Sitemap

In 2008 was ik een van de eerste schrijvers in de branche die opmerkte dat YouTube Yahoo!om de op één na grootste zoekmachine ter wereld te worden, achter Google alleen.

Destijds schreef ik voor Search Engine Watch en mijn artikel had de titel Is YouTube voorbij Yahoo in uitgebreide zoekopdrachten?

(Spoiler alert: het antwoord op de retorische vraag in de kop was: "Ja.")

Vandaag wil ik een verwante vraag stellen: "Staat YouTube op het punt Amazon door te geven als het grootste en meest geavanceerde industriële aanbevelingssysteem dat er bestaat?"

Deze vraag is niet retorisch - omdat ik het antwoord niet weet.

Maar ik weet wel dat voorgestelde video's een krachtvermenigvuldiger zijn voor het zoekalgoritme van YouTube dat je wilt begrijpen.

Ik heb hier vorig jaar min of meer op gezinspeeld in een artikel in Search Engine Journal, YouTube Algorithm: 7 Key Findings You Must Know.

Ik zei: "Om je aanwezigheid in YouTube-zoekopdrachten en voorgestelde video's te maximaliseren, moet je er nog steeds voor zorgen dat je metadata goed is geoptimaliseerd. Dit omvat de titel, beschrijving en tags van je video.'

Mijn excuses, want ik heb toen uitgelegd hoe je de titel, beschrijving en tags van je video kunt optimaliseren.

Ik ging helemaal voorbij aan de zin "je aanwezigheid in YouTube-zoekopdrachten en voorgestelde video's."Maar laat me dat onoplettendheid nu rechtzetten.

De meeste SEO’s richten zich op de zoekresultaten – want dat is waar het om gaat in Google.

Maar de meeste YouTube-marketeers weten dat weergave in voorgestelde video's bijna net zoveel weergaven kan genereren als weergave in de zoekresultaten van YouTube.

Waarom?

Omdat kijkers de neiging hebben om meerdere video's te bekijken tijdens sessies die gemiddeld zo'n 40 minuten duren.

Een kijker kan dus één zoekopdracht uitvoeren, een video bekijken en vervolgens een voorgestelde video bekijken.

Met andere woorden, u krijgt mogelijk twee of meer video's bekeken voor elke zoekopdracht die op YouTube wordt uitgevoerd.

Dat maakt voorgestelde video's tot een krachtvermenigvuldiger voor het zoekalgoritme van YouTube.

Schaapachtig geef ik toe dat ik in 2008 van dit fenomeen gebruik heb gemaakt.

Een van onze klanten was destijds STACK Media, 's lands toonaangevende producent en distributeur van sportprestaties, training en lifestyle-inhoud voor middelbare scholieren.

We hebben 137 video's geoptimaliseerd voor de STACKVids-, STACK Football-, STACK Baseball- en Stack Basketball-kanalen op YouTube, die deskundige sporttrainingstips en inside-verhalen van enkele van 's werelds beste atleten presenteerden.

We hadden bijvoorbeeld een video met Will Bartholomew, die sprak over de halterbankdrukken die Peyton Manning buiten het seizoen gebruikte.

Welke trefwoorden hebben we in de titel gebruikt?

Nou, als je naar de titel van de video kijkt, is het antwoord vrij duidelijk: Peyton Manning Workout.

En de beschrijving van de video zal niemand in verwarring brengen over de zoektermen die we targetten:

“Peyton Manning traint buiten het seizoen op D1. Bekijk de volledige training van Manning (met een volglink naar een gerelateerd artikel op de website van STACK).”

Maar welke tags hebben we gebruikt?

Nou, toen liet YouTube nog zien welke tags een video gebruikte.

Dat is niet langer het geval.Maar ik deelde deze case study op SES San Jose 2008, dus ik kreeg toestemming van mijn cliënt om te onthullen dat we de volgende tags gebruikten:

  • “Peyton Manning”
  • “Peyton Manning-training”
  • "quarterback-training"
  • “quarterback-training”
  • “Peyton Manning-training”
  • "bankdrukken"
  • “quarterback bankdrukken”
  • "halterbankdrukken"
  • “Bemanning training”

Hoe zijn we aan deze tags gekomen?

We keken toen naar de best beoordeelde video voor de term 'Peyton Manning-training' en gebruikten vervolgens zoveel mogelijk van de tags die ook relevant waren voor onze video.

Op die manier hebben we onze kansen vergroot om de meest aanbevolen video te worden nadat iemand die video met de hoogste ranking heeft bekeken.

Tegenwoordig is het moeilijk om de video te vinden die in 2008 het beste was voor die term.

Maar het is vermeldenswaard dat de video van STACK momenteel nummer 1 is voor "Peyton Manning-training", #1 voor "Manning-training" en #5 voor "Peyton Manning-training".

Hoe ontdekt en rangschikt YouTube vandaag aanbevolen video's?

Dat was hoe voorgestelde video's werkten toen gebruikers elke minuut 13 uur aan video-inhoud naar YouTube uploadden.

Dus, hoe ontdekt en rangschikt YouTube voorgestelde video's nu er elke minuut meer dan 500 uur aan video-inhoud naar YouTube wordt geüpload?

Tot voor kort kwam het enige antwoord dat ik kon vinden uit een video op het YouTube Creators-kanaal getiteld How YouTube's Suggested Videos Work.

Zoals de beschrijving van 300 woorden van de video uitlegt:

"Voorgestelde video's zijn een gepersonaliseerde verzameling video's die een individuele kijker mogelijk interessant vindt om hierna te bekijken, op basis van eerdere activiteit."

Het is onmogelijk dat makers het eerdere gedrag van een kijker kunnen beïnvloeden, maar dit betekent ook dat een sportkanaal sportfans kan aanboren.

"Ze worden aan kijkers getoond aan de rechterkant van de weergavepagina onder 'Volgende', onder de video in de mobiele app en als de volgende video in autoplay."

Meer dan 70% van de YouTube-kijktijd is afkomstig van mobiele apparaten, dus je hebt een mobile-first-strategie nodig voor voorgestelde video's.

"Onderzoek naar YouTube-consumptie heeft aangetoond dat kijkers veel meer kijken als ze aanbevelingen krijgen van verschillende kanalen, en aanbevolen video's doen precies dat. Voorgestelde video's worden gerangschikt om de betrokkenheid van de kijker te maximaliseren."

Dus het optimaliseren van je metadata helpt nog steeds, maar je moet ook een boeiende opening voor je video's creëren, de interesse in de video behouden en opbouwen, en je publiek betrekken door reacties aan te moedigen en interactie met je kijkers als onderdeel van je inhoud.

Volgens de beschrijving is de kans groter dat voorgestelde video's:

  • “Video’s … die met de actualiteit te maken hebben. Het kunnen video's zijn van hetzelfde kanaal of van een ander kanaal."Met andere woorden, sportvideo's voor sportfans van jouw kanaal of van een ander sportkanaal.
  • "Video's uit de kijkgeschiedenis van een kijker."Tenzij je een DeLorean-tijdmachine hebt, kun je de kijkgeschiedenis van een kijker op geen enkele manier beïnvloeden.

De beschrijving van de video vertelt de makers ook:

"Je kunt zien welke video's kijkers naar je kanaal brengen via Voorgestelde video's in het rapport Verkeersbronnen (in YouTube Analytics) door op het vak 'Voorgestelde video's' te klikken."

Eh, ja.Maar weet de overgrote meerderheid niet als YouTube-videomakers dat al weten?

Ten slotte bevat de beschrijving de volgende tips voor makers:

  • Voeg sterke call-to-actions toe aan je video's om een ​​andere video in je serie te bekijken.
  • Overtuig kijkers waarom ze nog een video in je serie moeten gaan bekijken.
  • Houd er rekening mee hoe je video's eindigen, want lange eindes kunnen kijkers ontmoedigen om meer video's te bekijken.
  • Gebruik afspeellijsten, links, kaarten en eindschermen om suggesties te doen voor de volgende video om te bekijken.
  • Ontwikkel een reeks video's die organisch met elkaar verbonden zijn.
  • Maak video's die gerelateerd zijn aan populaire formaten op YouTube, zoals uitdagingen of lijsten.

Nu heeft deze video 394.000 views.

Het is dus veilig om aan te nemen dat enkele honderdduizenden afgestudeerden van wat voorheen bekend stond als de YouTube Creator Academy, op zijn minst zoveel weten over hoe de voorgestelde video's van YouTube werken.

Dit zal u dus niet veel concurrentievoordeel opleveren.

Er is echter meer gedetailleerde informatie beschikbaar - hoewel deze veilig in het zicht verborgen was totdat een anonieme bron, al dan niet een Bothan, me een link stuurde waar ik die kon vinden.

De link bracht me naar een artikel dat op 15 september 2016 was gepubliceerd en nu is gearchiveerd op Google Research.

Dit oude onderzoeksartikel is geschreven door Paul Covington, Jay Adams en Emre Sargin van Google.Het is getiteld "Deep Neural Networks for YouTube Recommendations".

Hoe genereren en rangschikken de aanbevelingssystemen van YouTube aanbevolen video's?

Als u op zoek bent naar een serieus concurrentievoordeel, dan zult u de PDF willen downloaden en dit onderzoekspaper zelf willen lezen.

Maar als u ervan overtuigd moet zijn dat het lezen van een academisch document van 8 pagina's dat meer dan drieënhalf jaar oud is, uw tijd en aandacht waard is, deel dan enkele van de hoogtepunten die ik verdwaald vond in " Diepe neurale netwerken voor YouTube-aanbevelingen."

Om te beginnen onthullen Covington, Adams en Sargin dat het enorme aanbevelingssysteem van YouTube bestaat uit "twee neurale netwerken: één voor het genereren van kandidaten en één voor ranking."

Dat is belangrijk.

Of, zoals Mon Mothma (Caroline Blakiston) plechtig zegt in Star Wars: Episode VI – Return of the Jedi (1983): "Veel Bothans stierven om ons deze informatie te brengen."

Hun krant zegt:

“Het kandidaat-generatienetwerk neemt gebeurtenissen uit de YouTube-activiteitengeschiedenis van de gebruiker als invoer en haalt een kleine subset (honderden) video's op uit een groot corpus. Het is de bedoeling dat deze kandidaten met grote precisie algemeen relevant zijn voor de gebruiker.”

Nu kunnen we onze video's niet optimaliseren voor de kijkgeschiedenis van een kijker, tenzij we een tijdmachine hebben.

Maar we kunnen video's maken die zijn gericht op doelgroepen die YouTube ook gebruikt voor het targeten van videoadvertentiecampagnes.

Met andere woorden, je video komt niet in een kleine subset (honderden) video's terecht als het over een heel ander onderwerp gaat dan andere video's op je kanaal, of als het een totaal andere demografische groep target dan je in het verleden had.

Oh, en denk er niet eens aan om een ​​nieuwe video te maken die is gericht op 'muziekfans' als alle andere video's die de abonnees van je kanaal hebben bekeken, waren gericht op 'sportfans'.

Zoals ik aangaf in een artikel getiteld Platform Trends: How the Verticalization of Content Enhances Reach op YouTube en Facebook, dat in september 2018 op Tubular Insight werd gepubliceerd, erkennen een half dozijn digital-first uitgevers dat ze al een verticale strategie nastreven.

Dit omvat: Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group en 9GAG.

Dit is de retorische vraag die ik in dat artikel stelde:

"Dus, waarom zouden al deze uitgevers hun eigendommen in verschillende branches segmenteren in plaats van een breed scala aan inhoud in gigantische, horizontale ... YouTube-kanalen te proppen? Omdat je in een steeds competitiever online video-ecosysteem meer kans hebt om doelgroepen aan te trekken met inhoud die nauw is gericht op hun speciale interesses dan met een willekeurige verzameling inhoud die al dan niet een beroep doet op hun algemene interesses. Met andere woorden, het is slimmer om diep te gaan dan om wijd te gaan.”

Dit brengt ons bij het tweede neurale netwerk voor rangschikking.

Covington, Adams en Sargin erkennen dat er veel manieren zijn om voorgestelde video's te rangschikken.Maar ze onthullen:

"Ranking op doorklikratio (CTR) bevordert vaak misleidende video's die de gebruiker niet voltooit ('clickbait'), terwijl de weergavetijd de betrokkenheid beter vastlegt."

Vermijd dus het gebruik van misleidende, clickbaity of sensationele titels en thumbnails.

Ja, ze hebben in het verleden gewerkt.

Maar ze gingen de weg van de dodo in toen YouTube in oktober 2012 'views' verving door 'kijktijd' in zijn algoritme.

Oké, dus het tweede neurale netwerk gebruikt geen CTR als signaal.Welke andere signalen gebruikt het?

De auteurs van het artikel merken op dat "de belangrijkste signalen" zijn:

  • Wat was de eerdere interactie van de gebruiker met de video zelf en andere soortgelijke video's?
  • Hoeveel video's heeft de gebruiker van dit kanaal bekeken?
  • Wanneer heeft de gebruiker voor het laatst een video over dit onderwerp bekeken?

Covington, Adams en Sargin zeggen:

"Deze doorlopende functies die eerdere gebruikersacties op gerelateerde items beschrijven, zijn bijzonder krachtig omdat ze goed generaliseren over ongelijksoortige items. We hebben het ook cruciaal gevonden om informatie van het genereren van kandidaten naar de rangschikking te verspreiden in de vorm van functies, b.v. welke bronnen hebben deze videokandidaat genomineerd? Welke scores hebben ze toegekend?”

Ze voegen toe:

"Functies die de frequentie van eerdere videovertoningen beschrijven, zijn ook van cruciaal belang voor het introduceren van 'churn' in aanbevelingen (opeenvolgende verzoeken leveren geen identieke lijsten op). Als een gebruiker onlangs een video is aanbevolen, maar deze niet heeft bekeken, zal het model deze vertoning natuurlijk verlagen bij het laden van de volgende pagina. Het leveren van een tot op de seconde nauwkeurige weergave en kijkgeschiedenis is een technisch hoogstandje op zich dat buiten het bestek van dit artikel valt, maar het is van vitaal belang voor het produceren van responsieve aanbevelingen.”

Covington, Adams en Sargin onthullen:

“Ons doel is om de verwachte kijktijd te voorspellen op basis van trainingsvoorbeelden die ofwel positief zijn (er is op de video-impressie geklikt) of negatief (er is niet op de impressie geklikt). Positieve voorbeelden worden geannoteerd met de hoeveelheid tijd die de gebruiker heeft besteed aan het bekijken van de video. Om de verwachte kijktijd te voorspellen, gebruiken we de techniek van gewogen logistische regressie, die voor dit doel is ontwikkeld.”

Met andere woorden, als je je video wilt optimaliseren voor de aanbevelingssystemen van YouTube, moet je kijkers helpen de video's te vinden die ze willen bekijken en vervolgens hun betrokkenheid en tevredenheid op de lange termijn maximaliseren.

Dat is moeilijk.

Maar met meer dan 500 uur aan video-inhoud die elke minuut naar YouTube wordt geüpload, is dat wat je tegenwoordig moet doen.

Wat betekent dit voor jou?

Maar wacht, er is meer!

De auteurs van het artikel onthulden ook dat YouTube sinds 2016 "deep learning" gebruikt om "een enorm aanbevelingssysteem" te ontwerpen, te herhalen en te onderhouden.

En ze zagen toen al "dramatische prestatieverbeteringen" met "enorme gebruikersgerichte impact".

Nu, dat houdt je misschien niet 's nachts wakker.

Maar als Google uitrolt wat ze hebben geleerd, oh, Google Shopping bijvoorbeeld, dan wed ik dat het nachtmerries zal veroorzaken voor onderzoekers en ontwikkelaars bij Amazon.

Wat betekent dit nu voor u?

Ik realiseer me dat je focus ligt op digitale marketing, SEO, contentmarketing en betaald zoeken.Nou, dat heeft je zo ver gebracht.

Hoe zit het met de komende vier jaar?

Nou, als jij of iemand in je team TensorFlow al begrijpt (voorheen bekend als Google Brain), dan ben je klaar om te rocken en rollen.

Maar als u geen onderzoeker of ontwikkelaar in uw team heeft die begrijpt hoe u het uitgebreide, flexibele ecosysteem van tools, bibliotheken en communitybronnen van TensorFlow moet gebruiken om de nieuwste machine learning (ML) naar de bouw en implementeer ML-aangedreven applicaties voor uw organisatie of klanten, dan moet u er een vinden … snel.

Waarom?

Want onderweg wordt jouw lot – en dat van je organisatie of klanten – steeds meer in handen van aanbevelingssystemen.

Daarom is het uw tijd en aandacht waard om 'Deep Neural Networks for YouTube Recommendations' vandaag nog te lezen.

Net als een van die spionagespeeltjes met een periscoop waarmee kinderen 'rond hoeken en over muren kunnen kijken', kan dit academische document van 8 pagina's je helpen te zien wat al meer dan drieënhalf jaar in het volle zicht verborgen is.

Meer middelen:

Tutte le categorie: Blog