Sitemap

V roce 2008 jsem byl jedním z prvních autorů v oboru, kteří si všimli, že YouTube překonal Yahoo!stát se druhým největším vyhledávačem na světě, za jediným Googlem.

Tehdy jsem psal pro Search Engine Watch a můj článek byl nazván, Prošel YouTube Yahoo v rozšířeném vyhledávání?

(Upozornění na spoiler: Odpověď na řečnickou otázku v titulku byla: „Ano.“)

Dnes se chci zeptat na související otázku: „Chystá se YouTube překonat Amazon jako největší škálovaný a nejsofistikovanější systém průmyslových doporučení, jaký existuje?

Tato otázka není řečnická – protože neznám odpověď.

Ale vím, že navrhovaná videa jsou multiplikátorem síly pro vyhledávací algoritmus YouTube, kterému budete chtít porozumět.

Trochu jsem to naznačil minulý rok v článku vyhledávače Journal, Algoritmus YouTube: 7 klíčových zjištění, která musíte znát.

Řekl jsem: „Abyste maximalizovali svou přítomnost ve vyhledávání na YouTube a navrhovaných videích, musíte se ujistit, že jsou vaše metadata dobře optimalizovaná. To zahrnuje název, popis a štítky vašeho videa.“

Nyní se omlouvám, protože jsem poté vysvětlil, jak optimalizovat název, popis a štítky vašeho videa.

Úplně jsem přešel přes frázi „vaše přítomnost ve vyhledávání na YouTube a navrhovaných videích“.Ale dovolte mi, abych toto nedopatření hned napravil.

Většina SEO se zaměřuje na výsledky vyhledávání – protože na tom Google záleží.

Většina marketérů YouTube však ví, že zobrazení v navrhovaných videích může vygenerovat téměř tolik zhlédnutí, jako když se objeví ve výsledcích vyhledávání na YouTube.

Proč?

Protože diváci mají tendenci sledovat více videí během relací, které v průměru trvají asi 40 minut.

Divák tedy může provést jedno vyhledávání, zhlédnout video a poté přejít ke sledování navrhovaného videa.

Jinými slovy, pro každé vyhledávání provedené na YouTube se vám mohou zobrazit dvě nebo více videí.

To dělá z navrhovaných videí multiplikátor síly pro vyhledávací algoritmus YouTube.

S ostychem se přiznám, že jsem tohoto fenoménu využil už v roce 2008.

Jedním z našich tehdejších klientů byl STACK Media, přední národní výrobce a distributor sportovního obsahu, tréninku a životního stylu pro středoškolské sportovce.

Optimalizovali jsme 137 videí pro kanály STACKVids, STACK Football, STACK Baseball a Stack Basketball na YouTube, které představovaly odborné tipy na sportovní cvičení a vnitřní příběhy od některých předních světových sportovců.

Měli jsme například video, které představovalo Willa Bartholomewa, který mluvil o cvičení s činkami na lavičce, které Peyton Manning používal mimo sezónu.

Jaká klíčová slova jsme použili v názvu?

Když se podíváte na název videa, odpověď je docela zřejmá: Peyton Manning Workout.

A popis videa nenechá nikoho na pochybách o hledaných výrazech, na které jsme cílili:

„Peyton Manning trénuje na D1 mimo sezónu. Podívejte se na Manningův úplný trénink (s odkazem na sledování na související článek na webu STACK).

Ale jaké značky jsme použili?

No, tehdy YouTube stále ukazoval, jaké tagy video používá.

To už neplatí.Sdílel jsem však tuto případovou studii na SES San Jose 2008, takže jsem od svého klienta dostal povolení prozradit, že jsme použili následující značky:

  • "Peyton Manning"
  • “Cvičení Peyton Manning”
  • “trénink čtvrtfinále”
  • “trénink rozehrávače”
  • "Trénink Peyton Manning"
  • "bench press"
  • "Querback Bench press"
  • „bench press s činkami“
  • “Cvičení pro muže”

Jak jsme přišli na tyto značky?

Podívali jsme se na tehdejší video s nejvyšším hodnocením pro výraz „cvičení Peyton Manning“ a pak jsme použili tolik značek, kolik jsme mohli, které byly také relevantní pro naše video.

Tímto způsobem jsme zvýšili naše šance na to, že se staneme nejlépe navrženým videem poté, co někdo zhlédl toto nejlépe hodnocené video.

V dnešní době je těžké najít video, které bylo v roce 2008 pro tento výraz nejvýše hodnoceno.

Ale stojí za zmínku, že STACKovo video je v současné době na 1. místě za „trénink Peyton Manning“, na 1. místě za „trénink Manning“ a na 5. místě za „trénink Peyton Manning“.

Jak YouTube dnes objevuje a hodnotí navrhovaná videa?

Takto fungovala navrhovaná videa, když uživatelé každou minutu nahrávali 13 hodin videoobsahu na YouTube.

Jak tedy YouTube objevuje a hodnotí navrhovaná videa nyní, když je na YouTube každou minutu nahráno více než 500 hodin videoobsahu?

Až donedávna jediná odpověď, kterou jsem mohl najít, pocházela z videa na kanálu YouTube Creators s názvem Jak fungují navrhovaná videa YouTube.

Jak vysvětluje 300slovný popis videa:

„Navrhovaná videa jsou personalizovanou sbírkou videí, která by jednotlivý divák mohl zajímat jako další na základě předchozí aktivity.“

Tvůrci nemohou nijak ovlivnit předchozí chování diváka, ale to také znamená, že sportovní kanál může oslovit sportovní fanoušky.

„Divákům se zobrazují na pravé straně stránky sledování v části Další, pod videem v mobilní aplikaci a jako další video v automatickém přehrávání.“

Více než 70 % celkové doby sledování na YouTube pochází z mobilních zařízení, takže pro navrhovaná videa potřebujete strategii zaměřenou na mobily.

„Studie spotřeby na YouTube ukázaly, že diváci mají tendenci sledovat mnohem více, když dostanou doporučení z různých kanálů, a navrhovaná videa přesně to dělají. Doporučená videa jsou řazena tak, aby maximalizovala zapojení diváka.“

Optimalizace vašich metadat tedy stále pomáhá, ale musíte také vytvořit přesvědčivé otevření svých videí, udržovat a budovat zájem v celém videu a také zaujmout publikum povzbuzováním komentářů a interakcí s diváky jako součást vašeho obsahu.

Podle popisu jsou navrhovaná videa pravděpodobnější:

  • „Videa…, která jsou tematicky související. Mohou to být videa ze stejného kanálu nebo z jiného kanálu.“Jinými slovy, sportovní videa pro sportovní fanoušky buď z vašeho kanálu, nebo z jiného sportovního kanálu.
  • „Videa z minulosti sledování diváka.“Pokud nemáte stroj času DeLorean, nemůžete nijak ovlivnit minulou historii sledování diváka.

Popis videa také říká tvůrcům:

„Která videa přivádějí diváky na váš kanál, můžete v části Doporučená videa vidět v přehledu Zdroje návštěvnosti (v YouTube Analytics) kliknutím na pole „Navrhovaná videa“.

Um, ano.Ale neví to drtivá většina, pokud to už tvůrci YouTube vědí?

Nakonec popis obsahuje následující tipy pro tvůrce:

  • Zahrňte do svých videí silné výzvy k akci a podívejte se na další video ze série.
  • Přesvědčte diváky, proč by se měli jít podívat na další video z vašeho seriálu.
  • Dávejte pozor na to, jak vaše videa končí, protože dlouhé konce mohou diváky odradit od sledování dalších videí.
  • Pomocí seznamů videí, odkazů, karet a závěrečných obrazovek navrhněte další video ke shlédnutí.
  • Vytvořte sérii videí, která jsou organicky propojená.
  • Vytvářejte videa související s oblíbenými formáty na YouTube, jako jsou výzvy nebo seznamy.

Nyní má toto video 394 000 zhlédnutí.

Dá se tedy s jistotou předpokládat, že několik set tisíc absolventů toho, co bylo dříve známé jako Akademie pro autory YouTube, ví alespoň tolik o tom, jak fungují navrhovaná videa YouTube.

Takže vám to moc konkurenční výhody nepřinese.

K dispozici jsou však podrobnější informace – i když byly bezpečně skryty na očích, dokud mi anonymní zdroj, který může, ale nemusí být Bothan, neposlal odkaz, kde bych je mohl najít.

Odkaz mě zavedl na článek, který byl zveřejněn 15. září 2016 a je nyní archivován ve výzkumu Google.

Tento starý výzkumný článek napsali Paul Covington, Jay Adams a Emre Sargin z Google.Nese název „Hluboké neuronové sítě pro doporučení YouTube“.

Jak systémy doporučení YouTube generují a hodnotí navrhovaná videa?

Pokud hledáte seriózní konkurenční výhodu, pak si budete chtít stáhnout PDF a přečíst si tento výzkumný dokument.

Pokud se však potřebujete přesvědčit, že čtení 8stránkového akademického dokumentu, který je starší než tři a půl roku, stojí za váš čas a pozornost, pak dovolte, abychom se podělili o některé z nejdůležitějších, které jsem našel v „ Hluboké neuronové sítě pro doporučení YouTube.“

Pro začátek Covington, Adams a Sargin odhalují, že masivní systém doporučení YouTube se skládá ze „dvou neuronových sítí: jedné pro generování kandidátů a jedné pro hodnocení“.

to je důležité.

Nebo, jak Mon Mothma (Caroline Blakiston) slavnostně říká ve Star Wars: Epizoda VI – Návrat Jediho (1983), „Mnoho Bothanů zemřelo, aby nám přinesli tyto informace.“

Jejich papír říká:

„Síť pro generování kandidátů bere události z historie aktivity uživatele na YouTube jako vstup a získává malou podmnožinu (stovky) videí z velkého korpusu. Tito kandidáti mají být obecně relevantní pro uživatele s vysokou přesností.“

Nyní nemůžeme optimalizovat naše videa pro divákovu minulou historii sledování – pokud nemáme stroj času.

Můžeme však vytvářet videa zacílená na publikum, které YouTube používá také k cílení kampaní s videoreklamami.

Jinými slovy, vaše video neskončí v malé podmnožině (stovkách) videí, pokud se týká úplně jiného tématu než ostatní videa na vašem kanálu nebo pokud cílí na úplně jinou demografickou skupinu, než jste měli v minulosti.

Jo a ani nepřemýšlejte o vytvoření nového videa cíleného na „hudební fanoušky“, pokud všechna ostatní videa, která odběratelé vašeho kanálu sledovali, byla zaměřena na „sportovní fanoušky“.

Jak jsem poukázal v článku nazvaném Trendy platformy: Jak vertikalizace obsahu zvyšuje dosah na YouTube a Facebooku, který byl zveřejněn na Tubular Insight v září 2018, půl tuctu vydavatelů, kteří jsou na prvním místě v digitální podobě, již uplatňuje vertikální strategii.

Patří sem: Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group a 9GAG.

Zde je řečnická otázka, kterou jsem položil v tomto článku:

„Proč by tedy všichni tito vydavatelé rozdělovali své vlastnosti do několika vertikál, místo aby jen cpali širokou škálu obsahu do obřích horizontálních… kanálů YouTube? Protože v rostoucím konkurenčním online video ekosystému je pravděpodobnější, že oslovíte publikum obsahem, který je úzce zaměřen na jejich speciální zájmy, než náhodnou sbírkou obsahu, který může, ale nemusí oslovit jejich obecné zájmy. Jinými slovy, je chytřejší jít do hloubky, než jít do šířky.“

Tím se dostáváme k druhé neuronové síti pro hodnocení.

Covington, Adams a Sargin uznávají, že existuje mnoho způsobů, jak navrhovaná videa seřadit.Ale prozrazují:

„Pořadí podle míry prokliku (CTR) často podporuje klamavá videa, která uživatel nedokončí („clickbait“), zatímco doba sledování lépe vystihuje zapojení.“

Vyvarujte se tedy používání zavádějících, clickbaitních nebo senzačních titulků a miniatur.

Ano, v minulosti fungovali.

Když však YouTube v říjnu 2012 ve svém algoritmu nahradil „zhlédnutí“ „celkovou dobou sledování“, šli cestou dodo.

Dobře, takže druhá neuronová síť nepoužívá CTR jako signál.Jaké další signály používá?

Autoři článku poznamenávají, že „nejdůležitější signály“ zahrnují:

  • Jaká byla předchozí interakce uživatele se samotným videem a dalšími podobnými videi?
  • Kolik videí uživatel zhlédl z tohoto kanálu?
  • Kdy naposledy uživatel sledoval video na toto téma?

Covington, Adams a Sargin říkají:

„Tyto kontinuální funkce popisující minulé akce uživatelů na souvisejících položkách jsou obzvláště účinné, protože se dobře zobecňují napříč různorodými položkami. Zjistili jsme také, že je klíčové šířit informace z generace kandidátů do hodnocení ve formě funkcí, např. které zdroje nominovaly tohoto kandidáta na video? Jaké skóre přidělili?"

Dodávají:

„Funkce popisující četnost minulých zobrazení videa jsou také důležité pro zavedení „churn“ v doporučeních (po sobě jdoucí žádosti nevracejí stejné seznamy). Pokud bylo uživateli nedávno doporučeno video, ale nesledoval ho, model toto zobrazení přirozeně sníží při dalším načtení stránky. Poskytování aktuálního dojmu a historie sledování je samo o sobě inženýrský výkon mimo rámec tohoto dokumentu, ale je zásadní pro vytváření citlivých doporučení.“

Covington, Adams a Sargin prozradili:

„Naším cílem je předpovědět očekávanou dobu sledování na základě příkladů školení, které jsou buď pozitivní (na zobrazení videa bylo kliknuto) nebo negativní (na zobrazení nebylo kliknuto). Pozitivní příklady jsou označeny množstvím času, který uživatel strávil sledováním videa. K predikci očekávané doby sledování používáme techniku ​​vážené logistické regrese, která byla pro tento účel vyvinuta.“

Jinými slovy, pokud chcete optimalizovat své video pro systémy doporučení YouTube, musíte divákům pomoci najít videa, která chtějí sledovat, a poté maximalizovat jejich dlouhodobé zapojení a spokojenost.

To je těžké.

Ale s více než 500 hodinami videoobsahu, které je na YouTube nahráno každou minutu, je to, co v dnešní době musíte udělat.

Co to pro vás znamená?

Ale počkejte, je toho víc!

Autoři dokumentu také odhalili, že YouTube od roku 2016 používá „hluboké učení“ k navrhování, iteraci a udržování „obrovského systému doporučení“.

A už tehdy viděli „dramatická zlepšení výkonu“ s „obrovským dopadem na uživatele“.

To tě v noci možná neudrží.

Ale pokud Google zavede to, co se naučili, například Nákupy Google, pak se vsadím, že to pro výzkumníky a vývojáře v Amazonu vytvoří noční můry.

Co to pro vás znamená?

Uvědomuji si, že se zaměřujete na digitální marketing, SEO, obsahový marketing a placené vyhledávání.Tak to jste se dostali tak daleko.

A co příští čtyři roky?

Pokud vy nebo někdo z vašeho týmu již rozumíte TensorFlow (dříve známému jako Google Brain), pak jste připraveni začít rock and roll.

Pokud však ve svém týmu nemáte výzkumníka nebo vývojáře, který rozumí tomu, jak používat komplexní, flexibilní ekosystém nástrojů, knihoven a komunitních zdrojů TensorFlow k prosazení nejmodernějšího strojového učení (ML) na vytvářejte a nasazujte aplikace založené na ML pro vaši organizaci nebo klienty, pak musíte nějakou rychle najít.

Proč?

Protože v budoucnu se váš osud – a osud vaší organizace nebo klientů – bude zvyšovat v rukou systémů doporučení.

Proto stojí za váš čas a pozornost, abyste si dnes přečetli „Hluboké neuronové sítě pro doporučení YouTube“.

Stejně jako jedna z těch periskopových špionážních hraček, které dětem umožňují „vidět za rohy a přes zdi“, vám tento 8stránkový akademický dokument může pomoci vidět, co bylo na očích skryto více než tři a půl roku.

Další zdroje:

Všechny kategorie: Blog