Sitemap

2008-ban én voltam az egyik első író a szakmában, aki észrevette, hogy a YouTube megelőzte a Yahoo!hogy a világ második legnagyobb keresőjévé váljon, csak a Google mögött.

Akkoriban a Search Engine Watch-nak írtam, és a cikkem a következő volt: „A YouTube átment a Yahoo-on a kiterjesztett keresésekben?

(Spoiler figyelmeztetés: A címben szereplő költői kérdésre a válasz: „Igen.”

Ma egy ehhez kapcsolódó kérdést szeretnék feltenni: „A YouTube hamarosan átveszi az Amazont, mint a létező legnagyobb méretezett és legkifinomultabb ipari ajánlási rendszert?”

Ez a kérdés nem szónoki – mert nem tudom a választ.

De tudom, hogy a javasolt videók a YouTube keresési algoritmusának erőszorzói, amelyeket érdemes megérteni.

Valahogy erre utaltam tavaly egy Search Engine Journal cikkben, a YouTube Algorithm: 7 Key Findings You Must Know.

Azt mondtam: „A YouTube-keresésben és a javasolt videókban való jelenlét maximalizálása érdekében továbbra is meg kell győződnie arról, hogy a metaadatai megfelelően optimalizáltak. Ez magában foglalja a videód címét, leírását és címkéit."

Most pedig elnézést kérek, mert ezután elmagyaráztam, hogyan optimalizálhatja videója címét, leírását és címkéit.

Teljesen átcsúsztam a „jelenléted a YouTube-keresésben és a javasolt videók” kifejezésen.De hadd javítsam ki ezt a mulasztást.

A legtöbb SEO a keresési eredményekre összpontosít – mert ez számít a Google-ban.

A legtöbb YouTube marketingszakember azonban tudja, hogy a javasolt videókban való megjelenés majdnem annyi megtekintést generál, mint a YouTube keresési eredményei között.

Miért?

Mivel a nézők általában több videót néznek meg az átlagosan körülbelül 40 perces munkamenetek során.

Így a néző végrehajthat egy keresést, megnézhet egy videót, majd folytathatja a javasolt videó megtekintését.

Más szóval, előfordulhat, hogy két vagy több videót tekintenek meg a YouTube-on végzett minden egyes keresés során.

Ez az, ami miatt a javasolt videók a YouTube keresési algoritmusának erőnövekedése.

Félelmetesen bevallom, hogy még 2008-ban kihasználtam ezt a jelenséget.

Egyik ügyfelünk akkoriban a STACK Media volt, az ország vezető előállítója és forgalmazója a középiskolás sportolók sportteljesítmény-, edzés- és életmód-tartalmainak.

137 videót optimalizáltunk a STACKVids, a STACK Football, a STACK Baseball és a Stack Basketball csatornákra a YouTube-on, amelyek szakértői sportedzési tippeket és belső történeteket mutattak be a világ néhány vezető sportolójától.

Például volt egy videónk, amelyben Will Bartholomew szerepelt, aki a súlyzós fekvenyomásról beszélt, amelyet Peyton Manning használt a holtszezonban.

Milyen kulcsszavakat használtunk a címben?

Nos, ha megnézzük a videó címét, a válasz elég nyilvánvaló: Peyton Manning Workout.

A videó leírása pedig senkit sem hagy kétségbe az általunk megcélzott keresési kifejezéseket illetően:

„Peyton Manning a D1-en edz a holtszezonban. Tekintse meg Manning teljes edzését (a STACK webhelyén található kapcsolódó cikkhez mutató követési linkkel).

De milyen címkéket használtunk?

Nos, akkoriban a YouTube még megmutatta, hogy egy videó mely címkéket használja.

Ez már nem így van.Ezt az esettanulmányt azonban megosztottam a SES San Jose 2008-on, így engedélyt kaptam ügyfelemtől, hogy közöljem, hogy a következő címkéket használtuk:

  • "Peyton Manning"
  • “Peyton Manning edzés”
  • “negyedhát edzés”
  • "negyedhátvédés"
  • "Peyton Manning képzés"
  • "fekvenyomás"
  • “negyedhátvéd fekvenyomás”
  • “súlyzó fekvenyomás”
  • “Emberi edzés”

Hogyan találtuk ki ezeket a címkéket?

Megnéztük a „Peyton Manning edzés” kifejezést akkoriban a legrangosabb videót, majd annyi címkét használtunk, amennyit csak tudtunk, amelyek szintén relevánsak a videónkban.

Ily módon növeltük az esélyeinket arra, hogy a legjobban javasolt videóvá váljunk, miután valaki megnézte a legmagasabb rangú videót.

Manapság nehéz megtalálni azt a videót, amely 2008-ban a legjobb helyen szerepelt erre a kifejezésre.

Érdemes azonban megjegyezni, hogy a STACK videója jelenleg az 1. helyen áll a „Peyton Manning edzés”, az 1. a „Manning edzés” és az 5. a „Peyton Manning edzés” kategóriában.

Hogyan fedezi fel és rangsorolja ma a YouTube a javasolt videókat?

Így működtek a javasolt videók, amikor a felhasználók percenként 13 órányi videótartalmat töltöttek fel a YouTube-ra.

Tehát hogyan fedezi fel és rangsorolja a YouTube a javasolt videókat most, amikor percenként több mint 500 órányi videótartalom kerül fel a YouTube-ra?

Egészen a közelmúltig az egyetlen választ, amit találtam, a YouTube Creators csatornán található videóból kaptam, melynek címe Hogyan működnek a YouTube javasolt videói.

Ahogy a videó 300 szavas leírása megmagyarázza:

„A Javasolt videók olyan videók személyre szabott gyűjteménye, amelyet az egyes nézők a korábbi tevékenységeik alapján a következő után is meg akarnak nézni.”

Az alkotók semmilyen módon nem befolyásolhatják a nézők korábbi viselkedését, de ez azt is jelenti, hogy egy sportcsatorna megszólíthatja a sportrajongókat.

„Megjelennek a nézők számára a videóoldal jobb oldalán a „Következő” alatt, a videó alatt a mobilalkalmazásban, és a következő videóként az automatikus lejátszásban.”

A YouTube nézési idejének több mint 70%-a mobileszközökről származik, ezért a javasolt videókhoz mobil-első stratégiára van szükség.

„A YouTube-fogyasztásról szóló tanulmányok kimutatták, hogy a nézők sokkal többet néznek, ha különféle csatornák ajánlásait kapják, a javasolt videók pedig ezt teszik. A javasolt videókat úgy rangsoroljuk, hogy maximalizálják a néző elköteleződését.”

Tehát a metaadatok optimalizálása továbbra is segít, de emellett lenyűgöző nyitást kell teremtened a videóid előtt, fenn kell tartanod és fel kell keltened az érdeklődést a videó során, valamint le kell vonnod a közönségedet a megjegyzések bátorításával és a nézőkkel való interakcióval a tartalom részeként.

A leírás szerint a javasolt videók nagyobb valószínűséggel a következők:

  • „Videók… amelyek aktuálisan kapcsolódnak. Lehetnek videók ugyanarról vagy egy másik csatornáról.”Más szóval, sportvideók sportrajongóknak akár a csatornádról, akár egy másik sportcsatornáról.
  • „Videók egy néző korábbi megtekintési előzményeiből.”Ha nem rendelkezik DeLorean időgéppel, semmilyen módon nem tudja befolyásolni a néző múltbeli megtekintési előzményeit.

A videó leírása azt is elmondja az alkotóknak:

„A 'Javasolt videók' mezőre kattintva megtekintheti, hogy a Javasolt videók közül mely videók vonzzák a nézőket a csatornádra a Forgalomforrások jelentésben (a YouTube Analytics szolgáltatásban).

Hm, igen.De a túlnyomó többség nem tudja ezt már, ha a YouTube-alkotók?

Végül a leírás a következő tippeket tartalmazza az alkotók számára:

  • Helyezzen határozott cselekvésre ösztönzést a videóiba, és nézzen meg egy másik videót a sorozatból.
  • Győzd meg a nézőket, miért érdemes megnézniük egy másik videót a sorozatodban.
  • Ügyeljen arra, hogy videói hogyan végződnek, mert a hosszú befejezések eltántoríthatják a nézőket attól, hogy több videót nézzenek.
  • Lejátszási listák, linkek, kártyák és záróképernyők használatával javasolhatja a következő megtekintésre szánt videót.
  • Készíts egy sor videót, amelyek szervesen kapcsolódnak egymáshoz.
  • Olyan videókat készíthet, amelyek a YouTube-on népszerű formátumokhoz, például kihívásokhoz vagy listákhoz kapcsolódnak.

Most ezt a videót 394 000-en nézték meg.

Tehát nyugodtan feltételezhetjük, hogy a korábban YouTube Alkotói Akadémián végzett több százezer végzett legalább ennyit a YouTube által javasolt videók működéséről.

Tehát ez nem ad nagy versenyelőnyt.

Vannak azonban részletesebb információk is – bár biztonságosan el volt rejtve a szem előtt, amíg egy névtelen forrás, aki lehet, hogy Bothan, nem küldött nekem egy linket, ahol megtalálhatom.

A link egy cikkre vezetett, amelyet 2016. szeptember 15-én tettek közzé, és már archivált a Google Research-en.

Ezt a régi kutatási cikket Paul Covington, Jay Adams és Emre Sargin, a Google-tól írták.A címe: „Mély neurális hálózatok a YouTube ajánlásaihoz”.

Hogyan generálják és rangsorolják a javasolt videókat a YouTube ajánlórendszerei?

Ha komoly versenyelőnyt keres, akkor érdemes lesz letöltenie a PDF-et, és saját maga elolvasnia ezt a kutatási cikket.

De ha meg kell győződnie arról, hogy egy 8 oldalas, több mint három és fél éves tudományos dokumentum elolvasása megéri az idejét és a figyelmét, akkor hadd osszon meg néhány érdekességet, amelyet a " Deep Neural Networks a YouTube ajánlásaihoz.”

Először is Covington, Adams és Sargin elárulja, hogy a YouTube hatalmas ajánlási rendszere „két neurális hálózatból áll: egy a jelöltek generálására és egy a rangsorolásra”.

ez fontos.

Vagy ahogy Mon Mothma (Caroline Blakiston) ünnepélyesen mondja a Star Wars: Episode VI – Return of the Jedi (1983) című filmben: „Sok Bothan halt meg azért, hogy elhozza nekünk ezt az információt.”

A papírjukban ez áll:

„A jelöltgenerációs hálózat a felhasználó YouTube-tevékenységi előzményeiből vesz eseményeket bemenetként, és lekéri a videók egy kis részhalmazát (több száz) egy nagy korpuszból. Ezeket a jelölteket úgy terveztük, hogy nagy pontossággal általánosságban relevánsak legyenek a felhasználó számára.”

Most már nem tudjuk optimalizálni a videóinkat a nézők korábbi megtekintési előzményeihez – hacsak nincs időgépünk.

Létrehozhatunk azonban olyan közönségeket célzó videókat, amelyeket a YouTube a videohirdetési kampányok célzására is használ.

Más szóval, a videód nem kerül a videók egy kis részhalmazába (több százba), ha teljesen más témáról szól, mint a csatornádon lévő többi videó, vagy ha teljesen más demográfiai csoportot céloz meg, mint a múltban.

Ja, és ne is gondolj új, „zenerajongókat” célzó videó létrehozására, ha a csatornád feliratkozói által megtekintett összes többi videó a „sportrajongókat” célozta meg.

Amint arra a „Platform Trends: How the Verticalization of Content Increases Reach on YouTube and Facebook” című cikkemben rámutattam, amely 2018 szeptemberében jelent meg a Tubular Insighton, féltucatnyi digitálisan első helyen álló kiadó felismerte, hogy már vertikális stratégiát követnek.

Ide tartozik: Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group és 9GAG.

Íme a költői kérdés, amit abban a cikkben feltettem:

„Tehát miért szegmentálnák ezek a kiadók tulajdonaikat több ágazatra, ahelyett, hogy a tartalom széles skáláját hatalmas, horizontális… YouTube-csatornákba töltenék? Mivel az egyre erősödő versenyben lévő online videó-ökoszisztémában nagyobb valószínűséggel vonzza meg a közönséget olyan tartalommal, amely szűken az ő érdeklődési körüket célozza meg, mint egy véletlenszerű tartalomgyűjteményével, amely az általános érdeklődési köreiknek tetszőleges vagy nem. Más szóval, okosabb mélyre menni, mint szélesre menni.”

Ezzel elérkeztünk a rangsorolás második neurális hálózatához.

Covington, Adams és Sargin elismerik, hogy a javasolt videók rangsorolásának számos módja van.De nyilvánosságra hozzák:

„Az átkattintási arány (CTR) szerinti rangsorolás gyakran olyan megtévesztő videókat reklámoz, amelyeket a felhasználó nem fejez be ("clickbait"), míg a nézési idő jobban rögzíti az elköteleződést.

Kerülje tehát a félrevezető, kattintásos vagy szenzációs címek és indexképek használatát.

Igen, a múltban dolgoztak.

De a dodó útját járták, amikor a YouTube 2012 októberében a „megtekintéseket” a „nézési időre” cserélte az algoritmusában.

Oké, tehát a második neurális hálózat nem használja a CTR-t jelként.Milyen egyéb jeleket használ?

A cikk szerzői megjegyzik, hogy a „legfontosabb jelek” a következők:

  • Mi volt a felhasználó korábbi interakciója magával a videóval és más hasonló videókkal?
  • Hány videót nézett meg a felhasználó erről a csatornáról?
  • Mikor nézett utoljára a felhasználó videót ebben a témában?

Covington, Adams és Sargin azt mondják:

„Ezek a folyamatos funkciók, amelyek leírják a múltbeli felhasználói műveleteket a kapcsolódó tételeken, különösen hatékonyak, mert jól általánosíthatók az eltérő elemekre vonatkozóan. Kulcsfontosságúnak találtuk azt is, hogy a jelöltek nemzedékétől származó információkat jellemzők, pl. mely források jelölték ezt a videó jelöltet? Milyen pontszámokat adtak hozzá?”

Hozzáteszik:

„A korábbi videómegjelenítések gyakoriságát leíró funkciók szintén kritikusak az ajánlások „lemorzsolódásának” bevezetéséhez (az egymást követő kérések nem adnak vissza azonos listákat). Ha egy felhasználónak nemrégiben ajánlottak egy videót, de nem nézte meg, akkor a modell a következő oldalbetöltéskor természetesen csökkenti ezt a benyomást. A pillanatokig tartó benyomás és a megtekintési előzmények megjelenítése mérnöki bravúr, amely kívül esik ennek a cikknek a keretein, de elengedhetetlen a reszponzív ajánlások elkészítéséhez.”

Covington, Adams és Sargin elárulja:

„Célunk a várható nézési idő előrejelzése olyan képzési példák alapján, amelyek vagy pozitívak (a videó megjelenítésére kattintottak), vagy negatívak (a megjelenítésre nem kattintottak). A pozitív példák mellett a felhasználó a videó megtekintésével töltött időt jelöli. A várható nézési idő előrejelzésére a súlyozott logisztikus regresszió technikáját használjuk, amelyet erre a célra fejlesztettek ki.”

Más szóval, ha optimalizálni szeretné videóját a YouTube ajánlórendszereihez, akkor segítenie kell a nézőknek, hogy megtalálják a megtekinteni kívánt videókat, majd maximalizálják hosszú távú elkötelezettségüket és elégedettségüket.

Ez nehéz.

De mivel percenként több mint 500 órányi videót töltenek fel a YouTube-ra, manapság ezt kell tenned.

Mit jelent ez neked?

De várj, van még!

A cikk szerzői azt is felfedték, hogy a YouTube 2016 óta használja a "mély tanulást" egy "masszív ajánlási rendszer" tervezésére, iterálására és karbantartására.

És már akkor is „drámai teljesítményjavulásokat” láttak, amelyek „hatalmas, a felhasználókra néző hatással” jártak.

Lehet, hogy ez nem tart fenn éjszaka.

De ha a Google bevezeti a tanultakat, például a Google Shoppingot, akkor lefogadom, hogy rémálmokat fog kelteni az Amazon kutatói és fejlesztői számára.

Nos, mit jelent ez neked?

Tudom, hogy Ön a digitális marketingre, a SEO-ra, a tartalommarketingre és a fizetett keresésre összpontosít.Nos, ezzel eljutottál idáig.

Mi lesz a következő négy évvel?

Nos, ha Ön vagy valaki a csapatából már érti a TensorFlow-t (korábbi nevén Google Brain), akkor készen áll a rock and rollra.

De ha nincs olyan kutató vagy fejlesztő a csapatában, aki érti, hogyan használhatja a TensorFlow átfogó, rugalmas ökoszisztémáját eszközökből, könyvtárakból és közösségi erőforrásokból a gépi tanulás (ML) legkorszerűbb fejlesztése érdekében. ML-alapú alkalmazásokat készíthet és telepíthet szervezete vagy ügyfelei számára, akkor gyorsan meg kell találnia egyet.

Miért?

Mert az úton az Ön sorsa – és szervezete vagy ügyfelei sorsa – egyre nagyobb lesz az ajánlási rendszerek kezében.

Ezért érdemes még ma elolvasni a „Mély idegi hálózatok a YouTube ajánlásaihoz” című részt.

Csakúgy, mint a periszkóp kémjátékok egyike, amelyek segítségével a gyerekek „láthatnak a sarkokon és a falakon túl”, ez a 8 oldalas akadémiai dokumentum segíthet abban, hogy észrevegye, mi rejtőzött már több mint három és fél éve.

További források:

Minden kategória: Blog