Já se perguntou como funcionam os vídeos sugeridos do YouTube? Um vídeo de pesquisa do Google lança luz sobre como ele usa o aprendizado profundo para gerar e classificar os vídeos sugeridos. E nesse artigo mostramos uma análise dessas informações para você.

Até recentemente, a única resposta que consegui encontrar veio de um vídeo no canal YouTube Creators intitulado Como funcionam os vídeos sugeridos do YouTube (em inglês)

Como a descrição de 300 palavras do vídeo explica:

“Vídeos sugeridos são uma coleção personalizada de vídeos que um espectador individual pode estar interessado em assistir a seguir, com base em atividades anteriores.”

Não há como os criadores de conteúdo influenciarem o comportamento anterior de um espectador, mas isso também significa que um canal de esportes pode atrair fãs de esportes.

“Eles são exibidos aos espectadores no lado direito da página de exibição em ‘Próximo’, abaixo do vídeo no aplicativo móvel e como o próximo vídeo em reprodução automática.”

Mais de 70% do tempo de exibição do YouTube vem de dispositivos móveis, então você precisa de uma estratégia que priorize os dispositivos móveis para os vídeos sugeridos.

“Estudos sobre o consumo do YouTube mostraram que os espectadores tendem a assistir muito mais quando recebem recomendações de uma variedade de canais, e os vídeos sugeridos fazem exatamente isso. Os vídeos sugeridos são classificados para maximizar o envolvimento do espectador. ”

Portanto, otimizar seus metadados ainda ajuda, mas você também precisa criar uma abertura atraente para seus vídeos, manter e construir interesse ao longo do vídeo, bem como envolver seu público, incentivando comentários e interagindo com seus espectadores como parte de seu conteúdo.

De acordo com a descrição, os vídeos sugeridos têm mais probabilidade de ser:

• “Vídeos… que são tópicos relacionados. Eles podem ser vídeos do mesmo canal ou de um canal diferente. ” Em outras palavras, vídeos de esportes para fãs de esportes de seu canal ou de um canal de esportes diferente.
• “Vídeos do histórico de exibição anterior de um espectador.” A menos que você tenha uma máquina do tempo DeLorean, não há como influenciar o histórico de exibição anterior de um espectador.

A descrição do vídeo também diz aos criadores:

“Você pode ver quais vídeos trazem espectadores para o seu canal a partir dos Vídeos sugeridos no relatório Origens de tráfego (no YouTube Analytics) clicando na caixa ‘Vídeos sugeridos’.”

Sim, sim. Mas a grande maioria se os criadores do YouTube já sabem disso?

Por fim, a descrição inclui as seguintes dicas para criadores:

• Inclua frases de chamariz fortes em seus vídeos para assistir a outro vídeo de sua série.
• Persuadir os espectadores por que eles deveriam assistir a outro vídeo de sua série.
• Esteja ciente de como seus vídeos terminam, pois finais longos podem desencorajar os espectadores de assistir a mais vídeos.
• Use playlists, links, cartões e telas finais para sugerir o próximo vídeo para assistir.
• Desenvolva uma série de vídeos que são conectados organicamente.
• Faça vídeos relacionados a formatos populares no YouTube, como desafios ou listas.

Agora, este vídeo tem 550.000 visualizações.

Portanto, é seguro presumir que várias centenas de milhares de graduados do que antes era conhecido como Escola de Criadores de Conteúdo do YouTube sabem pelo menos isso sobre como funcionam os vídeos sugeridos do YouTube.

Portanto, isso não lhe dará muita vantagem competitiva.

No entanto, há informações mais detalhadas disponíveis – embora estivessem escondidas com segurança até que uma fonte anônima, que pode ou não ser um Bothan, me enviou um link para onde eu pudesse encontrá-las.

O link me levou a um artigo que havia sido publicado em 15 de setembro de 2016 e agora está arquivado no Google Research.

Este antigo artigo de pesquisa foi escrito por Paul Covington, Jay Adams e Emre Sargin do Google. Chama-se “ Deep Neural Networks for YouTube Recommendations ”.

Como os sistemas de recomendação do YouTube geram e classificam os vídeos sugeridos?

Há um antigo artigo de pesquisa, escrito por Paul Covington, Jay Adams e Emre Sargin do Google. Chama-se “ Deep Neural Networks for YouTube Recommendations ”. Se você está procurando uma vantagem competitiva séria, baixe o PDF e leia este documento de pesquisa por conta própria (em inglês).

Mas vamos incluir os pontos mais importantes desse artigo aqui para vocês.

O artigo deles diz:

“A rede de geração de candidatos a serem sugeridos pega eventos do histórico de atividades do usuário no YouTube como entrada e recupera um pequeno subconjunto (centenas) de vídeos de um grande corpo. Esses candidatos devem ser geralmente relevantes para o usuário com alta precisão. ”

Agora, não podemos otimizar nossos vídeos para o histórico de exibição anterior do espectador – a menos que tenhamos uma máquina do tempo.

Mas podemos criar vídeos direcionados a públicos que o YouTube também usa para direcionar campanhas de anúncios em vídeo.

Em outras palavras, seu vídeo não terminará em um pequeno subconjunto (centenas) de vídeos se for sobre um tópico totalmente diferente de outros vídeos em seu canal ou se for direcionado a um grupo demográfico totalmente diferente do que você tinha no passado.

Ah, e nem pense em criar um novo vídeo direcionado a “fãs de música” se todos os outros vídeos que os assinantes de seu canal assistiram fossem direcionados a “fãs de esportes”.

Como Greg Jarboe comentou em seu artigo: Tendências de plataforma: como a verticalização do conteúdo aumenta o alcance no YouTube e no Facebook , publicado na Tubular Insight em setembro de 2018, meia dúzia de editores pioneiros no digital reconhecem que já estão buscando uma estratégia vertical.

Aqui está a pergunta retórica que ele faz naquele artigo:

“Então, por que todos esses editores segmentariam suas propriedades em vários setores, em vez de apenas colocar uma ampla gama de conteúdo em gigantescos canais horizontais do YouTube? Porque em um ecossistema de vídeo on-line cada vez mais competitivo, você tem mais probabilidade de envolver o público com conteúdo estritamente direcionado a seus interesses especiais do que com uma coleção aleatória de conteúdo que pode ou não agradar a seus interesses gerais. Em outras palavras, é mais inteligente ir fundo do que longe. ”

Isso nos leva à segunda rede neural para classificação.

Covington, Adams e Sargin reconhecem que existem muitas maneiras de classificar os vídeos sugeridos. Mas eles divulgam:

“A classificação por taxa de cliques (CTR) geralmente promove vídeos enganosos que o usuário não conclui (‘clickbait’), enquanto o tempo de exibição captura melhor o envolvimento.”

Portanto, evite usar títulos e miniaturas enganosos, indutores de cliques ou sensacionais.

Sim, eles funcionaram no passado.

Mas, eles seguiram o caminho do dodô (uma ave que foi extinta) uma vez que o YouTube substituiu “visualizações” por “tempo de exibição” em seu algoritmo em outubro de 2012.

Ok, então a segunda rede neural não usa CTR como um sinal. Que outros sinais ele usa?

Os autores do artigo observam que “os sinais mais importantes” incluem:

• Qual foi a interação anterior do usuário com o próprio vídeo e outros vídeos semelhantes?
• Quantos vídeos o usuário assistiu neste canal?
• Quando foi a última vez que o usuário assistiu a um vídeo sobre este tópico?

Covington, Adams e Sargin dizem:

“Esses recursos contínuos que descrevem ações anteriores do usuário em itens relacionados são particularmente poderosos porque eles generalizam bem em itens díspares. Também descobrimos que é crucial propagar informações da geração de candidatos para a classificação na forma de recursos, por exemplo, quais fontes indicaram este candidato a vídeo? Quais pontuações eles atribuíram? ”

Eles acrescentam:

“Recursos que descrevem a frequência de impressões de vídeo anteriores também são essenciais para a introdução de ‘churn’ nas recomendações (solicitações sucessivas não retornam listas idênticas). Se um usuário recomendou um vídeo recentemente, mas não o assistiu, o modelo irá naturalmente rebaixar essa impressão no próximo carregamento de página. Fornecer impressões atualizadas e assistir à história é um feito de engenharia fora do escopo deste artigo, mas é vital para a produção de recomendações responsivas ”.

Covington, Adams e Sargin divulgam:

“Nosso objetivo é prever o tempo de exibição esperado com exemplos de treinamento que são positivos (a impressão do vídeo foi clicada) ou negativos (a impressão não foi clicada). Os exemplos positivos são anotados com a quantidade de tempo que o usuário passou assistindo o vídeo. Para prever o tempo de exibição esperado, usamos a técnica de regressão logística ponderada, que foi desenvolvida para esse fim ”.

Em outras palavras, se você deseja otimizar seu vídeo para os sistemas de recomendação do YouTube, precisa ajudar os espectadores a encontrar os vídeos que desejam assistir e maximizar seu envolvimento e satisfação de longo prazo.

Isso é difícil.

Mas, com mais de 500 horas de conteúdo de vídeo sendo carregado no YouTube a cada minuto, isso é o que você precisa fazer atualmente.

O que isso significa para você?

Significa que você não pode ficar produzindo conteúdos aleatórios, sem um foco de assunto.
Por mais que queira, produzir um conteúdo muito variado, falando “de tudo um pouco”, principalmente se você está num ponto em que precisa muito otimizar as visualizações de seu canal, pode ser uma péssima ideia.

Se você quer ajuda profissional para seu canal, conheça nossos pacotes! CLIQUE AQUI para dar uma olhada.

Com informações do site: https://www.searchenginejournal.com