Hindi lahat ng user ay nagbabayad, ngunit ang mga nagbabayad — ay tumutukoy sa kita ng app. ARPPU (Average Revenue Per Paying User) ay nagpapakita ng average na halaga na dinadala ng isang nagbabayad na user sa isang panahon. Ayon sa data ng RevenueCat (2025), sa top-100 apps ang ARPPU ay 6–8 beses na mas mataas kaysa ARPU — ang agwat ay nagpapakita kung gaano kaliit ang bahagi ng nagbabayad na audience. Ang metriko ay kritikal para sa pagsusuri ng epektibo ng monetisasyon at pagtatrabaho sa mga premium user.
Mga Pangunahing Punto
ARPPU (Average Revenue Per Paying User) — isang metriko ng monetisasyon na isinasaalang-alang lamang ang mga nagbabayad na user. Ang tagapagpahiwatig ay sumasagot sa tanong: magkano ang average na ginagastos ng isang user na nagpasyang bumili? Ibinubukod ng ARPPU sa pagkalkula ang lahat ng hindi nagbabayad — at ito ay 90–97% ng audience sa karamihan ng mga mobile app.
Ang metriko ay hindi mapapalitan para sa pagsusuri ng premium segment. Kung bumaba ang ARPU, ito ay maaaring sanhi ng pagbaba ng kita mula sa mga nagbabayad o ng pagdagsa ng maraming libreng user. Inihihiwalay ng ARPPU ang epekto: kung ang ARPPU ay stable, ang premium audience ay nagbabayad gaya ng dati, at ang problema ay nasa dami o kalidad ng trapiko.
Ayon sa data ng Sensor Tower (2025), ang average na ARPPU sa mga mobile game ay $12.50 sa loob ng 90 araw. Sa kategoryang Strategy ang halaga ay umaabot ng $28, sa Hypercasual — $1.50. Kung mas kumplikado ang laro, mas mataas ang engagement at average na halaga ng pagbili ng mga nagbabayad na user. Sa mga utility, mas mababa ang ARPPU dahil sa mga isang beses na pagbili nang walang subscription.
Ang formula ng ARPPU ay naiiba sa ARPU lamang sa denominator. Sa halip na lahat ng user, tanging mga nagbabayad ang kinukuha — ang mga nagsagawa ng kahit isang transaksyon sa panahon. Ang nagbabayad na user ay tinutukoy sa antas ng identifier (User ID, Advertising ID) na may kaugnayan sa platform (iOS / Android).
data class PayingUserMetrics(
val totalRevenue: Double,
val payingUsersCount: Int
) {
val arppu: Double
get() = roundToTwoDecimals(
totalRevenue / payingUsersCount
)
}
data class PurchaseEvent(
val userId: String,
val productId: String,
val priceUSD: Double
)
Ang klase na PayingUserMetrics ay nag-encapsulate ng lohika ng ARPPU. Ang property na arppu ay kinakalkula kapag na-access — nagsisiguro ito ng pagiging napapanahon ng data. Ang PurchaseEvent ay nagtatala ng bawat pagbili. Para sa tamang pagkalkula, kailangan ang pag-deduplicate ng mga user: kahit na ang isang tao ay nagsagawa ng 10 pagbili, siya ay binibilang nang isang beses sa denominator.
Ang ARPPU ay maaaring tumaas dahil sa pagtaas ng average na halaga ng pagbili o pagtaas ng dalas ng pagbili. Ang pagtukoy sa driver — ang pangunahing gawain ng analyst. Kung ang average na halaga ng pagbili ay tumaas — ang dahilan ay pagbabago ng presyo o paglitaw ng isang mamahaling produkto. Kung ang dalas ay tumaas — bumuti ang mekanika ng paulit-ulit na pagbili.
Pangunahing pagkakaiba — denominator. Hinahati ng ARPU ang kita sa lahat ng user, ARPPU — sa mga nagbabayad lamang. Ang agwat sa pagitan ng mga metriko ay sumasalamin sa conversion na free-to-paying (F2P). Kung mas malaki ang agwat, mas kaunti ang nagbabayad na user, ngunit mas mataas ang kanilang halaga para sa negosyo.
Isaalang-alang ang isang hypothetic na app. Kita $50,000, user 500,000, nagbabayad — 10,000. ARPU = $0.10, ARPPU = $5. Ang 50-beses na agwat ay nagpapahiwatig ng 2% conversion. Kung ang ARPPU ay nagsimulang bumaba habang ang ARPU ay stable — nangangahulugan ito na ang mga nagbabayad ay nagsimulang magbayad nang mas kaunti. Kung ang ARPU ay bumaba nang mas mabilis kaysa ARPPU — ang app ay umaakit ng maraming hindi nagbabayad na user.
Ayon sa data ng Adjust (2025), ang malusog na ratio ng ARPU sa ARPPU para sa mga mobile game ay mula 1:5 hanggang 1:15. Para sa mga subscription app, mas malapit ang ratio — mula 1:3 hanggang 1:6, dahil ang modelo ng subscription ay nagpapalagay ng mas mataas na conversion ng libreng user tungo sa nagbabayad.
| Metriko | Denominator | Ipinapakita |
|---|---|---|
| ARPU | Lahat ng user | Average na kita bawat user |
| ARPPU | Tanging nagbabayad | Average na kita bawat nagbabayad |
| Pagkakaiba | — | Conversion ng F2P at halaga ng nagbabayad na audience |
Ang pagpili ng metriko ay depende sa gawain. Para sa pagsusuri ng pangkalahatang epektibo ng monetisasyon, gamitin ang ARPU. Para sa pagsusuri ng mga premium na produkto at pagpepresyo — ARPPU. Sa A/B testing ng mga bagong pagbili, ipapakita ng ARPPU kung nagbago ang halaga ng mga nagbabayad, at ARPU — kung paano ito nakaapekto sa kabuuang kita.
Ang ARPPU ay sensitibo sa mga pagbabago sa produkto at marketing. Suriin natin ang mga pangunahing salik na tumutukoy sa halaga ng metriko. Ang pag-unawa sa mga salik na ito ay nagpapahintulot sa paghula ng reaksyon ng ARPPU sa mga pagbabago at pag-iwas sa mga pagkakamali sa pag-interpret.
Ang hanay ng mga available na produkto at ang kanilang mga presyo — pangunahing driver ng ARPPU. Ang pagkakaroon ng mamahaling pakete ($50–100) ay nagtutulak sa average na halaga ng pagbili pataas, kahit na ang karamihan ay bumibili ng murang produkto. Apple (2025) ay nagrerekomenda ng tatlong antas: basic ($1–5), katamtaman ($10–30), at premium ($50+) — ito ay maximum na sumasaklaw sa demand ng iba't ibang segment.
Sa mga subscription app, ang ARPPU ay tinutukoy ng halaga ng subscription. Taunang subscription na may 30–50% diskwento ay nagpapataas ng ARPPU ng 6–8 beses kumpara sa buwanan, kahit na ang conversion sa taunang subscription ay mas mababa. RevenueCat (2025) ay nagpapakita: ang mga user ng taunang subscription ay may ARPPU na $60–120 kumpara sa $8–15 para sa buwanan.
Ang ARPPU ay malaki ang pagkakaiba ayon sa bansa at platform. Ang mga iOS user ay gumagastos ng average na 2–3 beses na mas mataas kaysa Android. Ang dahilan ay hindi lamang kita, kundi pati na rin ang sikolohiya ng pagbili: ang mga may-ari ng iPhone ay sanay na magbayad para sa nilalaman. Statista (2025) ay nagpapakita: ARPPU sa iOS sa US ay $18, sa Android — $7 para sa 90-araw na panahon.
Ang heograpikong segmentasyon ng ARPPU ay tumutulong sa pag-aayos ng mga presyo. Sa Japan ang mga user ay gumagastos ng 1.5 beses na mas mataas kaysa sa US, habang ang ARPPU ay 30% na mas mataas sa kategoryang Games (Data.ai, 2025). Ang pagkakaiba ay nauugnay sa kultura ng mobile gaming at mataas na paglaganap ng mga mekanikang gacha.
Ang ARPPU ay naiiba depende sa kung anong uri ng pagbili ang ginagawa ng mga user. Non-consumable (pag-alis ng mga ad, premium access) ay nagbibigay ng isang beses na mataas na ARPPU. Consumable (barya, buhay, pampalakas) — regular na maliliit na gastos. Subscription — stable na ARPPU na may unti-unting pagtaas kapag tumaas ang presyo ng subscription.
Ang awtomatikong pagkalkula ng ARPPU ay naka-embed sa analytics system ng app. Suriin natin ang implementasyon sa Kotlin na may pagpapangkat ayon sa araw. Ang bahagi ng server ay nangongolekta ng mga kaganapan sa pagbili mula sa In-App Purchase SDK at pinagsasama ang mga ito sa mga ulat. Ang lokal na pagkalkula ay tumutulong sa pag-validate ng data ng analytics platform.
class ARPPURepository(
private val purchaseDao: PurchaseDao
) {
fun getMonthlyARPPU(
year: Int,
month: Int
): Double {
val purchases = purchaseDao
.getPurchasesInPeriod(year, month)
val payingUsers = purchases
.map { it.userId }
.distinct()
.count()
val totalRevenue = purchases
.sumOf { it.priceUSD }
return roundToTwoDecimals(
totalRevenue / payingUsers
)
}
}
Ang pamamaraang distinct ay nagsisiguro na ang user ay isinasaalang-alang nang isang beses sa denominator, kahit na siya ay nagsagawa ng 50 pagbili. Ang sumOf ay sumasama ng lahat ng kita. Ang function ay nagbabalik ng Monthly ARPPU. Sa parehong paraan, kinakalkula ang Weekly at Daily ARPPU — sapat na upang baguhin ang panahon ng pagsala.
Upang mapabilis ang pagkalkula sa malaking data, gumamit ng mga aggregate query sa database. SQL query na may GROUP BY userId at SUM(revenue) ay mas mabilis kaysa sa pag-load ng lahat ng tala sa memorya. Pinapayagan ng Firebase BigQuery ang pagpapatupad ng naturang mga query sa multi-milyong dataset sa loob ng ilang segundo.
Ang paglago ng ARPPU — gawain ng mga product manager at marketer. Ang metriko ay itinataas sa tatlong pangunahing paraan: pagtaas ng presyo, pagtaas ng dalas ng pagbili, at paglikha ng mas mamahaling produkto. Bawat paraan ay may limitasyon at nangangailangan ng pagsubok.
Unang paraan — dynamic na pagpepresyo. Ang iba't ibang segment ay handang magbayad nang iba. Mga personalized na alok batay sa pag-uugali: ang user na bumili ng 3+ beses ng murang pampalakas ay mas malamang na bumili ng mahal. A/B testing ng presyo — ang tanging maaasahang paraan upang matukoy ang optimum: ang pagtaas ng presyo ng 10% na may pagbaba ng conversion na mas mababa sa 10% ay nagpapataas ng ARPPU.
Ikalawang paraan — subscription sa mga app na walang subscription. Ang pagdaragdag ng lingguhang subscription para sa premium na nilalaman ay nagpapataas ng ARPPU ng 20–40% nang hindi binabago ang presyo ng isang beses na pagbili. Auto-renewable subscriptions sa iOS ay bumubuo ng stable na kita at predictable na ARPPU para sa pagpaplano.
Ikatlong paraan — paglikha ng mga mekanika ng pambihira. Mga limitadong item, seasonal set, at battle pass ay nagpapataas ng average na halaga ng pagbili. Ayon sa data ng GameAnalytics (2025), ang mga app na may battle pass ay may ARPPU na 45% na mas mataas kaysa sa wala nito. Ang mekanika ay gumagana dahil sa epekto ng pagkakabit: ang user ay bumili ng battle pass at napipilitang maglaro nang mas aktibo, na gumagawa ng mga karagdagang pagbili.
Ang ARPPU ay maaaring mapanlinlang sa maling pag-interpret. Suriin natin ang mga karaniwang bitag. Pangunahing bitag — pagtaas ng ARPPU dahil sa pagbaba ng conversion. Kung ang ilang malalaking nagbabayad ay umalis at ang natitira ay pareho ang bayad — bababa ang ARPPU. Ngunit kung ang conversion ay bumaba at ang natitirang mga nagbabayad ay nagsimulang magbayad nang higit — tataas ang ARPPU, kahit na bumaba ang kabuuang kita.
Ikalawang bitag — paghahambing ng ARPPU ng iba't ibang produkto nang hindi isinasaalang-alang ang kanilang kapanahunan. Ang isang bagong app na may 10 nagbabayad na user ay may mataas na ARPPU dahil sa randomness. Pagkatapos ng isang taon na may isang libong nagbabayad, bababa ang ARPPU — ito ay normal. Ikumpara lamang ang ARPPU ng mga produkto sa parehong siklo ng buhay.
Ikatlong bitag — seasonality. Ang ARPPU ay tumataas sa Disyembre ng 30–50% dahil sa mga holiday discount at regalo. Ang paghahambing ng Nobyembre sa Disyembre ay hindi informative. Gumamit ng year-over-year (YoY) na paghahambing para sa tamang pagsusuri. Ang mga anomalya ng seasonality ay nagtatakip ng pagkasira ng produkto kung hindi isinasaalang-alang ang panahon.
Ikaapat na bitag — pagkalito ng ARPPU sa average na laki ng transaksyon (Average Transaction Size). Isinasaalang-alang ng ARPPU ang lahat ng pagbili ng isang user sa isang panahon, ang average na laki ng transaksyon — isang transaksyon lamang. Kung ang isang user ay nagsagawa ng 5 pagbili na tig-$1, ARPPU = $5, average na laki ng transaksyon = $1. Ito ay magkaibang metriko para sa iba't ibang gawaing analitikal.
Mga Madalas Itanong
ARPPU — kita mula sa nagbabayad na user sa loob ng isang panahon (maaaring may kasamang maraming pagbili). Ang average na laki ng transaksyon — halaga ng isang transaksyon. Ang ARPPU ay palaging mas malaki kaysa o katumbas ng average na laki ng transaksyon kung ang user ay nagsagawa ng higit sa isang pagbili sa panahon.
Suriin kung ang malalaking nagbabayad ay umalis, kung ang mga presyo ay bumaba, kung ang komposisyon ng mga premium na produkto ay nagbago. Suriin ang cohort ng mga bagong nagbabayad: posibleng dumating ang mga user na may mas mababang kakayahang magbayad.
Depende sa kategorya. Para sa mga casual game ang buwanang ARPPU na $5–10 ay normal. Para sa strategy — $20–40. Para sa mga subscription app — $8–15 bawat buwan. Ikumpara sa median ayon sa kategorya sa mga platform na Data.ai o Sensor Tower.
Ang mga iOS user ay gumagastos ng 2–3 beses na mas mataas kaysa Android. Sa pagsusuri ng ARPPU, laging i-segment ayon sa platform — ang average ng dalawang platform ay hindi sumasalamin sa realidad ng alinman sa kanila.
Ang pagtaas ng presyo ay maaaring magpababa ng conversion tungo sa nagbabayad. Kung ang pagtaas ng kita mula sa mga patuloy na bumibili ay mas mababa kaysa sa pagkawala mula sa mga umalis — ang ARPPU ay hindi tumataas, kundi bumababa. Ang A/B testing ay tumutulong sa paghahanap ng optimal na punto ng presyo.
Buod
Gagawa kami ng mobile application na turnkey
Gumagawa ang IT Sectr ng mga iOS at Android application para sa mga startup at negosyo mula noong 2017. Magpapayo kami sa iyo at magmumungkahi ng pinakamahusay na solusyon.
Basahin din