在最新一期 Niche Pursuits 播客里，Jason Zigelbaum 讲了他如何把 Zigpoll 做成一家年收入接近 200 万美元的一人 SaaS 公司。他没有靠大团队，也没有靠花哨的营销攻势，而是把精力放在产品改进、客户体验、新手引导流程、定价和降低流失上。
Zigpoll 目前每月经常性收入（MRR）约 14.2 万美元，折合年收入大约 170 万美元。Jason 希望在年底前做到 200 万美元，延续自 2022 年以来几乎每两年翻一倍的节奏。他的故事说明，持续做那些务实的小改进，也能滚成可观的增长。
一人公司怎么做 SaaS
Jason 的底子是产品。他学过计算机科学，毕业后在一家电商代理公司上过班，后来离开去做自己的产品。
在 Zigpoll 之前，他做过好几个项目，其中包括 2016 年上线的一款电商 App。这些经历一直把他推向同一个想法：客户的反馈，往往就告诉了他下一步该做什么。
这个观察最终成了 Zigpoll 的基础。它是一款围绕具体场景来收集客户反馈的问卷产品。商家用它可以做这些事：
-
在网站上跑问卷 -
收集购买后的反馈 -
通过邮件或短信发送问卷 -
在用户准备离开页面时提问 -
在交易后收集归因数据 -
为产品开发收集反馈
Zigpoll 能跑在不同类型的网站上，包括 WordPress 和 WooCommerce 站点，也不一定只服务电商。不过电商最终成了这门生意明确的核心，因为 Jason 在那里看到了最大的需求。
今天，Zigpoll 大约 90% 的业务来自 Shopify 应用商店。这种专注很重要，因为 Jason 并不是带着深厚的营销背景进场的。Shopify 给了他一个现成的分发渠道，客户本来就在那里搜索软件。
收窄客户定位后，增长变得更可预测
Jason 的增长在明确了理想客户画像之后变得更可预测。这并不是自然而然发生的。和很多产品型创始人一样，他最初觉得这款软件在更大的市场里都有机会，所以抗拒收窄注意力。
这个转变很关键，因为聚焦电商后，Jason 能更清楚地看到该做什么、哪些问题最重要、哪些客户用例值得多花心思。他不再试图平等地服务每一个可能用问卷的人，而是围绕那群已经展现出强劲需求的客户做深。
他的收入变化也说明这种聚焦有多重要：
-
Jason 估计，Zigpoll 在 2022 年的 MRR 大约在 1 万到 1.5 万美元之间。 -
自打他重新把注意力放回公司以来，他一直把年同比增长目标定在 100% 左右。 -
今年的目标，是把年收入从大约 100 万美元翻到 200 万美元。 -
在我们对话的时候，Zigpoll 的 MRR 已经做到约 14.2 万美元。 -
换算成年化经常性收入，大约是 170 万美元。
Jason 的下一个目标是 400 万美元。他坦言自己没有一个确定答案能走到那一步。这种不确定性恰恰让他的方法有意思，因为他过去的增长也不是靠某一次单独的推广做出来的。
先攒评价，再谈大营销
在 Zigpoll 早期的增长阶段，Jason 在 Shopify 应用商店里只有一个首要目标：拿到客户评价。在他重新发力的头两三年里，评价就是他最看重的指标。他把它看成在给可信度打底，而客户本来就从这个渠道源源不断地找上门来。
他没有一上来就搭一套复杂的营销机器，而是专注在人们已经发现产品的地方变得更有可信度。这让 Zigpoll 有了一个可以往上垒的底座，然后他再去操心更广的拉用户策略。这套做法也和他的强项对得上，他本就是产品型创始人：
-
他可以专注于服务客户，而不用去建一支外呼销售团队。 -
好的体验能带来更高的商店曝光，也更容易攒下口碑。 -
Shopify 生态让他能触达电商商家，而不必砸大笔广告预算。 -
和客户的对话能直接反哺产品开发。
慢慢地，他的注意力从单纯拉更多客户，转向改善已有客户的单个用户经济账。这就把他带到了 SaaS 里最不光鲜的增长杠杆之一：流失。
降低流失：给客户更多留下来的理由
Jason 说，他对增长最大的一次认知变化，来自花更多时间去研究收入数字、定价和流失。对 Zigpoll 来说，一个常见的流失问题直接就长在问卷这门生意的天性里。客户可能跑一次活动，收上来 1000 份回答，拿到需要的信息，然后就觉得自己完事了。
站在这个客户的角度，取消订阅完全讲得通。所以 Jason 的任务并不是简单地拦住想取消的人。他要做的是帮客户看到，在最初的项目结束之后，Zigpoll 还有哪些可以长期循环使用的场景。
比如一家最初只是为了调研新产品而注册的商家，之后可能会用上一种长期跑着的购后归因问卷。这第二个用例可以持续运行，而不是在短短一次活动后就消失。Jason 用了几种机制来研究取消为什么会发生：
-
降级问卷，直接问客户为什么离开。 -
召回邮件，触达那些之前停止使用服务的人。 -
功能请求，用来暴露客户需要一个 Zigpoll 还不支持的入口或集成。 -
客户反馈，帮助把价格上的异议和产品、易用性上的问题区分开。
对一个经常性收入生意来说，把流失率只降一两个百分点，就能实质性地改变增长算式。所以 Jason 把降流失当成一项收入策略，而不只是一个客户留存任务。
针对不同用例改进新手引导流程
新手引导流程是另一个难题，因为 Zigpoll 服务的是目标差别很大的客户。做转化调研的人，需要的开场介绍和发邮件问卷的人不一样。购后问卷客户带着的又是另一个目标进来。
Jason 的应对方式，是根据客户如何描述自己的需求，做一套更个性化的新手引导体验。目标是把每个用户引向对他有用的结果，而不是逼所有人走同一套通用流程。这部分工作包括：
-
通过提问把客户归入不同的客户分组 -
根据他们想解决的问题推荐问卷模板 -
通过 Shopify 拉取网站素材，让活动一创建就带着半成品的设计 -
为不同用例设计不同的新手引导流程邮件序列 -
定期从不同客户视角回看整个注册流程
Jason 把新手引导流程看成一个永远做不完的项目。他会定期注册一个新账号，假装自己是某一类客户，亲自走一遍体验。
这让他能发现一些每天泡在产品里容易忽略的摩擦点。适当离开也有帮助。Jason 说，度完一次家庭旅行回来，他往往能注意到那些在他眼前摆了好几周的问题。
围绕客户获得的价值定价
定价是另一个持续的实验。Jason 相信，长期目标应该是把价格尽可能地贴在客户获得的价值上。价值涨了，价格也能跟着涨，同时还要让客户觉得合理。
对 Zigpoll 来说，一部分做法是按回答量收费。收集反馈量很小的小客户可以留在免费套餐。随着量涨上去，客户就进入付费档位。Jason 还会用功能门槛卡住那些往往意味着更高商业价值的能力：
-
集成需要付费套餐。 -
自定义域名被当作付费功能。 -
更高的回答量把客户推向更高的档位。 -
更进阶的能力可以成为往上走价格的额外理由。
集成这项尤其有效，因为想把问卷数据送进其他系统的客户，通常都有明确的商业理由。这就让这个功能成了天然可以多收费的点。随着 Zigpoll 往更大客户走，Jason 还打算再改一次定价结构。
把年付当成一种降流失策略
Zigpoll 同时提供月付和年付，年付客户享受 25% 的折扣。Jason 并不主要把年付看成一个提前多收现金的方式。现金流目前并不是这门生意的重大约束。
他把年付看成另一种降流失的手段。逻辑很简单：一个人承诺付满一整年，就不太会在一次短期活动后离开，即便算上折扣，客户的终身价值也可能更高。
Jason 试过不同大小的折扣：
-
年付折扣一开始是 50%。 -
他觉得 50% 的折扣可能显得太急了。 -
后来他把折扣降到 25%。 -
他仍然觉得这个方案还能再优化。
年付是贯穿 Jason 方法的一个更大主题的又一个例子。增长并不总需要再加一个拉用户的渠道。有时候，它来自改变已经进来的客户的单个用户经济账。
用 AI 把公司控制在一个人
在 MRR 做到 14.2 万美元的情况下还不雇人，Jason 必须从软件里榨出巨大的杠杆。AI 在其中起了关键作用。
产品开发是他工作流最早发生显著变化的地方之一。Jason 不再手写每一行代码，而是大量使用编码智能体，同时自己仍然深度参与其中。
AI 还让他能去做那些以前因为太费时间而根本划不来的项目。比如，为 24 种客户类型做 24 套不同的新手引导流程邮件序列，在 AI 能把一个基础结构适配到每一组之后，就变得现实多了。
他的用例现在覆盖了业务的几个部分：
-
编码和产品开发 -
设计迭代 -
Shopify 应用商店的素材制作 -
LinkedIn 和社交内容规划 -
邮件通讯制作 -
自动化客户流程 -
广告分析 -
把内部数据集连起来做更深入的分析
有意思的是，有一块 Jason 没有交出去，就是客服。他仍然亲自回复客服邮件，甚至会在回复里偶尔留几个错别字，因为他希望沟通让人明显感觉到是人写的。更重要的是，这些对话让他能直接接触到客户正在经历的问题。
对一个做反馈产品的创始人来说，客服本身就是另一个反馈渠道。
让 AI 待在人的掌控之下
Jason 对 AI 很有热情，但对把太多控制权交给自主系统这件事很谨慎。
他不会让智能体每天都自主改动产品。他担心的不是灾难性的失败，而更多是渐进式的漂移，也就是一次次自动决策把产品带向他并不想要的方向。
所以 Jason 把自己留在驾驶位上。他的顾虑包括：
-
AI 可能完成了某个很窄的任务，却没有考虑整个产品。 -
小的技术错误可能在反复的任务里不断累积。 -
一个智能体可能没法同时掌握足够多关于代码库、数据库和客户体验的上下文。 -
跑得越快，保持对整个产品的完整心智模型就越重要。
Jason 把这个体验比作穿上冰鞋。AI 让他能比以前快得多地移动。这种速度带来了杠杆，但也让他更需要看清自己还要往哪走。
把客户数据和 AI 结合起来
Jason 最喜欢的 AI 应用之一，是让模型接触到公司特有的信息。
他可以把财务指标、产品改动、客户问卷和客服反馈合在一起，然后让 AI 去找它们之间的相关性。这能暴露出他单独看每个数据集时可能漏掉的关系。
比如，Jason 可以把这些合在一起：
-
来自 Baremetrics 的流失和收入数据 -
最近的产品提交 -
联系表单的提交 -
新手引导问卷的回答 -
降级问卷的回答
然后他就能问，某些具体的产品改动看起来是否和收入提升或流失下降相关。
Jason 在广告上也用了类似的做法。他不完全依赖广告平台报告的转化，而是把广告活动和自家数据库里的转化信息连起来，再用这些信息指导之后的决策。
这正是作为一家问卷公司的有趣优势所在。Jason 每天的工作就是鼓励客户收集更好的信息，然后他把同样的原则用在自己公司身上。
从 200 万走向 400 万的规划
Jason 的下一个挑战是想清楚怎么再把生意翻一倍。他正在探索的一个方向是继续往高端市场走。这会带来一整套新的产品、合规、销售和定价要求，其中一些已经在处理了。
他清单上有几件事：
-
完成 SOC 2 审计 -
开发面向更大组织的功能 -
探索 Salesforce 之类的集成 -
重新审视现在的定价天花板 -
进一步拓展 WooCommerce -
把 SaaS 公司当作另一群客户来探索 -
支持 iOS 和 Android 上的移动端体验 -
继续改进付费广告
这些都可能是关键动作。到目前为止的经验告诉他，最终答案很可能来自其中几件事一起发力，而不是某一个突破性的点子。这本来就是 Zigpoll 一路增长下来的模式。
最后的话
Jason 的故事挑战了一个假设：一家年收入接近 200 万美元的 SaaS 公司，必须要有大团队或复杂的营销运作。他的增长来自更好的评价、更清晰的定位、更低的流失、更顺的引导、用心的定价，以及持续的产品改进。
他没有等某个一炮而红的推广活动，而是不断地消除摩擦、改善客户体验。这套方法把 Zigpoll 带到了每月经常性收入约 14.2 万美元，而运营公司的只有一个人。
他并不声称自己有一个能到 400 万的单一答案。相反，他继续听客户说话、研究数字、改进产品，把一点点小的收获滚成显著的增长。
来源
-
原文标题：How Jason Zigelbaum Is Running a Nearly $2M ARR SaaS as a Solo Founder -
作者：Jared Bauman -
发布平台：Niche Pursuits（播客，页面更新于 2026-10-04） -
原文链接：https://www.nichepursuits.com/jason-zigelbaum/
相关链接
-
Zigpoll 官网：https://www.zigpoll.com/ -
Zigpoll（Shopify 应用商店）：https://apps.shopify.com/zigpoll -
Jason Zigelbaum 的 LinkedIn：https://www.linkedin.com/in/jason-zigelbaum -
完整节目视频：https://www.youtube.com/watch?v=XegLtUsfrQg
相关阅读：
一个运行了一年的个人 AI Agent：自动整理日历、邮件、会议和工作记忆
