HeyGen：AI创业，我们如何在7个月内达到100万美元收入
凭借泰勒·斯威夫特说中文以及郭德纲讲英文相声的视频，AI 视频生成工具 Heygen 成为最近最受关注的 AI 工具。
HeyGen 是一家拥有数百万用户的 AI 公司，是短视频内容 AI 口型匹配和翻译领域最大的参与者之一。HeyGen 的产品正式上线后的一年不到，创始人 Joshua Xu 就发表博文表示：HeyGen 在 7 个月内实现了 100 万美元的 ARR（年度经常性收入），并保持连续 9 个月 50% 的月环比增长率。
今天的这篇文章，是 HeyGen 官网发布的，讲述他们如何在 7 个月内拿到百万美元的 ARR 收入。
作者：徐卓（Joshua Xu，HeygGen CEO &联合创始人）
文章于 2023 年 4 月 25 日发布在 HeyGen 官网。
我们近期取得了一个重要的里程碑：仅用 7 个月时间达到了 100 万美元的 ARR（年度经常性收入）。与此同时，连续 9 个月（2022 年 9 月-）保持了稳定的月环比增长 50%。接下来，我将分享下我们的增长故事。
HeyGen 于 2022 年 7 月 29 日上线。用 178 天的时间达成 100 万美元的 ARR（年度经常性收入），并用 217 天的时间实现了「拉面盈利」（ramen profitable*）。
*指一家公司或企业在投入较小的情况下实现盈利的能力，类似于一家拉面馆，通过控制成本和提高效率，在较短的时间内开始盈利。
HeyGen 现在拥有约 30 名员工，目前分布在三大洲，四个国家和六个城市。
上图是 HeyGen 的数据概况。我们虽然不是同类产品中增长最快的，但也希望我们可以作为这项技术未来和潜在增长的一个典型案例。
暮然回首，这是一段美妙的旅程。Wayne 和我都有消费产品的创业背景（Snapchat + Smule）。一年前，我们对 SaaS 并没有太多了解。但我们相信它是我们追求愿景的必经之路。所以我们义无反顾地开始做。通过阅读，以及和领域里有经验人士的交流，我们收获颇丰。非常感谢许多人在这段时间对我们的帮助，这就是为什么我想借这篇文章回馈社区，特别是为那些 AI 领域的创始人们，分享如何实现 100 万美元 ARR（年度经常性收入）的经历。
我想讲讲我们如何找到了第一个付费客户；如何验证了 PMF（产品市场契合度）；深入产品开发之旅，如何构建了产品，如何与客户达成了合作；以及，我们是如何学习的。
01
产品市场契合度—>AI 市场契合度
我在构建 AI 模型、黑客技术和产品开发方面有很多经验。但是，如果没有 PMF（产品市场契合度）时，技术都无关紧要。这在当今的 AI 时代尤为重要。我想谈谈另一个在我们内部使用的理念——AI 市场契合度。
面对新兴技术，区分演示价值（demo values）和用户价值（user values）很具有挑战性。许多技术演示起来非常酷，但长远来看，演示价值会迅速减弱，只有用户价值才能一贯保持。
当我们在 2020 年 12 月创立公司时，生成式 AI 的概念还远未成为主流。尽管如此，我们从一开始就坚信 AI 能够生成高质量的内容。我们的最终目标是通过开发一种视觉引擎来彻底改变当下的视觉叙事方式——从传统的基于相机的方法过渡到人工智能生成。
为了实现我们的愿景，我们将其分解为三个步骤。第一步是为企业构建一个视频引擎。然后，我们设定了一个初始的里程碑，即创建一个 SaaS 产品来应用我们的技术，探索其边界，探索其边界，与用户建立关系，并同时产生收入以继续进行长期投资。
经过一段时间的探索，考虑到技术可行性和用例，我们将发言人场景作为目标市场。然而出现了一个关键问题：我们如何验证这是不是一个真正与 AI 市场的契合点？
答案就在 Fiverr（任务众包平台）上。
当我们搜索「发言人」的关键词时，Fiverr 上有 1811 个可用的服务。如果能将我们的创意 idea 变成出色的产品体验，那么就会有市场需求，人们愿意为我们的解决方案付费。
确切地说，10 个月前，我们在 Fiverr 上创建账户并发布了一项服务（gig），它提供多语言的点播视频素材（on-demand video footage）。那时，我们已经有了技术的早期版本。虽然没那么完美，但足够用来测试市场需求。在最初的版本中，我们没有披露我们的虚拟人像是由 AI 生成的。相反，我们提供和 Fiverr 上其他公司相同的服务，但只要他们 10% 的费用，在 10 分钟内而不是几天时间即可交付。我会手动运行代码，向客户提供视频。
具有竞争性的价格和快速交付的能力使我们在 Fiverr 市场中脱颖而出，吸引了我们的第一个付费 5 刀的客户。之后，我们更新了服务介绍，澄清我们的虚拟人像是由 AI 创建的，这没有影响我们服务的人气，反而迅速吸引了更多客户（30+），帮助我们更好地了解了用例和价格预期。我们发现人们愿意为每分钟的发言人视频支付 3 刀的费用。
这使我们能够以最小的成本验证我们寻找的 AI 市场契合度，而无需先构建一个成熟的产品。结果是，我们获得了第一个付费用户。更重要的是，这一批最初的用户群体后来变成了提供宝贵意见的产品客户，他们是我们第一个版本发布的坚实基础。
对于所有效率工具来说，我们几乎都可以验证类似的市场模式是否存在于 Fiverr 或 Upwork 这些平台上。因为它们展现了不同供需之间的全景。我们在这类平台上可以找到许多像翻译、SEO 文章、图像创建、视频制作、配音等等之类的创意。
经验教训：
尽早，最好在开发产品之前就与合适的人交流。找到一种快速开发最小可行产品（MVP）并让用户为其付费的方法；不付费，就不算数。 在与真正的用户见面后，抱着自己一点都不了解产品的心态来倾听他们的观点。事实上，抛弃按照你的经验和所谓的愿景来判断用户需求的思维绝对比想象的困难得多。真正忘记你「以为」用户需要什么，发自内心地「理解」他们真正想要的东西需要不断的实践。作为技术型创始人，我对新技术如何「能够」帮助改进有很多想法，但在大多数情况下，它们不起作用。一个很好的例子是我们的 CG 虚拟形象。 我们都曾投身于元宇宙热潮，每个人都认为 CG 和元宇宙很快会成为未来。我也研究了这项技术，觉得它很酷，可以成为我们现有产品的绝佳补充。但是，它并没有很好的产品市场契合度，难以维系，需要更多的用户适应。最终，我们不得不暂停服务并解散团队。尽管技术很出色，但只有少数用户对它有需求。人们更希望得到的是原创且对不同胃口的的个性视频。如果能够优先从用户的视角出发，我们本可以避免这个问题。 避免一厢情愿的思考，特别是对于技术型创始人来说。随着新技术每天涌现，我犯了许多错误，技术的内在价值有时与实现产品市场契合度相距甚远。 找到正确的问题远比解决当前「最重要」问题更重要。当你做对了的时候，这与臆想出一个产品市场契合度完全不同。
02
产品迭代
7 月 29 日上线
我们从 2022 年第二季度开始开发该产品，2022 年 7 月 29 日上线。我依然记得产品在 Product Hunt 上线那天我们有多兴奋。我们成功获得了 AI 领域本月排名第一产品和营销领域本月第一产品的称号。这个里程碑标志着 HeyGen（之前是 Movio）传奇旅程的开始。
发明 TalkingPhoto
在向客户解释如何创建他们自己的虚拟形象时，一个经常被问到的问题是：「我能用照片创建吗？」答案是：不行。但这个问题也证明，一些用户 1）希望以低成本的方式创建发言人视频，2）希望在拍摄完整视频之前快速测试该功能。
因此，我们创造性地开发了一种使照片「说话」的能力，我们称之为「TalkingPhoto」。这个功能在测试阶段就收到了极高的评价，它已经成为我们成功的产品主导型增长（PLG）战略的关键要素。TalkingPhotos 的趣味性和创意性在社交媒体上得到了广泛传播。最近病毒式传播的「巴黎世家/哈利·波特」完美展示了它对用户的吸引力。
增加流量——免费版+水印，导致一个月内出现 3 次宕机
我们采用了各种消费产品增长策略，我和 Wayne 这方面拥有很多经验，将其应用到 B2B 环境中，以实现 PLG 增长。
首先，我们选择了免费版而不是免费试用。接下来的问题是如何鼓励更多的分享。尽管我们使用了让用户邀请朋友获得推荐积分的老套方法，效果也不错，但作为一个视频公司，我们希望做一些更具创造力的事情。
我们找到的答案是简单又有效：免费版 + 强力水印。
我承认我们的水印比一般水印更显眼，但这是我们初期启动所需要的。在社交 app 中，人们通过统计现有用户邀请了多少新用户来计算用户获取的病毒系数 (viral coefficient)。尽管我们没有像社交 app 一样的朋友圈效应，但我们的内容产生了强烈的「观看-分享」网络连接效果。如果一定要明确我们为了获取用户所做的努力，这种网络连接效应就是我们采取的唯一策略，我们实现了一个「病毒系数」（viral coefficient）（即新用户数量 / 新水印视频数量）超过 3.0。
很多人说，对于 SaaS 产品来说，80% 的流量都来自一个渠道。这就是我们的流量渠道，我们通过微调和实验对整个工作流程进行了优化。
我们在 9 月 12 日推出了免费版 + 水印组合，同时加入了 Stripe 付费。这样，一些用户生成的视频在社交媒体上获得了数百万的观看次数，我们的系统也因此偶尔崩溃了几次（甜蜜的烦恼）。
增强病毒传播引擎——Gen AI 全景图的助力
我们开始在行业内获得大量关注，并开始出现在许多生成式 AI 的行业全景图上。10 月 24 日，红杉资本首次提及。从那以后，我们在社交媒体上获得了许多 @ 和推广。凭借内置的病毒传播力，我们继续增强我们的用户获取引擎。
改善用户体验
起初，我们的产品对许多客户来说是一个全新的概念。因此，很多客户实际上没有被「激活」。所以我们花了三个月的时间，从 11 月到 1 月，专注于改进用户的首次体验。
在不断与客户交流，观察他们一步一步尝试产品的过程后，我们发现，他们使用之旅中的第一个"aha 时刻」（惊喜时刻）并不是他们尝试第一个模板，也不是与 AI 虚拟形象的互动，更不是使用视频工具，而是欣赏他们自己的第一个 AI 生成视频。因此，客户体验迅速成为整个团队的关注焦点。然后，我们探索了帮助用户更快地达到"aha 时刻」的一切可能途径，包括：
创建着陆页，允许用户在未注册帐户的情况下创建视频。
成功注册后嵌入入门视频（这些视频用我们的产品制作）。
为不同情境创建数百个模板，加速用户的内容创建（我们两个人在一周内构建了 200 个模板）。
最终，自 11 月以来，我们将转化率翻了一番。此外，我们在 G2 上收到了近 200 条评论，评分为 4.8/5.0 分。
03
如何构建产品？
我们在将产品从小公司发展成大公司上有着丰富的经验。我们的产品开发视角和大公司有些许不同，这对初创公司非常奏效。
每周发布的更新节奏
自产品上线以来，我们一直坚持每周发布的计划。这是一项艰巨的任务，大多数快节奏的互联网公司坚持两周一次的发布标准。但我们发现每周发布对于达到 100 万美元的年度经常性收入（ARR）目标非常有用，不仅可以加快产品迭代速度，还迫使我们优先考虑最重要的事情，没有时间处理次重要问题。
我们是如何做到的——我们通常会在周日完成下周开发的设计。发布将在周四进行，为周五提供修复问题的缓冲时间。与此同时，周五我们还会对新版本进行初步数据分析，并更深入地分析上周发布的版本（那时已上线一周）。我们每周都重复这个过程。一张 Airtable 表已足够我们来处理所有事务。
这样做的代价是产品会出 bug，我们需要接受 bug 的存在。
只在问题出现时修复
这可能与直觉相反，但我们只在出现问题时才进行优化或修复，这在产品早期没问题，因为我们可以迅速填补空白。而且这种方法帮助我们避免了过早的优化。在寻求 AI 市场契合度的早期阶段，由于需求和产品特性中固有的不确定性，大多数优化是没有必要的。因此，我们可能会优化错误的问题。然后，当问题必须解决时，我们开始窥见 AI 市场契合度的出现。
对我们来说，2022 年 9 月/10 月出现了几波流量，导致我们的服务器崩溃了几个小时 - 这就是 AI 市场契合度乍现的时刻。当你找到 AI 市场契合度时，你的服务器将开始崩溃，这是有意为之的。我们可以通过这种方法最大程度地增加迭代次数。
另一个非传统的观点是验证产品市场契合度（PMF）的唯一方法是让用户流量搞垮产品。把你的系统设计成市产品场契合度（PMF）出现时会失败的模式。这样做的目的是迅速将事物推出并尽可能多地测试各种想法。这些问题的出现意味着那些是正确的。
比如说，我们的数据库只使用一个 MySQL。我们本可以选择更复杂的数据库来提高可扩展性，为什么要这么做？只用一个 MySQL，等它崩溃就好了。如果不到 1,000 人在使用产品，一个 MySQL 实例将足够，这时产品市场契合度尚未出现。在早期，我们几乎没有编写任何单元测试。
我们也在其他领域应用了同样的思维方式。例如，我们没有使用像 JIRA、Asana 或 Trello 这样的项目管理工具，而单独只依靠一个 Airtable 表来管理所有。它不完美，但足够任务完成。
适应分布式团队合作
起初，我觉得远程团队的生产力可能会落后于现场团队，特别是在本地范围内的团队。但是我发现主要的瓶颈通常出现在不同团队组成部分间的互动和依赖关系上，比如一个团队被另一个团队的事情阻碍。
为了解决这些挑战，我们实施了一些关键的方法：
接受非同步沟通：使用像 Loom 这样的工具鼓励团队成员专注于主要内容，观看者能以倍速观看，提高沟通效率。
适应不同时区：在工作时区重叠的时间段内安排至少两次定期的 30 分钟会议，确保全球各地的团队成员保持联系，共享信息。
雇佣灵活的团队：一个愿意为偶尔的早上或深夜会议调整时间表的团队可以快节奏的初创公司中保持在势头和速度。
实施这些策略提高了生产力，并使我们能够为我们的用户提供优秀体验，例如全天候支持和客户电话，全天提供稳定的服务，在不同国家实现快速增长。
尽早建立数据仪表板
我们使用 Metabase 作为我们的数据库层级的可视化引擎。总共有 200 多个仪表板。我们还使用 Python 来构建更复杂的 SaaS 指标，例如 https://sacks.substack.com/p/the-saas-metrics-that-matter。我强烈建议尽早构建这些数据仪表板，选择对你来说最有意义的优化方式。在发布产品之前构建；不管数据对不对，先把它建好。我们随时都可以回过头来修复调整。
A/B 测试是一个陷阱
在初创公司的早期阶段，A/B 测试可能不是最有效的方法。它可能被看作是「过度工程」，因为数据不足可能无法使测试结果展现统计显著性。相反，要快速发布。如果存在问题，根据反馈进行解决并进行必要的调整即可。
我们用的工具
我们利用了许多第三方工具，帮助我们快速高效地启动项目，避免重复造轮子。以下是我们使用的一些工具：
Datadog（我们没有使用 Grafana）+ PagerDuty
Azure Synapse（用于管理数据工作流；在前六个月，我们基本上每天都会从 MySQL 覆盖整个分析数据库，而不是增量更新数据）
Shotstack（用于启动我们的初始视频渲染管线）
Zapier（用于自动化团队中的各种工作流）
Typeform + Calendly（不仅用于日程安排，还与 Zapier 一起构建迷你 CRM）
Webflow + Jasper
Intercom
Amplitude
为公司的每个人提供无限 ChatGPT Plus 和 GPT-4 API 访问权限
记住，这里讨论的许多策略可能仅适用于初创公司的早期阶段，特别是在达到 100 万美元年度经常性收入（ARR）之前。在那之后，流程可能需要相应的调整。
此外，最重要的是在一开始只构建少数功能。如果我们不得不重新开始，我们会更加关注一个关键功能，并且会在三个月前推出产品。例如，产品可以在没有编辑视图的情况下推出。我们可以只专注于高质量的绿幕视频生成。这将帮助我们更快地进入市场，留出更多时间收集用户反馈。
04
客户
根据我们的经验，构建伟大产品的关键在于培养坚实的产品-用户动力。有了这个，我们就不必自行决定要构建哪些功能；相反，我们应该收集客户反馈，并让它指导我们的优先事项。
我们已经讨论了如何通过 Fiverr 找到我们的初始 AI 市场契合度。在这一章节中，我将把重点放在如何与客户一起成长。
最大化与客户的沟通
虽然我们经常听到建议说应该倾听客户，我想在这里分享一些如何真正做到这一点的具体实例。首先，每个用户都可以在不注册帐户的情况下与我们安排一次通话。
在过去的 217 天里，我们进行了 1,400 次客户会议，平均每天七次。Wayne 和我参加了其中的 800 次会议，每次会议都有会议记录，后续我们也会与整个团队分享这些记录。
在这些通话中，让客户发言非常重要。（来自 YC 的用户访谈建议：如何与用户交谈）
我们将客户支持分成了三个时区，最大化与客户聊天时收集有价值的见解的能力。（我们的目标不是提供全天候的支持，而是尽可能多地从客户那里学到东西。）
建立团队透明度
我们有两个聊天群：「HeyGen Loves」和「HeyGen Hates」，来捕获所有客户反馈。通常来说，「HeyGen Hates」群更忙一点，因为团队渴望找到改进的地方。在员工大会上，我们会在讨论任何指标之前，优先分享客户反馈。客户意见始终是第一位！
避免定制化
抵制定制化的诱惑，即使客户能够支付一大笔费用。我们的分内之事是，评估所提议的解决方案是仅有利于一个客户，还是对所有客户都有好处。
如何做不可拓展的事情
我们经常听到这种方法的重要性。这就是我们为客户成功所做的。为了跟踪我们的客户，我们使用一个简单的 Airtable 表，这是我们从 Andreas Klinger 那里学到的方法（https://klinger.io/posts/the-simplest-and-most-important-dashboard-for-early-stage-startups）。在内部，我们只将视频生成活动视为留存，因为它直接与我们正在创建的用户价值相关联。
这是我每天早上首先检查的事情，我们的目标是最大化绿色的比例。这背后没有什么神奇之处；许多优秀的产品经理可以通过优先考虑客户成功来实现这一点。无论如何，这使我们能够关注最关键的方面：创造用户价值。
我们一直坚持这种方法，直到拥有了 1000 多名客户。此时，我们需要开始考虑扩张的事情。
05
我们是如何学习的
学习构建 SaaS 产品一直是一种有趣的经历，与构建消费产品大不相同。作为创始人，你经常需要在两个极端之间取得平衡。从我的亲身经历来说，快速学习至关重要，因此必须同时保持自信和谦虚。要对自己有信心，相信只要投入时间和精力，你就能学会任何事情。除此之外，要保持极度的谦逊，认识到你可能是错的，其他人可能有更好的想法，应该首先向成功者学习。
这是我的一些见解：
自 2020 年以来，我坚持在上下班开车的路上收听每一集 SaaStr 播客节目。
Substack 一直是很棒的学习资源，比如 Lenny 的 Newsletter，Kyle Poyar 的 Growth Unhinged。
研究其他 SaaS 产品、竞争对手，甚至其他领域的产品也会让我学到很多东西。
拥有一位顾问。确保学习方式的正确非常重要。不仅要从他们的建议中学习，更重要的是要了解他们是如何得出这些建议的。将我的方法和他们的方法进行比较，询问为什么不选择我的方法。就像 RLHF 一样（基于人类反馈的强化学习）。