Sitemap

Em 2008, eu fui um dos primeiros escritores do setor a perceber que o YouTube havia ultrapassado o Yahoo!para se tornar o segundo maior motor de busca do mundo, atrás apenas do Google.

Naquela época, eu estava escrevendo para o Search Engine Watch e meu artigo se intitulava: O YouTube passou o Yahoo em pesquisas expandidas?

(Alerta de spoiler: a resposta para a pergunta retórica na manchete foi: “Sim.”)

Hoje, quero fazer uma pergunta relacionada: “O YouTube está prestes a passar a Amazon como o maior sistema de recomendação industrial em escala e mais sofisticado que existe?”

Esta pergunta não é retórica – porque eu não sei a resposta.

Mas eu sei que os vídeos sugeridos são um multiplicador de força para o algoritmo de busca do YouTube que você vai querer entender.

Eu meio que sugeri isso no ano passado em um artigo do Search Engine Journal, YouTube Algorithm: 7 Key Findings You Must Know.

Eu disse: “Para maximizar sua presença na pesquisa do YouTube e nos vídeos sugeridos, você ainda precisa garantir que seus metadados estejam bem otimizados. Isso inclui o título, a descrição e as tags do seu vídeo.”

Agora, peço desculpas, porque passei a explicar como otimizar o título, a descrição e as tags do seu vídeo.

Eu passei totalmente pela frase “sua presença na pesquisa do YouTube e vídeos sugeridos”.Mas, deixe-me corrigir esse descuido agora.

A maioria dos SEOs se concentra nos resultados da pesquisa – porque é isso que importa no Google.

Mas a maioria dos profissionais de marketing do YouTube sabe que aparecer em vídeos sugeridos pode gerar quase tantas visualizações quanto aparecer nos resultados de pesquisa do YouTube.

Por quê?

Porque os espectadores tendem a assistir a vários vídeos durante sessões que duram cerca de 40 minutos, em média.

Assim, um espectador pode realizar uma pesquisa, assistir a um vídeo e depois assistir a um vídeo sugerido.

Em outras palavras, você pode obter dois ou mais vídeos visualizados para cada pesquisa realizada no YouTube.

É isso que faz dos vídeos sugeridos um multiplicador de força para o algoritmo de busca do YouTube.

Envergonhado, admito que aproveitei esse fenômeno em 2008.

Um de nossos clientes na época era a STACK Media, a principal produtora e distribuidora do país de conteúdo esportivo, treinamento e estilo de vida para atletas do ensino médio.

Otimizamos 137 vídeos para os canais STACKVids, STACK Football, STACK Baseball e Stack Basketball no YouTube, que apresentavam dicas de treino esportivo especializado e histórias internas de alguns dos principais atletas do mundo.

Por exemplo, tivemos um vídeo que apresentou Will Bartholomew, que falou sobre o treino de supino com halteres que Peyton Manning usou no período de entressafra.

Quais palavras-chave usamos no título?

Bem, se você olhar para o título do vídeo, a resposta é bastante óbvia: Peyton Manning Workout.

E a descrição do vídeo não deixará ninguém confuso sobre os termos de pesquisa que estávamos segmentando:

“Peyton Manning treinando na D1 durante o período de entressafra. Veja o treino completo de Manning (com um link de rastreamento para um artigo relacionado no site do STACK).”

Mas, quais tags usamos?

Bem, naquela época, o YouTube ainda mostrava quais tags um vídeo estava usando.

Isso não é mais o caso.Mas, eu compartilhei este estudo de caso na SES San Jose 2008, então obtive permissão do meu cliente para divulgar que usamos as seguintes tags:

  • “Peyton Manning”
  • “Treino de Peyton Manning”
  • “treino de zagueiro”
  • “treinamento de zagueiro”
  • “Treinamento de Peyton Manning”
  • "supino"
  • “quarterback supino”
  • “supino com halteres”
  • “Treino de Manning”

Como chegamos a essas etiquetas?

Analisamos o vídeo de classificação mais alta da época para o termo "treino de Peyton Manning" e, em seguida, usamos o máximo de tags que pudemos que também eram relevantes para o nosso vídeo.

Dessa forma, aumentamos nossas chances de nos tornarmos o vídeo mais sugerido depois que alguém assistiu a esse vídeo no topo do ranking.

Hoje em dia, é difícil encontrar o vídeo que foi o melhor classificado para esse período em 2008.

Mas, vale a pena notar que o vídeo do STACK atualmente ocupa o primeiro lugar para “treino de Peyton Manning”, nº 1 para “treino de Manning” e nº 5 para “treinamento de Peyton Manning”.

Como o YouTube descobre e classifica os vídeos sugeridos hoje?

Era assim que os vídeos sugeridos funcionavam quando os usuários carregavam 13 horas de conteúdo de vídeo para o YouTube a cada minuto.

Então, como o YouTube descobre e classifica os vídeos sugeridos agora que mais de 500 horas de conteúdo de vídeo são enviados ao YouTube a cada minuto?

Até recentemente, a única resposta que encontrei veio de um vídeo no canal YouTube Creators intitulado Como funcionam os vídeos sugeridos do YouTube.

Como a descrição de 300 palavras do vídeo explica:

“Os vídeos sugeridos são uma coleção personalizada de vídeos que um espectador individual pode estar interessado em assistir a seguir, com base na atividade anterior.”

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 mostrados aos espectadores no lado direito da página de exibição em ‘Próximo’, abaixo do vídeo no aplicativo para dispositivos móveis e como o próximo vídeo na reprodução automática.”

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

“Estudos de consumo no YouTube mostraram que os espectadores tendem a assistir muito mais quando recebem recomendações de vários 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 criar interesse em todo o vídeo, além de envolver seu público incentivando comentários e interagindo com seus espectadores como parte de seu conteúdo.

De acordo com a descrição, os vídeos sugeridos são mais propensos a ser:

  • “Vídeos … que são relacionados ao tópico. Podem ser vídeos do mesmo canal ou de um canal diferente.”Em outras palavras, vídeos de esportes para fãs de esportes do 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 de um espectador.

A descrição do vídeo também diz aos criadores:

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

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

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

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

Agora, este vídeo tem 394.000 visualizações.

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

Portanto, isso não lhe dará muita vantagem competitiva.

No entanto, há informações mais detalhadas disponíveis - embora tenham sido escondidas com segurança à vista de todos até que uma fonte anônima, que pode ou não ser um Bothan, me enviou um link para onde eu poderia encontrá-lo.

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 trabalho de pesquisa foi escrito por Paul Covington, Jay Adams e Emre Sargin, do Google.É intitulado "Redes neurais profundas para recomendações do YouTube".

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

Se você está procurando uma vantagem competitiva séria, então você vai querer baixar o PDF e ler este artigo de pesquisa por si mesmo.

Mas, se você precisa se convencer de que a leitura de um documento acadêmico de 8 páginas com mais de três anos e meio vale seu tempo e atenção, então vamos compartilhar alguns dos destaques que encontrei escondidos em “ Redes neurais profundas para recomendações do YouTube.”

Para começar, Covington, Adams e Sargin revelam que o enorme sistema de recomendação do YouTube é composto por “duas redes neurais: uma para geração de candidatos e outra para classificação”.

Isso é importante.

Ou, como Mon Mothma (Caroline Blakiston) diz solenemente em Star Wars: Episódio VI – O Retorno de Jedi (1983), “Muitos Bothans morreram para nos trazer essa informação”.

O papel deles diz:

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

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

Mas podemos criar vídeos direcionados a públicos que o YouTube também usa para segmentar 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 tem no passado.

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

Como apontei em um artigo intitulado Platform Trends: How the Verticalization of Content Increases Reach on YouTube and Facebook, que foi publicado no Tubular Insight em setembro de 2018, meia dúzia de editores digitais-first reconhecem que já estão buscando uma estratégia vertical.

Isso inclui: Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group e 9GAG.

Aqui está a pergunta retórica que fiz nesse artigo:

“Então, por que todos esses editores segmentariam suas propriedades em várias verticais em vez de apenas colocar uma ampla variedade de conteúdo em canais gigantes, horizontais … do YouTube? Porque em um ecossistema de vídeo on-line cada vez mais competitivo, é mais provável que você envolva o público com conteúdo estritamente direcionado aos seus interesses especiais do que com uma coleção aleatória de conteúdo que pode ou não atrair seus interesses gerais. Em outras palavras, é mais inteligente ir fundo do que ir longe.”

Isso nos leva à segunda rede neural para classificação.

Covington, Adams e Sargin reconhecem que há 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 engajamento.”

Portanto, evite usar títulos e miniaturas enganosos, clickbaity ou sensacionalistas.

Sim, eles trabalharam no passado.

Mas eles seguiram o caminho do dodô quando 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 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 deste canal?
  • Quando foi a última vez que o usuário assistiu a um vídeo sobre esse tópico?

Covington, Adams e Sargin dizem:

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

Eles acrescentam:

“Recursos que descrevem a frequência de impressões de vídeos anteriores também são essenciais para introduzir ‘churn’ nas recomendações (solicitações sucessivas não retornam listas idênticas). Se um usuário recentemente recomendou um vídeo, mas não o assistiu, o modelo naturalmente rebaixará essa impressão no próximo carregamento de página. Servir até a segunda impressão e histórico de exibição é um feito de engenharia fora do escopo deste artigo, mas é vital para produzir recomendações responsivas.”

Covington, Adams e Sargin divulgam:

“Nosso objetivo é prever o tempo de exibição esperado com base em exemplos de treinamento que sejam positivos (a impressão de vídeo foi clicada) ou negativa (a impressão não foi clicada). Exemplos positivos são anotados com a quantidade de tempo que o usuário passou assistindo ao vídeo. Para prever o tempo de exibição esperado, usamos a técnica de regressão logística ponderada, 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 o envolvimento e a satisfação a longo prazo.

Isso é difícil.

Mas, com mais de 500 horas de conteúdo de vídeo sendo enviado para o YouTube a cada minuto, é isso que você precisa fazer hoje em dia.

O que isso significa para você?

Mas espere, tem mais!

Os autores do artigo também revelaram que o YouTube vem usando “aprendizado profundo” para projetar, iterar e manter “um sistema de recomendação massivo” desde 2016.

E eles viram “melhorias dramáticas de desempenho” com “enorme impacto voltado para o usuário” mesmo naquela época.

Agora, isso pode não mantê-lo acordado à noite.

Mas, se o Google lançar o que eles aprenderam, oh, o Google Shopping, por exemplo, aposto que isso criará pesadelos para pesquisadores e desenvolvedores da Amazon.

Agora, o que isso significa para você?

Percebo que seu foco está em marketing digital, SEO, marketing de conteúdo e pesquisa paga.Bem, isso te trouxe até aqui.

E os próximos quatro anos?

Bem, se você ou alguém da sua equipe já entende o TensorFlow (anteriormente conhecido como Google Brain), então você está pronto para arrasar.

Mas, se você não tiver um pesquisador ou desenvolvedor em sua equipe que entenda como usar o ecossistema abrangente e flexível de ferramentas, bibliotecas e recursos da comunidade do TensorFlow para impulsionar o aprendizado de máquina (ML) de última geração para crie e implante aplicativos baseados em ML para sua organização ou clientes, então você precisa encontrar um … rapidamente.

Por quê?

Porque no futuro, seu destino – e o destino de sua organização ou clientes – aumentará nas mãos dos sistemas de recomendação.

É por isso que vale a pena dedicar seu tempo e atenção para ler “Redes neurais profundas para recomendações do YouTube” hoje.

Assim como um daqueles brinquedos de espionagem periscópio que permitem que as crianças “vejam cantos e paredes”, este documento acadêmico de 8 páginas pode ajudá-lo a ver o que está escondido à vista de todos por mais de três anos e meio.

Mais recursos:

Todas as categorias: Blog