Sitemap

Redan 2008 var jag en av de första författarna i branschen som märkte att YouTube hade passerat Yahoo!att bli den näst största sökmotorn i världen, efter endast Google.

Då skrev jag för Search Engine Watch och min artikel hade titeln Har YouTube klarat Yahoo i utökade sökningar?

(Spoiler alert: Svaret på den retoriska frågan i rubriken var: "Ja.")

Idag vill jag ställa en relaterad fråga: "Är YouTube på väg att passera Amazon som det största skalade och mest sofistikerade industriella rekommendationssystemet som finns?"

Den här frågan är inte retorisk – för jag vet inte svaret.

Men jag vet att föreslagna videor är en kraftmultiplikator för YouTubes sökalgoritm som du vill förstå.

Jag antydde detta förra året i en artikel i sökmotortidningen, YouTube Algorithm: 7 Key Findings You Must Know.

Jag sa: "För att maximera din närvaro i YouTube-sökningar och föreslagna videor måste du fortfarande se till att din metadata är väl optimerad. Detta inkluderar din videos titel, beskrivning och taggar."

Nu ber jag om ursäkt, eftersom jag sedan fortsatte med att förklara hur du optimerar din videos titel, beskrivning och taggar.

Jag gled helt och hållet förbi frasen, "din närvaro i YouTube-sökning och föreslagna videor."Men låt mig rätta till den förbisen nu.

De flesta SEO:are fokuserar på sökresultaten – för det är det som är viktigt i Google.

Men de flesta YouTube-marknadsförare vet att föreslagna videor kan generera nästan lika många visningar som visas i YouTubes sökresultat.

Varför?

Eftersom tittare tenderar att titta på flera videor under sessioner som i genomsnitt varar cirka 40 minuter.

Så en tittare kan göra en sökning, titta på en video och sedan fortsätta att titta på en föreslagen video.

Med andra ord kan du få två eller fler videor visade för varje sökning som görs på YouTube.

Det är det som gör föreslagna videor till en kraftmultiplikator för YouTubes sökalgoritm.

Fårigt erkänner jag att jag drog fördel av detta fenomen redan 2008.

En av våra kunder då var STACK Media, landets ledande producent och distributör av sportprestanda, träning och livsstilsinnehåll för gymnasieidrottare.

Vi optimerade 137 videor till kanalerna STACKVids, STACK Football, STACK Baseball och Stack Basketball på YouTube, som presenterade expertträningstips och insiderhistorier från några av världens främsta idrottare.

Till exempel hade vi en video som visade Will Bartholomew, som pratade om hantelbänkpressen som Peyton Manning använde under lågsäsongen.

Vilka sökord använde vi i rubriken?

Tja, om du tittar på videons titel är svaret ganska uppenbart: Peyton Manning Workout.

Och videons beskrivning kommer inte att lämna någon förbryllad över söktermerna vi riktade in oss på:

"Peyton Manning tränar på D1 under lågsäsong. Se Mannings fullständiga träningspass (med en spårningslänk till en relaterad artikel på STACKs hemsida)."

Men vilka taggar använde vi?

Tja, då visade YouTube fortfarande vilka taggar en video använde.

Så är det inte längre.Men jag delade den här fallstudien på SES San Jose 2008, så jag fick tillstånd från min klient att avslöja att vi använde följande taggar:

  • "Peyton Manning"
  • "Peyton Manning träning"
  • "quarterback träning"
  • "quarterback träning"
  • "Peyton Manning träning"
  • "bänkpress"
  • "quarterback bänkpress"
  • "hantelbänkpress"
  • "Bemannad träning"

Hur kom vi fram till dessa taggar?

Vi tittade på den topprankade videon då för termen, "Peyton Manning workout", och använde sedan så många av taggarna som vi kunde som också var relevanta för vår video.

På så sätt förbättrade vi våra odds att bli den bästa föreslagna videon efter att någon sett den topprankade videon.

Nuförtiden är det svårt att hitta videon som var högst rankad för den terminen 2008.

Men det är värt att notera att STACKs video för närvarande rankas #1 för "Peyton Manning workout", #1 för "Manning workout" och #5 för "Peyton Manning training".

Hur upptäcker och rankar YouTube föreslagna videor idag?

Det var så föreslagna videor fungerade när användarna laddade upp 13 timmars videoinnehåll till YouTube varje minut.

Så, hur upptäcker och rankar YouTube föreslagna videor nu när mer än 500 timmars videoinnehåll laddas upp till YouTube varje minut?

Tills nyligen kom det enda svaret jag kunde hitta från en video på YouTube Creators-kanalen med titeln How YouTube's Suggested Videos Work.

Som videons beskrivning på 300 ord förklarar:

"Föreslagna videor är en personlig samling videor som en enskild tittare kan vara intresserad av att se härnäst, baserat på tidigare aktivitet."

Det finns inget sätt som kreatörer kan påverka en tittares tidigare beteende, men detta betyder också att en sportkanal kan ta till sig sportfans.

"De visas för tittarna på höger sida av visningssidan under 'Nästa', under videon i mobilappen och som nästa video i autoplay."

Mer än 70 % av YouTubes visningstid kommer från mobila enheter, så du behöver en mobil-först-strategi för föreslagna videor.

"Studier av YouTube-konsumtion har visat att tittare tenderar att titta mycket mer när de får rekommendationer från en mängd olika kanaler, och föreslagna videor gör just det. Föreslagna videor rankas för att maximera engagemanget för tittaren."

Så det hjälper fortfarande att optimera din metadata, men du måste också skapa en övertygande öppning för dina videor, upprätthålla och skapa intresse genom hela videon, samt engagera din publik genom att uppmuntra kommentarer och interagera med dina tittare som en del av ditt innehåll.

Enligt beskrivningen är det mer sannolikt att föreslagna videor är:

  • "Videor ... som är aktuellt relaterade. De kan vara videor från samma kanal eller från en annan kanal."Med andra ord, sportvideor för sportfantaster antingen från din kanal eller en annan sportkanal.
  • "Videor från en tittares tidigare visningshistorik."Om du inte har en DeLorean-tidsmaskin, finns det inget sätt att påverka en tittares tidigare visningshistorik.

Videons beskrivning berättar också för kreatörer:

"Du kan se vilka videor som tar tittare till din kanal från Föreslagna videor i rapporten Trafikkällor (i YouTube Analytics) genom att klicka på rutan "Föreslagna videor".

Um, ja.Men vet inte de allra flesta om YouTube-skapare redan det?

Slutligen innehåller beskrivningen följande tips för kreatörer:

  • Inkludera starka uppmaningar i dina videor för att se en annan video i din serie.
  • Övertala tittarna varför de borde gå och titta på en annan video i din serie.
  • Tänk på hur dina videor slutar eftersom långa slut kan avskräcka tittarna från att titta på fler videor.
  • Använd spellistor, länkar, kort och slutskärmar för att föreslå nästa video att titta på.
  • Utveckla en serie videor som är organiskt sammankopplade.
  • Gör videor som är relaterade till populära format på YouTube som utmaningar eller listor.

Nu har den här videon 394 000 visningar.

Så det är säkert att anta att flera hundra tusen utexaminerade från det som tidigare kallades YouTube Creator Academy vet åtminstone så mycket om hur YouTubes föreslagna videor fungerar.

Så detta kommer inte att ge dig någon större konkurrensfördel.

Däremot finns det mer detaljerad information tillgänglig – även om den var säkert gömd tills en anonym källa, som kanske är en Bothan eller inte, skickade mig en länk till var jag kunde hitta den.

Länken tog mig till en artikel som hade publicerats den 15 september 2016 och som nu finns arkiverad på Google Research.

Denna gamla forskningsartikel skrevs av Paul Covington, Jay Adams och Emre Sargin från Google.Den har titeln "Deep Neural Networks for YouTube Recommendations."

Hur genererar och rangordnar YouTubes rekommendationssystem föreslagna videor?

Om du letar efter en seriös konkurrensfördel, kommer du att vilja ladda ner PDF-filen och läsa denna forskningsartikel själv.

Men om du behöver vara övertygad om att det är värt din tid och uppmärksamhet att läsa ett 8-sidigt akademiskt dokument som är mer än tre och ett halvt år gammalt, så låt dig dela med dig av några av höjdpunkterna som jag fann slingrade bort i " Deep Neural Networks för YouTube-rekommendationer."

Till att börja med avslöjar Covington, Adams och Sargin att YouTubes enorma rekommendationssystem består av "två neurala nätverk: ett för kandidatgenerering och ett för rankning."

Det är viktigt.

Eller, som Mon Mothma (Caroline Blakiston) högtidligt säger i Star Wars: Episod VI – Return of the Jedi (1983), "Many Bothans dog för att ge oss denna information."

Deras tidning säger:

"Kandidatgenereringsnätverket tar händelser från användarens YouTube-aktivitetshistorik som indata och hämtar en liten delmängd (hundratals) videor från en stor korpus. Dessa kandidater är avsedda att vara allmänt relevanta för användaren med hög precision."

Nu kan vi inte optimera våra videor för en tittares tidigare visningshistorik – om vi inte har en tidsmaskin.

Men vi kan skapa videor som är inriktade på målgrupper som YouTube också använder för att rikta in videoannonskampanjer.

Med andra ord kommer ditt videoklipp inte att hamna i en liten delmängd (hundratals) videor om det handlar om ett helt annat ämne än andra videor på din kanal, eller om det riktar sig till en helt annan demografisk grupp än du har gjort tidigare.

Åh, och tänk inte ens på att skapa en ny video riktad till "musikfans" om alla andra videor som din kanals prenumeranter har sett var inriktade på "sportfans".

Som jag påpekade i en artikel med titeln Platform Trends: How the Verticalization of Content Increases Reach på YouTube och Facebook, som publicerades på Tubular Insight i september 2018, inser ett halvdussin digital-first publishers redan att de följer en vertikal strategi.

Detta inkluderar: Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group och 9GAG.

Här är den retoriska frågan som jag ställde i den artikeln:

"Så varför skulle alla dessa förlag segmentera sina egenskaper i flera vertikaler istället för att bara stoppa in ett brett utbud av innehåll i gigantiska, horisontella ... YouTube-kanaler? För i ett ökande konkurrensutsatt videoekosystem online är det mer sannolikt att du engagerar publiken med innehåll som är snävt inriktat på deras speciella intressen än du är med en slumpmässig samling innehåll som kanske tilltalar deras allmänna intressen eller inte. Med andra ord, det är smartare att gå djupt än att gå brett."

Detta för oss till det andra neurala nätverket för rangordning.

Covington, Adams och Sargin erkänner att det finns många sätt att rangordna föreslagna videor.Men de avslöjar:

"Rankning efter klickfrekvens (CTR) främjar ofta vilseledande videor som användaren inte slutför ('clickbait'), medan visningstid bättre fångar engagemang."

Så undvik att använda vilseledande, clickbaity eller sensationella titlar och miniatyrer.

Ja, de jobbade förr.

Men de gick vägen för dodo när YouTube ersatte "visningar" med "visningstid" i sin algoritm redan i oktober 2012.

Okej, så det andra neurala nätverket använder inte CTR som en signal.Vilka andra signaler använder den?

Tidningens författare observerar att "de viktigaste signalerna" inkluderar:

  • Vad var användarens tidigare interaktion med själva videon och andra liknande videor?
  • Hur många videor har användaren sett från den här kanalen?
  • När såg användaren senast en video om detta ämne?

Covington, Adams och Sargin säger:

"Dessa kontinuerliga funktioner som beskriver tidigare användaråtgärder på relaterade objekt är särskilt kraftfulla eftersom de generaliserar väl över olika objekt. Vi har också funnit det avgörande att sprida information från kandidatgenerering till rangordning i form av funktioner, t.ex. vilka källor nominerade denna videokandidat? Vilka poäng tilldelade de?”

De lägger till:

"Funktioner som beskriver frekvensen av tidigare videovisningar är också avgörande för att införa "churn" i rekommendationer (på varandra följande förfrågningar returnerar inte identiska listor). Om en användare nyligen rekommenderades en video men inte såg den, kommer modellen naturligtvis att sänka detta intryck vid nästa sidladdning. Att ge upp till andra intryck och tittarhistorik är en ingenjörsprestation för sig själv utanför ramarna för detta dokument, men är avgörande för att ta fram lyhörda rekommendationer."

Covington, Adams och Sargin avslöjar:

"Vårt mål är att förutsäga förväntad visningstid givet träningsexempel som antingen är positiva (videovisningen klickades på) eller negativ (visningen klickades inte på). Positiva exempel är kommenterade med hur lång tid användaren ägnade åt att titta på videon. För att förutsäga förväntad visningstid använder vi tekniken viktad logistisk regression, som utvecklades för detta ändamål."

Med andra ord, om du vill optimera din video för YouTubes rekommendationssystem måste du hjälpa tittarna att hitta de videor de vill titta på och sedan maximera deras långsiktiga engagemang och tillfredsställelse.

Det är svårt.

Men med mer än 500 timmars videoinnehåll som laddas upp till YouTube varje minut, är det vad du behöver göra nu för tiden.

Vad betyder detta för dig?

Men vänta, det finns mer!

Tidningens författare avslöjade också att YouTube har använt "djupinlärning" för att designa, upprepa och underhålla "ett massivt rekommendationssystem" sedan 2016.

Och de såg "dramatiska prestandaförbättringar" med "enorm inverkan på användarna" redan då.

Nu kanske det inte håller dig vaken på natten.

Men om Google rullar ut det de har lärt sig till, åh, Google Shopping till exempel, då slår jag vad om att det kommer att skapa mardrömmar för forskare och utvecklare på Amazon.

Nu, vad betyder detta för dig?

Jag inser att ditt fokus ligger på digital marknadsföring, SEO, innehållsmarknadsföring och betald sökning.Det tog dig så långt.

Hur är det med de kommande fyra åren?

Tja, om du eller någon i ditt team redan förstår TensorFlow, (tidigare känd som Google Brain), så är du redo att rocka och rulla.

Men om du inte har en forskare eller utvecklare i ditt team som förstår hur man använder TensorFlows omfattande, flexibla ekosystem av verktyg, bibliotek och gemenskapsresurser för att driva det senaste inom maskininlärning (ML) till bygga och distribuera ML-drivna applikationer för din organisation eller dina kunder, sedan måste du hitta en … snabbt.

Varför?

För på vägen kommer ditt öde – och din organisations eller dina kunders öde – att öka i händerna på rekommendationssystem.

Det är därför det är värt din tid och uppmärksamhet att läsa "Deep Neural Networks for YouTube Recommendations" idag.

Precis som en av dessa periskopspionleksaker som låter barn "se runt hörn och över väggar", kan detta 8-sidiga akademiska dokument hjälpa dig att se vad som har varit gömt i osynligt i mer än tre och ett halvt år.

Fler resurser:

Tutte le categorie: Blogg