退款事件
退款事件数据图表展示了有多少购买和订阅发生了退款。Adapty 将每个退款事件关联到退款发起的日期，而非订阅开始的日期。
计算方式
Adapty 统计所选时间段内所有已退款的购买或订阅。每笔退款按实际发生日期计入，而非订阅开始日期。试用期的退款不计入统计，因为试用期本身不产生收入。
数据图表如何处理退款
不同的数据图表对退款的处理方式各不相同。同一笔退款事件，在某张图表中可能立即减少当期数值，在另一张图表中可能追溯修改历史数据，而在第三张图表中则完全不受影响。下表列出了各数据图表的处理规则。
| 数据图表 | 是否应用退款？ | 归因日期 | 是否可为负值？ | 备注 |
|---|---|---|---|---|
| 收入 | 是 | 退款日期——而非原始购买日期 | 是——当退款超过新收入时 | 收入 = 总交易额 − 退款。 |
| MRR | 是，追溯生效 | 订阅从其有效的所有周期中移除 | 否 | 退款发生后，历史周期数值可能下降。 |
| ARR | 是，追溯生效 | 同 MRR | 否 | 退款发生后，历史周期数值可能下降。 |
| ARPU | 是 | 退款日期 | 是（退款较多的周期） | 退款会从收入分子中扣除。 |
| ARPPU | 是，仅影响分子 | 退款日期 | 是（退款较多的周期） | 退款会从收入分子中扣除。被退款的用户仍计入付费用户分母，因此大量退款会导致 ARPPU 下降速度超出预期。 |
| 活跃订阅 | 是，追溯生效 | 订阅从计数中移除 | 否 | |
| 新增订阅 | 否 | — | 否 | 计数包含后续被退款的订阅。可与退款事件对比以了解净影响。 |
| 退款金额 / 退款事件 | 退款本身即为数据 | 退款日期 | 否（始终 ≥ 0） | |
| 留存率 | 否 | — | 否 | 被退款的用户仍计入留存曲线。这可能导致同期群的留存率高于活跃订阅或收入。 |
| 同期群收入 | 是，累计计算 | 退款日期 | 否（累计扣减不会使同期群收入降至零以下） | 退款发生时从同期群收入中扣除。 |
| 付费墙数据图表 / A/B 测试数据图表（计数） | 否 | — | 否 | 这些页面上的订阅者、付费订阅者及 ARPPU 计数不扣除退款。 |
| GCS / S3 导出 | 退款作为独立事件行 | event_datetime = 退款时间戳 | 聚合时净值列可为负 | 退款行携带 is_refund = true（S3/GCS）或事件类型 subscription_refunded（Webhooks）。 |
负值
在聚合视图中（Revenue 数据图表、导出的自定义分析），当某个时间段或分组内的退款金额超过同期新增收入时，该数据图表可能显示为负值。这不是 bug，而是按设计逻辑正常运算的结果。
举例来说：某个国家/地区在周二没有新的购买记录，但当天处理了一笔 100 美元的退款（对应此前的旧订单）。那么该国家/地区周二的收入就会显示为 −$100。
可用筛选条件与分组方式
主要文章：分析控件
- ✅ 筛选条件：归因、目标受众、退款原因、国家/地区、优惠类型、优惠 ID、优惠折扣类型、付费墙、A/B 测试、版位、时间段、市场细分、商店、产品和时长。
- ✅ 分组方式：退款原因、产品、国家/地区、商店、付费墙、目标受众、版位、时长、优惠类型、优惠折扣类型、优惠 ID、市场细分和归因。
相关数据图表
如需并排比较这些数据图表，请参阅数据图表对比表。