Optimize your monetization with App Analytics
App Store, Distribution & Marketing 高级 1m

用 App Analytics 优化变现策略

Optimize your monetization with App Analytics

2025年6月9日

在 Apple 官方观看视频

一句话判断

App Analytics 终于补上了付费用户转化漏斗和订阅留存的完整分析能力——如果你之前只能看 proceeds 和 downloads，现在能看清每个环节到底差在哪了。

这场 Session 讲了什么

主讲人 Max Martynov 用一个虚构的运动 app “Exercise” 演示了 App Analytics 的全面升级。这次更新的核心是把分析视角从”总量指标”推进到了”cohort 视角”——不是告诉你赚了多少钱，而是告诉你钱从哪来、用户什么时候开始花钱、花完之后留不留得住。

App Analytics 的新主页移到了 Apps tab 内部，靠近 app 管理工作流。Overview 页面按客户旅程组织，获取指标在上、下游指标在下。筛选能力翻倍——最多 7 个过滤器，每个过滤器支持多值选择。

Monetization section 新增了两个核心 cohort 指标：Download-to-Paid Conversion（用户多快开始付费）和 Average Proceeds per Download（每下载的累计收入）。两者都配有 peer group benchmark，直接显示你在同类 app 中的位置（25th、50th、75th percentile）。

Subscription section 提供了 50+ 个新指标，分为 state（某时刻的快照：有多少 plan 在 offer 期内、付费中、有账单问题、已流失）和 event（某天/周/月的状态迁移：激活、续期、降级、流失）。Net Paid Plans 图表可视化了 plan starts 和 churn 的对比。Subscription Retention cohort 显示不同时间维度的留存率。

Offers section 追踪 offer 的激活、转化到付费、以及留存表现。Cohorts 页面可以交叉分析 custom product page 来源与付费行为的关系——Session 中演示了一个关键发现：跑步用户的下载到付费转化率（1.3%）远低于平均（3%），但一旦订阅，留存率反而高于平均。

值得深挖的点

Cohort 分析 + Custom Product Page 过滤 = 归因利器

这场 Session 最有价值的洞察来自于 cohort 分析与 custom product page 过滤的交叉使用。

传统的 App Store 分析只能看到总量趋势——总收入涨了还是跌了，订阅数增了还是减了。但总量指标掩盖了结构性问题。Cohort 视角把用户按下载时间分组，追踪每组用户在下载后第 N 天的行为变化。这让你能回答”9 月下载的用户和 10 月下载的用户，谁更快开始付费？“这种时间维度的问题。

叠加 custom product page 过滤后，你能回答更关键的问题：“从跑步营销页来的用户和从骑行营销页来的用户，付费行为有什么不同？“Session 中的发现很有代表性：跑步用户的初始转化率低（1.3% vs 平均 3%），但订阅留存高。这意味着问题出在转化漏斗的顶部——营销页的承诺与实际体验不匹配，或者定价不适合跑步用户群体。

这个发现直接指向了可执行的优化方向：改善跑步 custom product page、调整跑步相关的定价策略、或者用 intro offer 降低跑步用户的转化门槛。Session 中展示的结果是，为跑步用户添加一个月免费试用后，offer 转化率达到 67%，显著提升了整体付费转化。

Trade-off：Cohort 数据需要一定的时间窗口才有意义（至少需要 30-90 天的数据积累），新 app 或新产品可能需要等待数据沉淀。另外，benchmark 数据是匿名的 peer group 对比，如果你的 app 属于非常细分的赛道，peer group 的参考价值可能有限。

Subscription State/Event 指标体系的设计逻辑

50+ 个新指标看起来吓人，但理解 state 和 event 的二分法后就清晰了。

State 指标是某时刻的快照：active plans、paid plans、plans in offer period、plans with billing issue、churned plans。这些是”现在有多少”的问题。

Event 指标是某时间段内发生的状态迁移：activations（新订阅）、renewals（续期）、voluntary churn（主动取消）、involuntary churn（扣费失败）、reactivations（重新订阅）。这些是”发生了什么变化”的问题。

两者的关系是：state 的变化由 event 驱动。比如今天有 100 个 paid plans（state），其中 5 个是新激活、3 个续期失败变为 billing issue（event）。Net Paid Plans 图表同时展示两者，一眼看出增长是靠新订阅拉动还是靠 churn 控制。

这种指标体系对决策的影响很实际：如果你的 paid plans 在增长，但 involuntary churn 也很高，说明你需要优化支付流程（如更新过期信用卡的提醒策略）。如果 voluntary churn 高，说明产品价值或定价有问题。

代码片段

（本 Session 为 App Analytics 仪表盘功能，不涉及代码。以下为 Analytics Reports API 的使用示例。）

1. 通过 Reports API 导出订阅状态报告

场景：定时拉取订阅状态数据到自有系统做离线分析。

curl -X GET "https://api.appstoreconnect.apple.com/v1/analyticsReports" \
  -H "Authorization: Bearer {YOUR_JWT}" \
  -d "filter[vendorNumber]={VENDOR_NUMBER}" \
  -d "filter[reportType]=SUBSCRIPTION_STATE"

坑：Reports API 使用 JWT 认证，token 有过期时间。长时间运行的分析任务需要处理 token 刷新逻辑。

2. 通过 Reports API 导出订阅事件报告

场景：追踪每日的订阅激活、续期、流失事件。

curl -X GET "https://api.appstoreconnect.apple.com/v1/analyticsReports" \
  -H "Authorization: Bearer {YOUR_JWT}" \
  -d "filter[reportType]=SUBSCRIPTION_EVENT" \
  -d "filter[frequency]=DAILY"

坑：新的订阅状态和事件报告将替代旧的 Sales and Trends 订阅报告。如果你的系统依赖旧报告格式，需要规划迁移。

最佳实践

  • 定期检查 Download-to-Paid Conversion 的 benchmark，如果低于 50th percentile，优先优化转化漏斗而不是拉新。
  • 用 custom product page 过滤 cohort 数据，识别不同获客渠道的用户价值差异，指导营销预算分配。
  • 关注 Subscription Retention 的 6 个月留存率，如果低于 peer group，考虑引入 intro offer 或改善 onboarding。
  • 对每个 offer 单独追踪转化率和留存率，确认 offer 吸引的是高价值用户而不是薅羊毛用户。
  • 通过 Reports API 将订阅状态和事件数据导入自有 BI 系统，与 app 内行为数据关联分析。
  • 更新 offer 或 custom product page 后，等待至少 30 天再评估 cohort 数据，避免过早结论。

还有什么值得关注

  • App Analytics 现在支持最多 7 个过滤器的多值组合分析，可以回答非常精细的归因问题。
  • Metric Recommendations 功能将你的 launch time 与同类 app 对比，给出优化目标值——目前仅支持 launch time，后续会扩展到更多指标。
  • 所有 cohort 指标都支持按 territory 过滤，适合分析不同地区的变现策略效果差异。
App Store, Distribution & Marketing