ARPPU：是什么、计算公式及指标

什么是ARPPU？

ARPPU（Average Revenue Per Paying User）——只考虑付费用户的变现指标。该指标回答的问题是：决定购买的用户平均花费多少。ARPPU将所有不付费的用户排除在计算之外——在大多数移动应用中，这占受众的90-97%。

该指标对于分析高端用户群体不可或缺。如果ARPU下降，可能既是因为付费用户收入下降，也是因为大量免费用户涌入。ARPPU隔离了这种效应：如果ARPPU稳定，高端用户群体照常付费，问题在于流量的数量或质量。

根据Sensor Tower（2025）的数据，移动游戏中的平均ARPPU为每90天12.50美元。在策略类（Strategy）中，该值达到28美元，在超休闲类（Hypercasual）中为1.50美元。游戏越复杂，付费用户的参与度和平均消费金额就越高。在工具类应用中，由于没有订阅的一次性购买，ARPPU较低。

ARPPU如何计算

ARPPU的公式仅在分母上与ARPU不同。不是考虑所有用户，而是只考虑付费用户——即在此期间至少完成一笔交易的用户。付费用户在标识符级别（User ID、Advertising ID）确定，并与平台（iOS / Android）关联。

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
)

PayingUserMetrics类封装了ARPPU的逻辑。arppu属性在访问时计算——这保证了数据的时效性。PurchaseEvent记录每次购买。为了正确计算，需要对用户进行去重：即使一个人进行了10次购买，在分母中也只计算一次。

购买频率与ARPPU

ARPPU既可以因为平均消费金额的增加而增长，也可以因为购买频率的增加而增长。确定驱动因素是分析师的关键任务。如果平均消费金额增加——原因是价格变化或出现昂贵的产品。如果频率增加——重复购买的机制得到改善。

ARPPU与ARPU的区别

主要区别——分母。ARPU将收入除以所有用户，ARPPU——只除以付费用户。指标之间的差距反映了免费转付费（F2P）的转化率。差距越大，付费用户越少，但他们对业务的价值越高。

考虑一个假设的应用。收入50,000美元，用户500,000，付费用户——10,000。ARPU = 0.10美元，ARPPU = 5美元。50倍的差距表明转化率为2%。如果ARPPU在ARPU稳定的情况下开始下降——意味着付费用户开始支付更少。如果ARPU下降速度快于ARPPU——应用吸引了许多非付费用户。

根据Adjust（2025）的数据，移动游戏的ARPU与ARPPU健康比例在1:5到1:15之间。对于订阅应用，比例更接近——从1:3到1:6，因为订阅模式意味着免费用户转化为付费用户的转化率更高。

何时看ARPU，何时看ARPPU

指标的选择取决于任务。要评估整体变现效率，请使用ARPU。要分析高端产品和定价——使用ARPPU。在A/B测试新购买时，ARPPU将显示付费用户的价值是否发生变化，而ARPU将显示这如何影响总收入。

影响ARPPU的因素

ARPPU对产品和营销的变化敏感。让我们看看决定指标值的关键因素。了解这些因素可以预测ARPPU对变化的反应，并避免解读错误。

定价架构

可用产品系列及其价格——ARPPU的主要驱动因素。昂贵套餐的存在（50-100美元）会提高平均消费金额，即使大多数人购买便宜的产品。Apple（2025）推荐三个层级：基础（1-5美元）、中等（10-30美元）和高端（50+美元）——这最大程度地覆盖了不同细分市场的需求。

在订阅应用中，ARPPU由订阅费用决定。享受30-50%折扣的年度订阅比月度订阅提高ARPPU 6-8倍，尽管年度订阅的转化率较低。RevenueCat（2025）显示：年度订阅用户的ARPPU为60-120美元，而月度订阅用户为8-15美元。

地区和平台

ARPPU因国家和平台而异。iOS用户平均花费比Android用户多2-3倍。原因不仅是收入，还有购买心理：iPhone用户习惯为内容付费。Statista（2025）显示：美国iOS上的ARPPU为18美元，Android上为90天期间7美元。

ARPPU的地理细分有助于调整价格。在日本用户花费比美国多1.5倍，而Games类别中的ARPPU高出30%（Data.ai，2025）。差异与移动游戏文化和gacha机制的广泛普及有关。

购买类型

ARPPU根据用户进行的购买类型而有所不同。非消耗品（Non-consumable）（关闭广告、高级访问权限）提供一次性高ARPPU。消耗品（Consumable）（金币、生命、增强道具）——定期小额支出。订阅（Subscription）——稳定的ARPPU，随着订阅价格上涨而逐步增长。

如何在实际中计算ARPPU

ARPPU的自动计算嵌入到应用的分析系统中。让我们看看用Kotlin按天分组的实现。服务器端从In-App Purchase SDK收集购买事件并将其聚合到报告中。本地计算有助于验证分析平台的数据。

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
        )
    }
}

distinct方法确保用户在分母中只计算一次，即使他进行了50次购买。sumOf汇总所有收入。函数返回月度ARPPU。类似地计算每周和每日ARPPU——只需更改过滤周期。

为了加速大数据集上的计算，请在数据库中使用聚合查询。带有GROUP BY userId和SUM(revenue)的SQL查询比将所有记录加载到内存中更快。Firebase BigQuery允许在数百万数据集上在几秒钟内执行此类查询。

提高ARPPU的策略

提高ARPPU——产品经理和市场营销人员的任务。该指标通过三种主要方式提高：提高价格、增加购买频率和创建更昂贵的产品。每种方式都有局限性，需要测试。

第一种方式——动态定价。不同细分市场愿意支付不同的价格。基于行为的个性化优惠：购买了3次以上便宜增强道具的用户更有可能购买昂贵的。A/B测试价格——确定最优价格的唯一可靠方法：价格提高10%而转化率下降不到10%时，ARPPU会增加。

第二种方式——在没有订阅的应用中添加订阅。为高级内容添加每周订阅可提高ARPPU 20-40%，而不改变一次性购买的价格。iOS上的自动续订订阅（Auto-renewable subscriptions）产生稳定的收入和可预测的ARPPU，便于规划。

第三种方式——创建稀有度机制。限定物品、季节性套装和战斗通行证可提高平均消费金额。根据GameAnalytics（2025）的数据，具有战斗通行证的应用的ARPPU比没有的高45%。该机制通过依赖效应发挥作用：用户购买了战斗通行证，不得不更积极地玩游戏并进行额外购买。

解读ARPPU的陷阱

ARPPU在错误解读时可能具有误导性。让我们看看常见的陷阱。主要陷阱——ARPPU以转化率下降为代价的增长。如果几个大额付费用户离开了，而其余用户支付相同金额——ARPPU将下降。但如果转化率下降，而剩余的付费用户开始支付更多——ARPPU将上升，尽管总收入下降了。

第二个陷阱——在未考虑产品成熟度的情况下比较不同产品的ARPPU。一个只有10个付费用户的新应用由于随机性具有高ARPPU。一年后有一千个付费用户时，ARPPU会下降——这是正常的。只比较处于相同生命周期中的产品的ARPPU。

第三个陷阱——季节性。ARPPU在12月因假日折扣和礼物而增长30-50%。比较11月和12月没有参考意义。使用同比（YoY）比较进行正确评估。季节性异常如果不考虑时期，会掩盖产品的恶化。

第四个陷阱——将ARPPU与平均交易规模（Average Transaction Size）混淆。ARPPU考虑一个用户在一段时期内的所有购买，而平均交易规模只考虑一次交易。如果用户进行了5次购买，每次1美元，ARPPU = 5美元，平均交易规模 = 1美元。这是不同的指标，用于不同的分析任务。