Newsletter 获客成本：投入 $6,400 实测 Boosts、SparkLoop 与推荐计划

Beehiiv Boosts 将一名“已确认”订阅用户按 $2.30 计费。90 天后，把送达率代价和悄无声息的流失算进去，这笔 Newsletter 获客成本实际变成了每人 $7.10；我测试的 3 个付费渠道中，有 1 个带来的每次注册都在悄悄亏钱。

真正重要的 Newsletter 获客成本：按留存用户算，而不是“已确认”用户

在 90 天里，我为一份面向 B2B 运营者的 Newsletter，在 3 个获客渠道上一共投入了 $6,400。平台账单讲的是一个故事，按批次追踪留存后看到的却是另一个。

我真正关心的单位是第 90 天仍然留存的订阅用户——也就是最近 4 期邮件至少打开过 1 期的人，而不是平台在第 1 周标记为“已确认”的人。在 Beehiiv Boosts 中，“已确认”只表示订阅用户在推荐投放后的一个短窗口内没有退订（Grow My Newsletter：Beehiiv Boosts）。这个门槛是刻意设低的，也必须低，市场才能顺利撮合成交。

宣传口径中的 CAC 与真实 CAC 相差 2.4×，绝不是四舍五入造成的小误差，而是足以决定整个渠道盈亏的差距。综合数字还掩盖了表现最差的渠道：它的留存 CAC 高到无论采用哪种现实的 LTV 模型，这些订阅用户都无法收回获客投入。

这里的每个数字都来自我为自己的订阅名单实际支付的费用，并通过导入时设置的批次标签进行追踪。

测试怎么搭：订阅名单、工具栈与每项成本

这是一份每周发布的 B2B 运营类 Newsletter。测试前，订阅名单规模处于五位数中段，每周二上午发送 1 期；打开率在 30% 高位，点击率约为 4%。发件域名已经充分预热，SPF/DKIM/DMARC 配置正常，此前也没有发生过送达率事故。

测试期间使用的工具栈及月度成本如下：

• Beehiiv Scale 套餐——要以买方身份使用 Boosts，必须订阅该套餐（Beehiiv 定价）。
• SparkLoop——付费推荐收取 20% 佣金，另加 3.5% 支付处理费（Beehiiv 与 SparkLoop 对比）。
• 推荐里程碑阶梯——Beehiiv 原生功能，边际成本只有奖励履约费用。

预算分配刻意没有平均：Boosts 为 $2,800，SparkLoop 为 $2,900，推荐奖励为 $700。我把更多预算放在前两个付费渠道，因为推荐阶梯的流量上限取决于现有名单规模，而不是投入多少钱。继续增加奖励预算并不会带来更多流量。

测试方法是：订阅发生时，我为每个来源设置唯一的批次标签；渠道支持时，再附加 UTM。之后 90 天内的每次打开和点击都归因到对应批次，不重新归因，也不让末次触点覆盖原始来源。

渠道 1：Beehiiv Boosts 的运作方式与真实账单

Boosts 是 Beehiiv 内部的推荐市场。平台上的其他发布者向自己的新订阅用户推荐你的 Newsletter，作为交换，你按自己设定的单个“已确认”订阅用户价格付费（Grow My Newsletter：Beehiiv Boosts）。我的出价是 $2.30，略高于所属类别的中位数。

触达范围的限制不容忽视。Boosts 只会把你的内容展示给那些正在订阅其他 beehiiv Newsletter 的用户，这只是开放网络中很窄的一部分（Beehiiv 与 SparkLoop）。流量来源刊物的质量很重要，但你无法自行选择，只能向整个池子出价。

Boosts 批次在第 90 天的表现：

• 1,217 名“已确认”订阅用户，每人 $2.30 = 支出 $2,800
• 该批次第 30 天打开率：22%（名单平均值为 38%）
• 该批次第 90 天打开率：11%
• 到第 90 天仍满足“最近 4 期至少打开 1 期”标准的用户：298 名
• 该批次留存 CAC：$9.40

但账单还不止这些。Boosts 最大一批流量进入后的 3 周里，根据种子邮箱测试估算，整个名单在 Gmail 的收件箱送达率下降了 6–8%。我无法把这次下滑按 1:1 完全归因给 Boosts——这种结论我不会轻易下——但时间点高度吻合，也没有其他变量发生变化。即使只有一半降幅是真实且持续的，成本也会显著高于 $9.40，因为现有每一位订阅用户的打开率也会在不知不觉中下降。

渠道 2：SparkLoop 付费推荐覆盖更广，收费方式也不同

SparkLoop 是同一思路的另一种形态：同样提供付费 Newsletter 推荐，但不局限于某个邮件服务商的封闭生态，而是分布在 25+ 个平台和数千家经过审核的刊物中（SparkLoop、Beehiiv 对比）。

它与 Boosts 有 2 个关键的结构性差异。第一是收费模式：向流量来源发布者支付的费用要抽取 20% 佣金，再加 3.5% 支付处理费，而不是由你设定固定的单人价格（Beehiiv 与 SparkLoop）。第二，SparkLoop 多了一层筛选：只有订阅用户达到平台管理的确认门槛后，你才需要付费。这与“第 1 周没有退订就计费”的激励机制并不相同。

SparkLoop 批次在第 90 天的表现：

• 805 名经过筛选并确认的订阅用户，综合有效单价 $3.60 = 支出 $2,900
• 该批次第 30 天打开率：29%
• 该批次第 90 天打开率：19%
• 到第 90 天仍满足标准的用户：467 名
• 该批次留存 CAC：$6.20

从账单看，SparkLoop 并不便宜；但放到唯一重要的指标上，它反而更便宜。筛选层确实发挥了作用：与我这个出价水平下从 Boosts 市场进入的用户相比，这批用户的订阅意愿更强。SparkLoop 流量进入的几个时间窗口里，我也没有看到整个名单出现同样的送达率下滑，因此它表面上的留存 CAC 更接近实际成本。

渠道 3：推荐奖励阶梯的真实 CAC 最低，上限也最低

推荐计划是 Beehiiv 内置的里程碑阶梯：订阅用户分享专属链接，达到门槛（推荐 3 人、10 人、25 人）后获得奖励。Beehiiv 自己的数据表明，部署推荐计划后，平均约有 17% 的订阅增长来自推荐（Beehiiv 推荐计划）。

这里的计算方式与付费渠道有本质区别：没有按订阅用户收取的账单，唯一的边际成本是在各个里程碑兑现实体或数字奖励；整个测试期间，我把这笔费用封顶在 $700。如果每 5 位活跃读者中有 1 位至少推荐 1 次，并且平均带来 3 次成功推荐，隐含 CAC 会迅速下降（Beehiiv 推荐机制测算）。

推荐批次在第 90 天的表现：

• 389 名经推荐进入的订阅用户，奖励履约成本 $700 = 每次注册的有效成本 $1.80
• 该批次第 30 天打开率：44%
• 该批次第 90 天打开率：36%
• 到第 90 天仍满足标准的用户：312 名
• 该批次留存 CAC：$1.80（因为没有单人费用，此处存在取整）

经推荐进入的用户，留存表现几乎与原有名单一样好。这并不意外：他们是经由已经认可这份产品的人背书而来，并非来自市场里的一个推荐位。

既然如此，为什么不只做推荐？因为它有明确上限。推荐量受名单规模和互动程度限制，无法靠多开一张支票就把这个渠道放大 5×。现有名单饱和后，仍然需要在上面叠加付费渠道——陷阱恰恰从这里出现，因为按留存计算的成本会迅速变得难看。

归因陷阱：“已确认”不等于留存，送达率代价也确实存在

有 2 个彼此独立的衡量问题，让表面数字失去了意义。

问题一是批次衰减。“已确认”只是某个时间点发生的事件，留存却是持续数周的行为。冷导入批次的衰减曲线很陡，推荐批次则平缓得多，但平台不会主动展示这些变化，必须在导入时打标签，再自行完成归因。我的方法如下：

1. 用户订阅时，通过来源 UTM 或 Boosts/SparkLoop 集成字段写入批次标签。
2. 分别在第 30 天和第 90 天追踪各批次的打开与点击事件。
3. 过滤符合 Apple Mail Privacy Protection 特征的打开事件，以及在 2 秒内触发且之后从未产生点击记录的打开事件，以排除机器人打开。
4. “留存”的定义是：截至第 90 天快照，在最近 4 期邮件中至少打开过 1 期。

这个定义其实相当宽松。采用更严格的标准——最近 30 天至少点击过 1 次——渠道间的差距只会扩大，不会缩小。

**问题二是送达率代价。**导入一批互动率偏低的用户后，邮箱服务商会察觉。Gmail 的信誉信号看的是整个发件域名的互动率，而不是单个批次。一大批打开一次后就再也不打开的用户，会拉低整个域名进入收件箱的概率；现有订阅用户原本能够贡献的打开率随之下降，他们身上的有效 CAC 也被抬高。

这部分我不会过度推断。批次互动可以按 1:1 归因，因为标签由我控制；但整个名单的收件箱送达率下滑，我只能说它与 Boosts 的流量进入相关——时间点高度吻合，却不是受控实验。声称自己能把送达率代价归因得一清二楚的运营者，往往是在卖东西。更诚实的表述是：下滑确实发生了，时间点指向最大的一次冷导入；即使没有完美证据，保守做法仍是把这项风险计入渠道成本。

把这两个因素合并计算，综合 CAC 就从账面上的 $2.90 变成 $7.10。单独看 Boosts 批次，再计入一份保守估算的送达率下滑成本，这个渠道就会转为净亏损。

哪些尝试没有改善，以及哪个渠道真的亏了钱

以这份名单和这个出价测试，Boosts 是亏钱的。

不是“表现不及预期”，而是确实亏损。留存批次太小，在一个合理的 LTV 周期内，每位留存订阅用户的贡献又不足以收回 $9.40 的获客成本，更不用说 $9.40 之外还要分摊整个名单送达率受损的代价。第 11 周，我暂停了 Boosts 投放，把预算转向 SparkLoop，并用于扩展推荐奖励阶梯。

与此同时，我也停止了以下做法：

• 为了在 Boosts 市场中抢量而提高出价。提高出价或许能换来“更多已确认订阅用户”，却会让留存 CAC 变差，而不是变好，因为这个市场的放量是以质量为代价完成撮合的。
• 在每周复盘中把“已确认订阅用户数”当作增长指标。现在它最多只是一个领先指标，而且必须结合该批次第 30 天的打开率才有意义。
• 在选题和内容安排弱于平常的周次投放付费获客。如果冷导入恰好遇上一期表现不佳的邮件，送达率损伤会进一步叠加。

有个做法虽然理论上合理，却没有带来提升：专门针对 Boosts 批次发送再互动邮件。我测试了 2 组序列，第 90 天打开率的提升都没有超过 1 个百分点。

如果想用同样的思路拆开表面 CAC 与最终真正进入损益表的成本，可以参考我对 Apollo + Clay + Smartlead 外呼工具栈及单次会议真实成本的拆解。具体机制不同，归因错误完全相同。

可复用的 Newsletter 增长方法：怎样判断渠道不适合你的名单

投入 $6,400、观察 90 天后，我总结出的决策规则是：

1. **先搭建推荐阶梯。**它的真实 CAC 最低、留存最好，还能持续复利。上限确实存在，但前提是内容已经值得读者主动推荐。大多数 Newsletter 声称推荐渠道已经触顶，其实并没有。
2. **推荐渠道饱和后，才增加 1 个付费渠道作为放量层。**先用小预算测试，导入时按批次打标签，等到第 90 天测出留存 CAC 后再扩量。
3. **默认选择带筛选层的渠道，而不是固定单人出价的渠道。**只有订阅用户通过质量门槛，平台才能赚钱，双方的激励才一致；第 1 周未退订就计费的市场，激励方向恰好相反。
4. **任何渠道只要无法通过“第 90 天留存 CAC 对比单用户贡献”的测试，就立即停掉。**不是“表现欠佳”，而是不合格。结构性的利润问题，不会靠下一轮优化解决。
5. **即使无法完全证明，也要为送达率代价计价。**如果付费渠道带来的批次在第 30 天打开率低于 25%，就应假设一部分拖累会扩散到名单其余用户，并把它计入该渠道的 CAC。这样得出的结果大致正确，也好过精确地算错。

以下情况不适合整套方法：

• **产品成形前、尚无推荐基础的 Newsletter。**如果订阅用户少于 1,000 人，推荐流量不足以让奖励阶梯真正运转。此时可以只做付费获客，接受更差的留存 CAC，把它视为冷启动名单的成本，并在达到 5,000 人时重新评估这条规则。
• **送达率已经受损的名单。**如果发件域名本来就进了垃圾邮件箱，再导入冷流量，无异于往湿木头上扔火柴。先把收件箱送达率修好。

审视内容渠道时，同样需要对单渠道的单位经济保持诚实。如果还在测试程序化 SEO 作为另一条漏斗顶端渠道，也可以沿用同一套视角——我在这里拆解了真实成本与规模化内容滥用模式。

Newsletter 增长最有效的方法是什么？

按第 90 天批次留存来看，推荐和其他 Newsletter 的交叉推荐表现最好。付费推荐能够放量，但只有用单个留存订阅用户成本、而不是单个“已确认”用户成本来衡量，投入才可能物有所值。

2026 年 Newsletter 还有价值吗？

有，但经济账更紧了。有效的渠道是用户推荐和 Newsletter 之间的交叉推荐。90 天内就流失的冷付费名单，如今对大多数 B2B 发件域名而言都是净负担。

做 Newsletter 能赚钱吗？

可以，但盈利与否取决于留存订阅用户 CAC 和送达率健康度，而不是订阅用户总数。一份有 50,000 名订阅用户、留存 CAC 为 $9 且发件信誉受损的名单，不如一份有 15,000 名订阅用户、留存 CAC 为 $2 且收件箱送达率正常的名单。

SparkLoop 怎么收费？

SparkLoop 对付费推荐收取约 20% 的佣金，另加 3.5% 支付处理费。经过筛选的订阅用户确认后才需要付费，因此它的真实 CAC 算法与固定单人计费不同。

SparkLoop 是做什么的？

它在 25+ 个平台和数千家经过审核的刊物中投放付费 Newsletter 推荐。本次测试中，我以买方身份用它获取订阅用户，并以留存 CAC 为标准，与 Beehiiv Boosts 做了直接对比。

付费获取的 Newsletter 订阅用户真的会留存吗？

留存率达不到“已确认”账单所暗示的水平。本次测试中，Boosts 批次的打开率从第 30 天的 22% 降到第 90 天的 11%，经推荐进入的用户则保持在 35% 以上。付费获客可以奏效，但必须有筛选层，而且必须把留存曲线计入 CAC。