Railway 去年取消席位計費後，反而成為純粹的團隊規模信號
• 憑證重設：具有內部安全政策或密碼更換週期的組織的行為模式
• 外部 DB 連線：實際連線數據的速度是區分業餘與工作的分界線
• 特定部署失敗模式：不是「失敗一次」，而是「與生產環境級別問題搏鬥」的模式 這五項以提升度（uplift）比率加權求和，構成了評分。不是梯度提升，不是隨機森林，就是線性加權。為什麼選擇這麼簡單？

原因有兩個。第一，行為數據大多只有一天的量，複雜模型必然過擬合。第二，看到這個分數並採取行動的只有一個 AE。「Trust 文件 + 8 個席位 + DB 連線」這樣的理由可以立刻理解，但如果模型只輸出一個「0.87 分」，當判斷出錯時就無法察覺。用 Conlon 的話說：「一個可讀的模型，幾乎總是勝過一個達到極限精度的模型。」

📧 別滴灌，要觸發。電子郵件的重新發明。

這樣建立的分數會流向兩個方向。中等分數走 Customer.io 的自動郵件，高分數則由人工直接聯繫。

但這些自動郵件與傳統的新手引導序列完全不同結構。不是「註冊後第 1 天、第 3 天、第 7 天」這種時間驅動的滴灌式郵件，而是在特定行為發生時觸發發送的事件觸發式方式。

發送條件也很嚴格，必須同時滿足兩項：

• 該事件必須與企業帳戶的可能性相關
• 該事件必須是使用者稍微卡住，或正在做重要決策的時刻 而且郵件內容不是要求會議。也不推銷企業版。郵件以實際銷售代表的名字發出，內容大約是「看您在進行這類操作，有什麼可以幫忙的嗎？」的程度。

結果非常戲劇化。傳統通用新手引導郵件的開啟率是 27%，而觸發式郵件的開啟率提升到 50~70% 的區間。第一天發送 300~400 封，就有 2 封收到實際回覆。

當然，這些數字有重要的背景脈絡。Apple Mail 的隱私保護功能可能膨脹開啟率，而且本來就是寄給最感興趣的人、在最恰當的時機發送，所以選擇偏差很大。Railway 自己也承認這一點，並表示正在設計 A/B 測試。

但方向本身就有意義。大多數 PLG 郵件行銷指南都推薦「行為觸發」，但 Railway 的不同之處在於，在觸發條件上疊加了 ICP 過濾器。不是簡單地「向連線了 DB 的使用者寄郵件」，而是**「連線了 DB，同時企業帳戶可能性高的使用者才寄」的雙重條件。這個差異將發送對象從每天數千人壓縮到 300~400 人，而恰恰是這種壓縮創造了品質。**

奧茲的視角

老實說，第一次看到這個案例時我拍了一下大腿。在制定 GTM 策略時，我無數次見過的最常見失敗模式，在這裡被完整呈現了。

那個模式是這樣的：當企業成長放緩時，最先被動手的往往是郵件文案或著陸頁設計。因為看得見。但真正有問題的地方，是「我們在對誰說話」這個定位層級。像 Railway 這樣每天一萬人湧入，卻只接觸了 21,000 個企業客戶中的 1%，文案改得再好也沒用。把完美的訊息寄給錯誤的人，就是完美的浪費。

而且這個案例中我最關注的是另一點。**Conlon 在 Looker 時期（後來被 Google 收購）和在 Railway 遇到的問題，形成了完美的對稱。在 Looker，客戶有合理的問題，但沒有能回答這些問題的數據基礎設施；在 Railway，基礎設施已經就位，卻沒有人提出問題。兩種情況都不是「因為沒有數據」。**而是數據與問題之間的連結缺失了。

**「GTM 工程師」這個職位今年招聘需求超過 3,000 個，這不是巧合。銷售團隊不再靠直覺猜測「像企業的訊號」，而是計算提升度比率、過濾標籤洩漏、建立可讀的評分體系——這一系列工作，正是目前市場價值上升最快的能力。**而且這個能力不是 AI 會取代的，而是在 AI 時代變得更加重要的能力。因為無論模型多麼強大，判斷該放入哪些信號的，仍然是人。

國內 GTM 相關職位至今仍莫名不熱門，但我相信終究會有一波熱潮……所以持續在寫文章。畢竟還是得賺錢嘛。不可能永遠只賣夢想吧……

結語

總結如下：

• PLG 真正的瓶頸不是數據缺失，而是數據利用的缺失。75% 的 PLG 企業握有產品行為數據，卻未用於潛在客戶評估
• 可讀的簡單評分，在實戰中勝過精緻的 AI 模型。行動者無法理解的模型，出錯時就無法修正
• 郵件的成效不是由文案決定的，而是由時機和對象決定的。只要改變「寄給誰、何時寄」，開啟率就能翻倍 下次檢視我們組織的新手引導郵件成效時，在修改文案之前，先確認一件事：這封郵件，真的寄給該寄的人了嗎？

各位讀者的組織，有在將註冊後的行為數據與銷售串聯嗎？還是還停留在「通用歡迎郵件」的階段？歡迎在留言區分享。

覺得有幫助嗎？分享給更多人

複製連結XLinkedInThreadsKakaoTalk네이버 밴드

參考資料 & 延伸閱讀

核心來源

• Des Conlon, “Kill your onboarding: selling to 10,000+ new users a day”, Railway Engineering Blog, 2026 年 5 月 6 日。：從實務者視角完整拆解了從 PLG 到銷售轉化的全流程

背景知識

• McKinsey, “From product-led growth to product-led sales: Beyond the PLG hype”, 2023.：麥肯錫報告，從策略層面梳理了從 PLG 到 PLS（Product-Led Sales）的轉型
• SaaS Mag, “PLG in 2026: Product-Led Growth Evolves Into Full-Stack GTM”, 2026 年 4 月 23 日。：包含 Cursor 達成 20 億美元 ARR 的案例，整理 2026 年 PLG 版圖的最新指南。引用了 PQL 導入企業轉換率高 3 倍的數據。
• Apollo, “Who Is A GTM Engineer? Revenue Systems Builder”, 2026 年 2 月 24 日。：以數據整理 GTM 工程師職位的定義與市場成長趨勢。引用了 Bloomberry 數據，顯示招聘需求較 2025 年成長 205%。

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

1. ICP（Ideal Customer Profile）：理想客戶畫像。定義「最適合我們產品的客戶是怎樣的組織？」的標準。結合公司規模、產業、地區、融資階段等條件來建立。 ↩

2. PLG（Product-Led Growth）：產品驅動成長。不靠業務代表，而是透過產品本身的使用體驗來獲取客戶並實現轉化的策略。Slack、Notion、Figma 等是典型代表。 ↩

3. PQL（Product Qualified Lead）：以產品使用行為為基礎評估購買潛力的潛在客戶。與僅因下載了白皮書就被評為 MQL 不同，PQL 基於實際使用產品的經驗，轉換率高 2~3 倍。 ↩

4. 標籤洩漏（Label Leakage）：預測目標的答案混入輸入數據中的現象。就像考試試卷上印著答案一樣，模型在實戰中完全沒有用處。 ↩