Sitemap

Kembali pada tahun 2008, saya adalah salah satu penulis pertama di industri ini yang menyadari bahwa YouTube telah melewati Yahoo!menjadi mesin pencari terbesar kedua di dunia, setelah Google.

Saat itu, saya sedang menulis untuk Search Engine Watch dan artikel saya berjudul, Apakah YouTube Melewati Yahoo dalam pencarian yang diperluas?

(Peringatan spoiler: Jawaban atas pertanyaan retoris di judul adalah: "Ya.")

Hari ini, saya ingin mengajukan pertanyaan terkait: "Apakah YouTube akan melewati Amazon sebagai sistem rekomendasi industri terbesar dan tercanggih yang pernah ada?"

Pertanyaan ini bukan retoris – karena saya tidak tahu jawabannya.

Tapi, saya tahu bahwa video yang disarankan adalah pengganda kekuatan untuk algoritme penelusuran YouTube yang ingin Anda pahami.

Saya agak, agak mengisyaratkan ini tahun lalu dalam artikel Jurnal Mesin Pencari, Algoritma YouTube: 7 Temuan Utama yang Harus Anda Ketahui.

Saya berkata, “Untuk memaksimalkan kehadiran Anda di penelusuran YouTube dan video yang disarankan, Anda masih perlu memastikan metadata Anda dioptimalkan dengan baik. Ini termasuk judul, deskripsi, dan tag video Anda.”

Sekarang, saya minta maaf, karena saya kemudian menjelaskan cara mengoptimalkan judul, deskripsi, dan tag video Anda.

Saya benar-benar mengabaikan frasa, "kehadiran Anda di pencarian YouTube dan video yang disarankan."Tapi, izinkan saya memperbaiki kekeliruan itu sekarang.

Sebagian besar SEO fokus pada hasil pencarian – karena itulah yang penting di Google.

Namun, sebagian besar pemasar YouTube tahu bahwa muncul di video yang disarankan dapat menghasilkan penayangan yang hampir sama banyaknya dengan yang muncul di hasil penelusuran YouTube.

Mengapa?

Karena pemirsa cenderung menonton beberapa video selama sesi yang berlangsung rata-rata sekitar 40 menit.

Jadi, pemirsa dapat melakukan satu penelusuran, menonton video, dan kemudian menonton video yang disarankan.

Dengan kata lain, Anda mungkin melihat dua atau lebih video untuk setiap penelusuran yang dilakukan di YouTube.

Itulah yang membuat video yang disarankan menjadi pengganda kekuatan untuk algoritme penelusuran YouTube.

Dengan malu-malu, saya mengakui bahwa saya mengambil keuntungan dari fenomena ini pada tahun 2008.

Salah satu klien kami saat itu adalah STACK Media, produsen dan distributor terkemuka nasional konten kinerja olahraga, pelatihan, dan gaya hidup untuk atlet sekolah menengah.

Kami mengoptimalkan 137 video ke saluran STACKVids, STACK Football, STACK Baseball, dan Stack Basketball di YouTube, yang menyajikan kiat latihan olahraga ahli dan cerita dalam dari beberapa atlet terkemuka dunia.

Misalnya, kami memiliki video yang menampilkan Will Bartholomew, yang berbicara tentang latihan bench press dumbbell yang digunakan Peyton Manning di luar musim.

Kata kunci mana yang kami gunakan dalam judul?

Nah, jika Anda melihat judul videonya, jawabannya cukup jelas: Peyton Manning Workout.

Dan deskripsi video tidak akan membuat siapa pun bingung tentang istilah penelusuran yang kami targetkan:

“Peyton Manning berlatih di D1 selama musim sepi. Lihat latihan lengkap Manning (dengan tautan pelacakan ke artikel terkait di situs web STACK).”

Tapi, tag mana yang kita gunakan?

Nah, saat itu, YouTube masih menunjukkan tag mana yang digunakan video.

Itu tidak lagi terjadi.Tapi, saya membagikan studi kasus ini di SES San Jose 2008, jadi saya mendapat izin dari klien saya untuk mengungkapkan bahwa kami menggunakan tag berikut:

  • “Peyton Manning”
  • “Latihan Peyton Manning”
  • “latihan quarterback”
  • “pelatihan gelandang”
  • “Pelatihan Peyton Manning”
  • “pers bangku”
  • “bench press quarterback”
  • “mesin bangku dumbbell”
  • “Latihan Manning”

Bagaimana kami menemukan tag ini?

Kami melihat video peringkat teratas saat itu untuk istilah, "Latihan Peyton Manning", dan kemudian menggunakan tag sebanyak mungkin yang juga relevan untuk video kami.

Dengan begitu, kami meningkatkan peluang kami untuk menjadi video yang disarankan teratas setelah seseorang menonton video peringkat teratas itu.

Saat ini, sulit untuk menemukan video yang menduduki peringkat teratas untuk istilah tersebut pada tahun 2008.

Namun, perlu dicatat bahwa video STACK saat ini menempati peringkat #1 untuk “Latihan Peyton Manning”, #1 untuk “Latihan Manning”, dan #5 untuk “Peyton Manning training”.

Bagaimana YouTube Menemukan & Memberi Peringkat Video yang Disarankan Hari Ini?

Begitulah cara kerja video yang disarankan ketika pengguna mengunggah 13 jam konten video ke YouTube setiap menit.

Jadi, bagaimana YouTube menemukan dan memberi peringkat pada video yang disarankan sekarang setelah lebih dari 500 jam konten video diunggah ke YouTube setiap menit?

Sampai saat ini, satu-satunya jawaban yang dapat saya temukan datang dari sebuah video di saluran YouTube Creators yang berjudul, Cara Kerja Video yang Disarankan YouTube.

Seperti yang dijelaskan oleh deskripsi 300 kata video:

“Video yang Disarankan adalah kumpulan video yang dipersonalisasi yang mungkin menarik untuk ditonton oleh pemirsa individu berikutnya, berdasarkan aktivitas sebelumnya.”

Tidak mungkin pembuat konten dapat memengaruhi perilaku pemirsa sebelumnya, tetapi ini juga berarti bahwa saluran olahraga dapat memanfaatkan penggemar olahraga.

"Mereka ditampilkan kepada pemirsa di sisi kanan halaman tonton di bawah 'Berikutnya', di bawah video di aplikasi seluler, dan sebagai video berikutnya dalam putar otomatis."

Lebih dari 70% waktu tonton YouTube berasal dari perangkat seluler, jadi Anda memerlukan strategi yang memprioritaskan seluler untuk video yang disarankan.

“Studi tentang konsumsi YouTube telah menunjukkan bahwa pemirsa cenderung menonton lebih banyak ketika mereka mendapatkan rekomendasi dari berbagai saluran, dan video yang disarankan melakukan hal itu. Video yang Disarankan diberi peringkat untuk memaksimalkan keterlibatan pemirsa.”

Jadi, mengoptimalkan data meta Anda masih membantu, tetapi Anda juga perlu membuat pembukaan yang menarik untuk video Anda, mempertahankan dan membangun minat di seluruh video, serta melibatkan pemirsa Anda dengan mendorong komentar dan berinteraksi dengan pemirsa Anda sebagai bagian dari konten Anda.

Menurut deskripsi, video yang disarankan lebih cenderung:

  • “Video … yang terkait secara topikal. Itu bisa berupa video dari saluran yang sama, atau dari saluran yang berbeda.”Dengan kata lain, video olahraga untuk penggemar olahraga baik dari saluran Anda atau saluran olahraga lain.
  • “Video dari riwayat tontonan penonton sebelumnya.”Kecuali Anda memiliki mesin waktu DeLorean, Anda tidak mungkin dapat memengaruhi riwayat tontonan pemirsa sebelumnya.

Deskripsi video juga memberi tahu pembuat konten:

“Anda dapat melihat video mana yang membawa pemirsa ke saluran Anda dari Video yang Disarankan di laporan Sumber lalu lintas (di YouTube Analytics) dengan mengeklik kotak ‘Video yang disarankan’.”

Ya.Tapi, bukankah sebagian besar kreator YouTube sudah mengetahuinya?

Terakhir, deskripsi mencakup tips berikut untuk kreator:

  • Sertakan ajakan bertindak yang kuat dalam video Anda untuk menonton video lain dalam serial Anda.
  • Membujuk pemirsa mengapa mereka harus pergi dan menonton video lain dalam serial Anda.
  • Perhatikan bagaimana akhir video Anda karena akhir yang panjang dapat membuat pemirsa enggan menonton lebih banyak video.
  • Gunakan daftar putar, tautan, kartu, dan layar akhir untuk menyarankan video berikutnya untuk ditonton.
  • Kembangkan serangkaian video yang terhubung secara organik.
  • Buat video yang terkait dengan format populer di YouTube seperti tantangan atau daftar.

Kini, video tersebut sudah ditonton 394.000 kali.

Jadi, dapat diasumsikan bahwa beberapa ratus ribu lulusan dari apa yang sebelumnya dikenal sebagai Akademi Pembuat Konten YouTube setidaknya mengetahui sebanyak ini tentang cara kerja video yang disarankan YouTube.

Jadi, ini tidak akan memberi Anda banyak keunggulan kompetitif.

Namun, ada informasi lebih rinci yang tersedia – meskipun itu tersembunyi dengan aman di depan mata sampai sumber anonim, yang mungkin atau mungkin bukan Bothan, mengirimi saya tautan ke tempat saya dapat menemukannya.

Tautan tersebut membawa saya ke makalah yang telah diterbitkan pada 15 September 2016, dan sekarang diarsipkan di Google Research.

Makalah penelitian lama ini ditulis oleh Paul Covington, Jay Adams, dan Emre Sargin dari Google.Judulnya, “Jaringan Neural Dalam untuk Rekomendasi YouTube.”

Bagaimana Sistem Rekomendasi YouTube Menghasilkan & Memberi Peringkat Video yang Disarankan?

Jika Anda mencari keunggulan kompetitif yang serius, maka Anda akan ingin mengunduh PDF dan membaca makalah penelitian ini sendiri.

Tapi, jika Anda perlu diyakinkan bahwa membaca dokumen akademik 8 halaman yang berusia lebih dari tiga setengah tahun layak untuk waktu dan perhatian Anda, maka izinkan berbagi beberapa sorotan yang saya temukan di " Jaringan Saraf Dalam untuk Rekomendasi YouTube.”

Sebagai permulaan, Covington, Adams, dan Sargin mengungkapkan bahwa sistem rekomendasi besar YouTube terdiri dari "dua jaringan saraf: satu untuk generasi kandidat dan satu untuk peringkat."

Itu penting.

Atau, seperti yang dikatakan Mon Mothma (Caroline Blakiston) dengan sungguh-sungguh dalam Star Wars: Episode VI – Return of the Jedi (1983), “Banyak Bothans meninggal untuk membawakan kita informasi ini.”

Makalah mereka mengatakan:

“Jaringan pembuatan kandidat mengambil peristiwa dari riwayat aktivitas YouTube pengguna sebagai masukan dan mengambil sebagian kecil (ratusan) video dari kumpulan besar. Kandidat ini dimaksudkan agar secara umum relevan bagi pengguna dengan presisi tinggi.”

Sekarang, kami tidak dapat mengoptimalkan video kami untuk riwayat tontonan pemirsa sebelumnya – kecuali kami memiliki mesin waktu.

Namun, kami dapat membuat video yang ditargetkan pada audiens yang juga digunakan YouTube untuk menargetkan kampanye iklan video.

Dengan kata lain, video Anda tidak akan berakhir dalam subset kecil (ratusan) video jika itu tentang topik yang sama sekali berbeda dari video lain di saluran Anda, atau jika menargetkan grup demografis yang sama sekali berbeda dari yang Anda miliki di masa lalu.

Oh, dan jangan pernah berpikir untuk membuat video baru yang ditargetkan untuk "penggemar musik" jika semua video lain yang telah ditonton oleh pelanggan saluran Anda ditargetkan untuk "penggemar olahraga".

Seperti yang saya tunjukkan dalam artikel berjudul, Tren Platform: Bagaimana Vertikalisasi Konten Meningkatkan Jangkauan di YouTube dan Facebook, yang diterbitkan di Tubular Insight pada September 2018, setengah lusin penerbit digital-first mengakui sudah mengejar strategi vertikal.

Ini termasuk: Axel Springer SE, Grup Sembilan, BuzzFeed, UNILAD, Jungle Creations, Grup LADbible, dan 9GAG.

Inilah pertanyaan retoris yang saya tanyakan di artikel itu:

“Jadi, mengapa semua penerbit ini mengelompokkan properti mereka menjadi beberapa vertikal daripada hanya memasukkan berbagai konten ke dalam saluran YouTube raksasa, horizontal …? Karena dalam ekosistem video online yang semakin kompetitif, Anda lebih cenderung melibatkan pemirsa dengan konten yang ditargetkan secara sempit pada minat khusus mereka daripada Anda dengan kumpulan konten acak yang mungkin menarik atau mungkin tidak menarik minat umum mereka. Dengan kata lain, lebih pintar untuk masuk lebih dalam daripada melebar. ”

Ini membawa kita ke jaringan saraf kedua untuk peringkat.

Covington, Adams, dan Sargin mengakui bahwa ada banyak cara untuk menentukan peringkat video yang disarankan.Tetapi mereka mengungkapkan:

“Peringkat berdasarkan rasio klik-tayang (RKT) sering kali mempromosikan video menipu yang tidak diselesaikan pengguna (‘clickbait’) sedangkan waktu tonton lebih baik menangkap keterlibatan.”

Jadi, hindari penggunaan judul dan gambar mini yang menyesatkan, clickbait, atau sensasional.

Ya, mereka bekerja di masa lalu.

Tapi, mereka menggunakan cara dodo setelah YouTube mengganti "views" dengan "watch time" dalam algoritmenya pada Oktober 2012.

Oke, jadi jaringan saraf kedua tidak menggunakan CTR sebagai sinyal.Apa sinyal lain yang digunakannya?

Penulis makalah mengamati bahwa "sinyal paling penting" meliputi:

  • Apa interaksi pengguna sebelumnya dengan video itu sendiri dan video serupa lainnya?
  • Berapa banyak video yang telah ditonton pengguna dari saluran ini?
  • Kapan terakhir kali pengguna menonton video tentang topik ini?

Covington, Adams, dan Sargin berkata:

“Fitur berkelanjutan yang menggambarkan tindakan pengguna sebelumnya pada item terkait sangat kuat karena mereka menggeneralisasi dengan baik di item yang berbeda. Kami juga merasa penting untuk menyebarkan informasi dari generasi kandidat ke dalam peringkat dalam bentuk fitur, mis. sumber mana yang menominasikan kandidat video ini? Berapa skor yang mereka berikan?”

Mereka menambahkan:

“Fitur yang menjelaskan frekuensi tayangan video sebelumnya juga penting untuk memperkenalkan 'churn' dalam rekomendasi (permintaan yang berurutan tidak menampilkan daftar yang sama). Jika pengguna baru-baru ini merekomendasikan video tetapi tidak menontonnya, maka model secara alami akan menurunkan tayangan ini pada pemuatan halaman berikutnya. Menyajikan tayangan dan riwayat tontonan terkini adalah prestasi teknis tersendiri di luar cakupan makalah ini, tetapi sangat penting untuk menghasilkan rekomendasi yang responsif.”

Covington, Adams, dan Sargin mengungkapkan:

“Tujuan kami adalah untuk memprediksi waktu tonton yang diharapkan dengan memberikan contoh pelatihan yang positif (tayangan video diklik) atau negatif (tayangan tidak diklik). Contoh positif dijelaskan dengan jumlah waktu yang dihabiskan pengguna untuk menonton video. Untuk memprediksi waktu tonton yang diharapkan, kami menggunakan teknik regresi logistik tertimbang, yang dikembangkan untuk tujuan ini.”

Dengan kata lain, jika Anda ingin mengoptimalkan video Anda untuk sistem rekomendasi YouTube, Anda perlu membantu pemirsa menemukan video yang ingin mereka tonton, lalu memaksimalkan keterlibatan dan kepuasan jangka panjang mereka.

Itu sulit.

Namun, dengan lebih dari 500 jam konten video diunggah ke YouTube setiap menit, itulah yang perlu Anda lakukan akhir-akhir ini.

Apa Artinya Bagi Anda?

Tapi tunggu, masih ada lagi!

Penulis makalah juga mengungkapkan bahwa YouTube telah menggunakan "pembelajaran mendalam" untuk merancang, mengulangi, dan memelihara "sistem rekomendasi besar-besaran" sejak 2016.

Dan mereka melihat “peningkatan kinerja yang dramatis” dengan “dampak besar bagi pengguna” bahkan saat itu.

Sekarang, itu mungkin tidak membuat Anda terjaga di malam hari.

Tetapi, jika Google meluncurkan apa yang telah mereka pelajari, oh, Google Belanja misalnya, maka saya berani bertaruh bahwa itu akan menciptakan mimpi buruk bagi para peneliti dan pengembang di Amazon.

Sekarang, apa artinya ini bagi Anda?

Saya menyadari bahwa fokus Anda adalah pada pemasaran digital, SEO, pemasaran konten, dan pencarian berbayar.Nah, itu membuat Anda sejauh ini.

Bagaimana dengan empat tahun ke depan?

Nah, jika Anda atau seseorang di tim Anda sudah memahami TensorFlow, (sebelumnya dikenal sebagai Google Brain), maka Anda siap untuk rock and roll.

Namun, jika Anda tidak memiliki peneliti atau pengembang di tim Anda yang memahami cara menggunakan ekosistem alat, pustaka, dan sumber daya komunitas TensorFlow yang komprehensif dan fleksibel untuk mendorong pembelajaran mesin (ML) yang canggih ke membangun dan menerapkan aplikasi yang didukung ML untuk organisasi atau klien Anda, maka Anda perlu menemukannya … dengan cepat.

Mengapa?

Karena di kemudian hari, nasib Anda – dan nasib organisasi atau klien Anda – akan meningkat di tangan sistem rekomendasi.

Itulah mengapa ada baiknya waktu dan perhatian Anda untuk membaca “Jaringan Neural Dalam untuk Rekomendasi YouTube” hari ini.

Sama seperti salah satu mainan mata-mata periskop yang memungkinkan anak-anak “melihat ke sekeliling dan melewati dinding,” dokumen akademik setebal 8 halaman ini dapat membantu Anda melihat apa yang tersembunyi di depan mata selama lebih dari tiga setengah tahun.

Lebih Banyak Sumber Daya:

Semua Kategori: Blog