抽样之前，先看看你的筛选定位到了谁。受众洞察面板可以按列表的任意字段、购买记录或互动程度细分受众，并为缺少值的联系人单列一行。在这里花一分钟，就能发现那些否则会让测试失衡的杂乱值和空缺。
这是三部分系列的第 2 部分。第 1 部分构建了筛选。这一部分解读它定位到的受众，第 3 部分把受众保存下来以便复用。
示例以虚构的复古服装店 Retro Revival 为例，数字均为虚构。
面板在哪里
打开实验的受众与样本步骤。受众洞察位于筛选条件旁边。它显示经过资格检查后、筛选此刻定位到的人，因此描述的就是已定位人数里的那些联系人。修改筛选，面板也会跟着更新。
在细分依据中选择要看的内容：
- 列表字段：联系人列表中的任意一列，例如
customer_type或genre。 - 基于活动：购买记录，来自 MailInApp 和你连接的店铺所记录的购买；以及互动分数，按从“低于 1”到“20 及以上”的区间划分。
每个值都显示有多少已定位联系人拥有它，以及所占比例。最常见的 12 个值会逐一列出，其余的合并计数。没有值的联系人单独一行，显示为无值，互动分数则显示为无活动记录。列表非常大时，面板可能只细分其中一部分样本，并会注明。
Retro Revival 的构成
Retro Revival 的筛选定位到 6,420 位订阅者。按 customer_type 细分：
| customer_type | 联系人 | 占比 |
|---|---|---|
| prospect | 3,981 | 62% |
| customer | 2,311 | 36% |
| 无值 | 128 | 2% |
客户约占受众的三分之一。客户和潜在客户的购买率差别很大，如果某个变体碰巧分到更多客户，它可能是因为人员构成而胜出，而不是因为奖励更好。均衡随机样本正是为避免这一点：它在每个值内分别抽样，让两个变体拿到相同的构成。
已定位的联系人
- 客户
- 潜在客户
每个点代表 80 位联系人。
| 变体 | 客户 | 潜在客户 | 无客户类型 |
|---|---|---|---|
| 变体 A · 10% 折扣 | 720 | 1,240 | 40 |
| 变体 B · 免运费 | 720 | 1,240 | 40 |
| 变体 | 客户 | 潜在客户 |
|---|---|---|
| 变体 A · 10% 折扣 | 11 | 14 |
| 变体 B · 免运费 | 7 | 18 |
抽样前要检查什么
本应是同一个值的值。 筛选不区分大小写，但细分和均衡抽样会区分。“Customer”和“customer”会显示为两行，并成为两个组。如果看到近似重复的值，先在列表中改正。
“无值”这一行的大小。 Retro Revival 没有 customer_type 的 128 位联系人占受众的 2%。均衡样本会把他们当作单独一组并平均分配，这个规模没有问题。如果三分之一的受众都没有值，请先补全这一列再按它均衡，或者改用其他字段均衡。
太小的组。 只有寥寥几位联系人的值，对均衡帮助不大，单独看也说明不了什么。如果某个字段有很多罕见值，就把它们合并成一个更宽泛的值，例如“other”。
谁真正活跃。 互动分数视图显示受众中有多少人最近与你有过互动。如果无活动记录占比很高，实际比率会比历史数据显示的更低，所以在相信规划给出的样本量之前，先检查它的基线。
它不是什么。 面板只描述受众。它不做任何比较，其中的占比也不能预测结果。
然后选择样本
在样本中选择均衡随机样本，并把均衡依据设为你检查过的字段。Pro 及以上套餐包含均衡抽样。在其他套餐中，随机样本同样会随机分配变体，有几千位联系人时，构成通常也会比较接近。
Retro Revival 按 customer_type 均衡，抽取了 4,000 位联系人：1,440 位客户、2,480 位潜在客户和 80 位无值联系人，平均分到两个变体中。
开始使用
在草稿实验的受众与样本步骤中打开受众洞察，按你打算用于均衡的字段细分受众。在列表中修正重复的值和大的空缺，然后选择均衡随机样本。要在其他发送和测试中复用这些受众，请阅读第 3 部分。