YouTube-Algorithmus erklärt

Wie Sie Ihren YouTube-Kanal schnell erweitern, indem Sie mit dem YouTube-Algorithmus arbeiten, anstatt dagegen

Viele kleine YouTuber kämpfen damit, ihren Kanal auszubauen.

Obwohl es viele Gründe gibt, warum Ihr YouTube-Kanal nicht wächst, ist einer der häufigsten, dass Sie nicht verstehen, wie der YouTube-Algorithmus funktioniert.

In diesem Artikel zeige ich Ihnen, wie der YouTube-Algorithmus unter der Haube funktioniert.

Sie erfahren, wie der maschinelle Lernalgorithmus das Thema jedes Videos bestimmt, wie er ähnliche YouTube-Kanäle gruppiert, wie er versteht, woran jeder Zuschauer interessiert ist, und wie er neue Videos und Kanäle empfiehlt, die Zuschauer nicht abonniert haben.

Wenn Sie weniger an den wesentlichen Details des YouTube-Algorithmus interessiert sind, können Sie auch meine taktischere Anleitung zum Knacken des YouTube-Algorithmus lesen.

Wie versteht der YouTube-Algorithmus das Thema YouTube-Videos

Eine der obersten Prioritäten von YouTube ist es, den Inhalt jedes Videos verstehen zu können, damit es der richtigen Person das richtige Video empfehlen kann.

YouTube verwendet eine Vielzahl von Techniken, um jedes Video zu analysieren.

Es verwendet sowohl direkte als auch indirekte Metadaten, um Schlüsselwortdaten aus Videos und Video- und Audioanalysen über komplexe maschinelle Lernalgorithmen zu extrahieren.

Textbasierte Analyse

Die einfachste Analyse basiert auf der textbasierten Keyword-Extraktion.

Zu diesem Zweck betrachtet YouTube eine Reihe direkter und indirekter textbasierter Attribute, um beschreibende Schlüsselwörter zu extrapolieren, die den Inhalt seines Videos genau widerspiegeln.

Keyword-Analyse von Titel, Beschreibung und Video-Tags

Benutzer können ihren Videos einen Videotitel, eine Videobeschreibung, Videotags und eine Videokategorie hinzufügen.

Wie bei allen benutzergenerierten Metadaten besteht das Problem darin, dass sie häufig fehleranfällig, mehrdeutig und unvollständig sind.

Aus diesem Grund muss YouTube zunächst alle geschriebenen Metadaten bereinigen und verbessern, um sie in ihrem Empfehlungsalgorithmus verwendbar zu machen.

Beispiel:

Jemand könnte Instagram, Insta, Gram oder IG schreiben, die sich alle auf dieselbe Social-Media-App beziehen. YouTube löst diese Mehrdeutigkeit, indem Synonyme mit gleichem Namen intern gruppiert werden.

Anschließend verwendet es Kontextdaten, um den Kontext des Schlüsselworts „Instagram“ zu verstehen. Spricht jemand über das Unternehmen Instagram, die kulturellen Auswirkungen von Instagram, wie man die Instagram-App als Benutzer nutzt oder wie man als Content-Ersteller ein Publikum auf Instagram vergrößert?

Die vereinheitlichten und verbesserten Metadaten werden dann für jedes Video zur weiteren Analyse gespeichert.

Ich empfehle, meine Artikel über das Benennen Ihrer YouTube-Videos und das Optimieren Ihrer Videotitel für weitere Details zu lesen.

Untertitelanalyse

Videotranskriptionen in Form von Untertiteln sind bei weitem die beste Quelle für Videometadaten für die Inhaltsanalyse.

Wenn sie genau transkribiert werden, stellen sie eine Eins-zu-eins-Umwandlung von gesprochenem Wort in geschriebenes Wort dar und machen es so für die Analysetools für maschinelles Lernen von YouTube zugänglich.

Im Wesentlichen kann YouTube dieselben fortschrittlichen Technologien verwenden, die seine Muttergesellschaft Google verwendet, um Milliarden von Websites, Seiten und Blog-Posts für SEO zu analysieren.

Anfangs verließ sich YouTube darauf, dass die Nutzer ihre eigenen Untertitel hochladen oder transkribieren.

Da dies ein mühsamer Job war, würden nur eine Handvoll äußerst engagierter YouTube-Nutzer ihr Video tatsächlich untertiteln.

Obwohl Untertitel für die Textanalyse so viel besser waren, waren sie irgendwie nutzlos, wenn nur 1 von 100.000 Untertitel hatte.

YouTube löste dies, indem es stark in seine eigene Spracherkennungssoftware investierte, die jeden Video-Upload automatisch transkribierte und in Untertitel umwandelte.

Das Problem mit den Transkriptionen von YouTube ist, dass sie manchmal nicht 100 % genau sind.

Es missversteht oft, was Leute in Videos sagen, und verwendet dann falsche Wörter in seinen Untertiteln, insbesondere wenn die Audioausrüstung von geringerer Qualität ist, die Hintergrundgeräusche sehr hoch sind oder wenn jemand einen Akzent hat.

Dies hat einige potenziell sehr gefährliche Konsequenzen für jeden Ersteller von YouTube-Inhalten.

Im besten Fall verknüpft YouTube kein wichtiges Keyword, für das Sie ranken möchten, mit Ihrem Video.

Im schlimmsten Fall könnte ein harmloses Wort als böse Beleidigung interpretiert werden, was zu einer Dämonisierung oder einem automatischen Community-Streik führt.

Wenn Sie die bestmöglichen Ergebnisse für Ihre Transkripte und Untertitel erzielen möchten, einschließlich der richtigen Groß- und Kleinschreibung und Interpunktion, empfehle ich Ihnen, sich Descript und Otter anzusehen, um die besten Ergebnisse zu erzielen.

Playlist-Analyse

YouTube verwendet auch indirekte, kontextbezogene Metadaten, um zu verstehen, worum es bei einem bestimmten YouTube geht.

Ist ein bestimmtes Video in einer oder mehreren Video-Playlists enthalten, die von deinem Kanal oder von anderen erstellt wurden? Wenn ja, welche Schlüsselwörter sind im Titel und in der Beschreibung der Playlist enthalten?

YouTube könnte dann jede Wiedergabeliste analysieren, indem es alle Videotitel innerhalb jeder Wiedergabeliste zusammenführt und dann Mustererkennungsalgorithmen verwendet, um gemeinsame Schlüsselwörter zu identifizieren, die Gemeinsamkeiten zwischen allen Videos genau beschreiben.

Diese Gemeinsamkeiten in den Wiedergabelisten können als zusätzliche Kontextinformationen für jedes eingebettete Video dienen.

Wenn eine bestimmte Playlist beispielsweise zusammenhangslose Daten und Rauschen enthält, ignoriert YouTube die Daten, weil jemand zusammenhangslose Videos zusammenwirft.

Mit dem Playlists Action Tool von TubeBuddy können Sie vorhandene Wiedergabelisten schnell aufräumen.

Kommentaranalyse

Eine weitere Quelle für Video-Metadaten sind YouTube-Kommentare. Dies ist relevanter für größere Kanäle, die für jedes Video konstant viele Kommentare erhalten.

YouTube kann nach bestimmten Schlüsselwörtern und Mustern suchen, die auf beschreibende Aussagen hindeuten.

Beispiel:

"Vielen Dank. Ihr Video hat mir wirklich geholfen zu verstehen, wie ich mehr Leute dazu bringen kann, meinen YouTube-Kanal zu abonnieren."

In diesem Fall könnte eines der Suchmuster „how to …“ lauten.

Auch hier ist es wichtig zu erwähnen, dass YouTube Kommentare nicht für bare Münze nimmt. Andernfalls wäre es für Schurken leicht, das System auszutricksen, um sich einen unfairen Vorteil zu verschaffen.

Stattdessen verwendet YouTube alle Daten, um sein Konfidenzniveau zu erhöhen, indem die Kongruenz über alle Datenpunkte hinweg bestätigt wird.

Wenn Sie einen Blick darauf werfen möchten, was YouTube sieht, sehen Sie sich die TubeBuddy-Kommentar-Wortwolke an.

Infokarten und Abspannanalyse

Die letzten Videometadatenquellen sind Infokarten und Abspanne.

Verlinken eingebettete Karten auf bestimmte Videos, Playlists oder externe Websites?

Wenn ja, welcher Text ist im Titel und in der Beschreibung jeder Karte enthalten?

Welche Metadaten und Inhaltscluster sind bei YouTube-Videos mit jedem Video verknüpft? Gibt es Ähnlichkeiten und Überschneidungen zwischen den Quell- und Zielvideos oder Playlists?

Was ist im Fall von Websites die URL, der Seitentitel und der HTML-Inhalt der einzelnen Seiten?

Das TubeBuddy Bulk Processing Tool für Infokarten und Abspanne wird Ihnen eine Menge Zeit sparen.

Visuelle Analyse

YouTube verwendet ein KI-basiertes Fotoanalysetool, um Video-Thumbnails und einzelne Videoframes auf Basis von Googles Cloud Vision AI zu analysieren.

Das Bemerkenswerte an Googles Cloud Vision AI ist, dass Sie offen darauf zugreifen können, um Ihre eigenen Video-Thumbnails zu bewerten.

Sie können meinen Artikel über das Entwerfen des perfekten YouTube-Thumbnails für eine Schritt-für-Schritt-Anleitung lesen.

Hier sind einige der Objekte, die YouTube und Cloud Vision erkennen können:

• Menschen
• Gesichter
• Emotionen
• Gesten
• Kleidung
• Objekte und Attribute
• Dominierende Farben
• Stil
• Logos
• Texterkennung
• Bewertung für sichere Suche
  • Erwachsene
  • Parodie
  • Medizinisch
  • Gewalt
  • Rassig

Um ehrlich zu sein, ist es fast ein bisschen beängstigend, wie genau KI im Laufe der Jahre geworden ist.

YouTube verwendet dieselbe Technologie, um jedes Video Bild für Bild zu analysieren.

Hauptsächlich, um urheberrechtlich geschützte Inhalte und alle Inhalte zu identifizieren, die zu einem Verstoß gegen die Community-Richtlinien führen würden.

Als sekundären Vorteil identifiziert YouTube Personen und Objekte in jedem Ihrer Videos.

Wenn Ihr Videotitel „Wie man den perfekten Tomatensalat macht“ lautet, wäre es sehr sinnvoll, einige echte Tomaten in Ihren Videos zu „sehen“.

Dies hilft YouTube nicht nur dabei, gefälschte Clickbait-Titel zu bekämpfen, sondern ist auch eine großartige Quelle für zusätzliche Metadaten, die sich möglicherweise nur schwer in Textform ausdrücken lassen.

Angenommen, Sie haben ein Video mit dem Titel „3 unterschätzte Orte in London“ und die drei Orte, die Sie in Ihrem Video gezeigt haben, waren „Borough Market“, „Thames Barrier Park“ und „Richmond Park“.

Wenn die KI von YouTube bestimmte Orte rein visuell erkennen könnte, indem sie beispielsweise ein Zeichen per OCR-Technologie in Text umwandelt.

YouTube würde Ihr Video dann jemandem empfehlen, der nach dem „besten Lebensmittelmarkt in London“ sucht.

Dies funktioniert in vielen Fällen, auch wenn Sie sie nicht in Ihren Titel, Ihre Beschreibung, Tags oder Untertitel aufnehmen.

Audioanalyse

YouTube analysiert auch jeden Moment der Musik, Geräusche und gesprochenen Worte aller Videos.

Der offensichtlichste Grund ist wiederum die Identifizierung urheberrechtlich geschützter Musik für das Content-ID-System von YouTube.

Die zusätzlichen Audiodaten bieten auch wertvolle Einblicke in das, was in jedem Video vor sich geht.

Bestimmte Songs sind mit bestimmten Künstlern, dem Musikgenre und anderen Songs verknüpft, die gut zusammenpassen könnten.

Töne und Soundeffekte kommunizieren oft bestimmte Ereignisse. Beispielsweise würde ein "Miau"-Geräusch die Anwesenheit einer Katze anzeigen.

Die gesprochenen Worte können auf die Anwesenheit einer bestimmten Person in Ihrem Video hinweisen.

Kontextanalyse

YouTube verwendet auch umfassendere Kontextdaten, um das Thema jedes Videos besser zu verstehen.

Kanal

• Was wissen wir über den YouTube-Kanal, der ein Video hochlädt?
• Welchen Inhaltsclustern ist der YouTube-Kanal zugeordnet?
• Was wissen wir über die Nutzer, die sich Videos von diesem Kanal ansehen?
• Welche größeren Zielgruppen sehen sich Videos von diesem Kanal an?
• Welche demografischen Gruppen sehen sich Videos von diesem Kanal an?

Externe Webseiten

• Wurde dieses Video auf externen Websites eingebettet?
• Wenn ja, welche zusätzlichen Informationen können wir aus dem Webseiteninhalt extrapolieren, in den ein bestimmtes Video eingebettet wurde?
• Was veröffentlicht diese Website noch?
• Wer ist der Autor des bestimmten Artikels?
• Für welche Themen ist dieser Autor bekannt?
• Was ist der Website Authority Score?

Zuschaueranalyse

• Wie haben die Zuschauer mit diesem Video interagiert?
• Welche Zeiträume wurden beobachtet und wie oft?
• Welche Zeitbereiche wurden wie oft übersprungen?
• Wie hoch ist die Klickrate jedes Zuschauers auf Videoimpressionen?
• Wie lang ist die Wiedergabezeit des Zuschauers in Minuten/Prozent?
• Was wissen wir über das Kollektiv von Zuschauern mit einem niedrigen Wiedergabezeitprozentsatz?
• Was wissen wir über das Kollektiv der Zuschauer mit einem hohen Prozentsatz an Wiedergabezeit?

Wie findet der YouTube-Algorithmus ähnliche YouTube-Kanäle zum Empfehlen?

Wie verknüpft der YouTube-Algorithmus YouTube-Kanäle mit einzelnen Themen, Kategorien und Inhaltsclustern?

Wenn Sie sich die auf dem YouTube-Kanal von CNN geposteten Videos ansehen, verstehen Sie wahrscheinlich, dass sie sich hauptsächlich auf die Produktion von Nachrichteninhalten konzentrieren.

Aber wie kann YouTube das Gleiche für seine Millionen von YouTube-Kanälen in großem Umfang feststellen?

Der einfachste Ansatz wäre, jeden YouTube-Kanal zu bitten, sich selbst einzustufen.

Einfach die richtige Kategorie aus einer langen Liste von Kanalkategorien auswählen und alles wird gut?

Naja, nicht so schnell...

Das Problem bei der Selbsteinstufung ist, dass sie fehleranfällig ist.

Ein Ersteller von YouTube-Inhalten hat möglicherweise keine klare Kanalrichtung oder Inhaltsstrategie. Daher wissen sie möglicherweise nicht, welche Kategorie sie auswählen sollen.

Ersteller könnten auch verwirrt sein, welche Kategorie sie wählen sollen, wenn sie die Definition oder Bedeutung jeder Kategorie nicht verstehen.

Manchmal sind sie auch überfordert, besonders wenn die Liste der Kategorien sehr lang ist.

Die Lösung?

Sie bestimmen die YouTube-Kanalkategorie algorithmisch!

So kann YouTube verstehen, worum es bei YouTube-Kanälen geht.

Sie betrachten drei verschiedene Faktoren.

• Was ist der Inhalt jedes ihrer Videos?
• Was sind die beliebtesten Themen und Themen in all ihren Videos?
• Welche Eigenschaften, Merkmale und Interessen teilen die Zuschauer ihrer Videos?

Alle drei Informationen ergänzen sich.

Je harmonischer die Daten sind, desto höher ist der Vertrauenswert von YouTube, dass ein bestimmter Kanal in eine bestimmte Kategorie und Nische gehört. Je wahrscheinlicher YouTube Ihre Videos im Abschnitt „Vorgeschlagene Videos“ von YouTube-Kanälen in derselben Nische empfiehlt.

Aus diesem Grund ist es so wichtig, eine klare YouTube-Content-Strategie für alle Ihre Videos zu entwickeln. In meinem Artikel zur Strategie für YouTube-Content-Cluster erfahren Sie mehr darüber, wie Sie eine Content-Strategie von Grund auf neu erstellen.

Wie bestimmt der Algorithmus von YouTube, woran jeder Benutzer interessiert ist?

YouTube verfolgt alles, was Benutzer auf ihrer Website tun.

Jede Mausbewegung. Jeder Klick auf ein YouTube-Thumbnail.

Wie viel Prozent eines Thumbnails waren auf jeder Seite sichtbar.

Ob ein Video im Vordergrund oder im Hintergrund abgespielt wird.

Welche Video-Thumbnails und -Titel wurden jedem Nutzer angezeigt und wie oft?

Wie hoch war die Klickrate jeder Videoimpression?

Wie viele Aufrufe hat jedes YouTube-Video?

Wie lange war die Wiedergabezeit des Videos in Minuten und Prozent, nachdem auf ein Video geklickt wurde? Wie hoch ist der typische Prozentsatz der Videoanzeigezeit dieses Nutzers? Liegt die Wiedergabezeit dieses Videos über oder unter dem Durchschnitt?

Was hat jemand getan, nachdem er sich zum ersten Mal ein bestimmtes Video angesehen hat?

Haben sie sich engagiert? Haben sie den Like-to-Dislike-Button gedrückt? Haben sie einen Kommentar geschrieben? War es ein positiver oder ein negativer Kommentar, der auf einer Stimmungsanalyse basiert?

Hat der Nutzer die Videobeschreibung erweitert?

Hat ein Zuschauer das Video geteilt? Wenn ja, auf welcher Plattform? Und was war der wahrscheinlichste Grund für das Teilen?

Haben sie einen YouTube-Kanal abonniert? Wenn ja, auf welcher Seite? Falls auf der Videoseite, wie viel Prozent des Videos haben sie sich angesehen?

Haben sie bestimmte YouTube-Kanäle erkundet? Welche Videotitel waren für sie sichtbar? Auf welche haben sie geklickt?

Haben sie Videos zu bestimmten Playlists hinzugefügt? Wie war der Titel dieser Playlist? Was waren die Themen und Themen anderer Videos in derselben Playlist?

Haben sie die Taste „Später ansehen“ gedrückt?

Was sind die zugehörigen Inhaltscluster, Themen und Themen dieses Videos? Hat sich dieser Nutzer aufgrund seines bisherigen Verhaltens und seines Wiedergabeverlaufs für einen dieser Inhaltscluster interessiert? Gibt es typischerweise überlappende Interessen zwischen zwei Content-Clustern, z. B. Linux und Softwareentwicklung?

YouTube verwendet dann all diese Datenpunkte, um seine maschinellen Lernalgorithmen zu füttern, um Muster über mehrere Benutzer hinweg zu finden.

Zusammenfassen.

YouTube klassifiziert zuerst Videos, um zu verstehen, worum es in jedem Video geht.

Anschließend gruppiert es Themen in breitere Inhaltsgruppen und Nischen.

Sieht sich jemand ein bestimmtes Video an, werden die zugehörigen Content-Cluster als Interessen mit dem Nutzerprofil verknüpft.

Je mehr Videos sich jemand aus demselben Content-Cluster ansieht, desto wahrscheinlicher wird es diesem Benutzer Videos aus derselben Kategorie empfehlen.

Diese Analyse ermöglicht es YouTube zu verstehen, woran jeder Benutzer interessiert ist, aber es beschränkt sich nicht nur auf die Videoanalyse.

YouTube verwendet Co-Watch-Daten auch, um die Interessen einzelner Nutzer weiter zu verfeinern.

Eine taktische Anleitung zur Implementierung dieser Lektionen finden Sie in meinem Artikel zum Knacken des YouTube-Algorithmus.

Der YouTube-Algorithmus erstellt unterschiedliche demografische und Interessengruppen basierend auf dem, was die Leute sehen

Wie verknüpft der YouTube-Algorithmus einzelne Zuschauer mit größeren Content-Clustern?

YouTube gruppiert Benutzer basierend auf gemeinsamen Interessen und zugehörigen Inhaltsclustern, sodass Empfehlungen basierend auf dem Verlauf anderer Benutzer und neuen Videos, die bestimmten Inhaltsclustern hinzugefügt wurden, abgegeben werden können.

Diese Funktion ist dem Amazon-Empfehlungsalgorithmus für häufig zusammengekaufte Vorschläge und den Facebook-Lookalike Audiences sehr ähnlich.

YouTube zeichnet den Wiedergabeverlauf jedes eingeloggten Nutzers auf seiner Plattform auf.

Anschließend wird der Wiedergabeverlauf aller Personen gleichzeitig betrachtet und die durchschnittliche Entfernung zwischen zwei beliebigen Videos innerhalb derselben Sitzung berechnet. Die kürzere Distanz, wenn sich jemand beide Videos hintereinander ansieht, die längere Distanz, wenn er sich zwischendurch ein paar andere Videos ansieht.

Sobald YouTube die durchschnittliche Distanz zwischen zwei Videos berechnet hat, kann es Nutzungen mit ähnlichem Wiedergabeverlauf miteinander verknüpfen und neue Videos basierend auf Nutzern mit einem gemeinsamen Interesse empfehlen.

Ein fortschrittlicheres System kann noch mehr Datenquellen kombinieren.

Was ist der Prozess des YouTube-Algorithmus zum Identifizieren neuer Themen und Inhaltscluster?

YouTube-Videokategorien

In den Anfangszeiten versuchte YouTube, manuell eine Liste möglicher Videokategorien zu definieren, und forderte die Benutzer auf, für jedes ihrer Videos eines der folgenden Themen auszuwählen:

• Film & Animation
• Autos & Fahrzeuge
• Musik
• Haustiere & Tiere
• Sport
• Reisen & Veranstaltungen
• Spielen
• Menschen & Blogs
• Komödie
• Unterhaltung
• Nachrichten & Politik
• Anleitung & Stil
• Bildung
• Wissenschaft & Technologie
• Gemeinnützige Organisationen und Aktivismus

Sie finden die Einstellung für die Videokategorie immer noch auf Ihrer Seite mit den Videoeinstellungen, obwohl sie heute irrelevant ist und ignoriert wird.

Die Selbstklassifizierung verursachte zahlreiche Probleme, da die Videoersteller nicht verstanden, wie die einzelnen Kategorien funktionieren sollten und wie sich die Kategorien voneinander unterscheiden sollten.

Das Ergebnis war eine uneinheitliche Kennzeichnung.

Freebase-Wissensdiagramm

YouTube erkannte schnell die Grenzen dieser 15 Kategorien und begann mit der Arbeit an einem ganzheitlicheren Ansatz auf der Grundlage der Freebase Knowledge Graph-Datenbank.

Freebase war eine große kollaborative Wissensdatenbank mit mehr als 39 Millionen strukturierten Datenentitäten.

Es wurde um "Entitäten", auch bekannt als Themen, organisiert. Jede Entität wurde mit einem oder mehreren „Typen“ verknüpft. Jeder Typ hatte einen einzigartigen Satz von "Attributen".

Beispielsweise wurde eine „Auto“-Entität unter anderem mit dem „Motor“-Typ verknüpft, der ein „Pferdestärken“-Attribut hatte.

Ähnlich wie bei Wikipedia wurden Freebase-Namen von Entitäten, Typen und Attributen in verschiedene Sprachen übersetzt, was eine großartige Nachricht für die internationale Expansion von YouTube war.

YouTube verwendete die Freebase-Datenbank als Grundlage für die Entwicklung seines proprietären Kategoriesystems.

Google hatte bereits mehrere Taxonomiesysteme entwickelt, um den Inhalt von Webseiten für seine Suchmaschinen- und Werbezwecke zu klassifizieren.

YouTube verwendete die Klassifizierungsalgorithmen von Google, um jede Entität, jeden Typ und jedes Attribut der Freebase-Datenbank zu verarbeiten, um sie mit dem Taxonomiesystem von Google zu verknüpfen.

Das resultierende Modell wurde weiter angereichert, indem spezifische Themen mit dedizierten Wikipedia-Portalseiten verknüpft wurden.

Von 15 auf mehr als 39 Millionen Themenkategorien zu wechseln, war ein großer Schritt nach vorne für YouTube, aber es hatte immer noch unzählige Einschränkungen.

Das größte Problem war die Abhängigkeit von menschlicher Klassifizierung und der hierarchische Top-Down-Ansatz zur Organisation von Themen.

Dies wurde mit dem explosionsartigen Aufkommen neuer Technologien und Ideen noch deutlicher.

Manuelle Kategorien waren zu unflexibel und zu langsam, um sich an Änderungen anzupassen.

Heutzutage haben die meisten Ideen und Konzepte keine Schwarz-Weiß-Definitionen, sind oft mehrdeutig und fließend in ihrer Bedeutung und entwickeln sich im Laufe der Zeit ständig weiter.

Ist ein iPhone ein Telekommunikationsgerät, ein mobiler Computer, ein Telefon, eine Videokamera oder ein Smartphone? Was ist, wenn wir Apps in Betracht ziehen? Ist es ein Taschenrechner, ein Textverarbeitungsprogramm, eine Spielkonsole?

Was, wenn wir komplexere Konzepte und Ideen mit 20 Hierarchieebenen haben? Wie organisieren wir diese?

YouTube entschied sich 2015, Freebase zugunsten eines neuen algorithmischen Klassifikationsalgorithmus einzustellen, der keinerlei menschliche Klassifizierung und Kuration erforderte.

Algorithmische Generierung von Inhaltsclustern

Wie kann ein Computer zu jedem erdenklichen Thema dieser Welt eine superpräzise Landkarte erstellen und diese Landkarte dann in klar definierte Inhaltscluster strukturieren?

Dies kann durch fortschrittliche maschinelle Lernalgorithmen erreicht werden, die Milliarden von Datenpunkten von Video-Metadaten und den Wiedergabeverlauf von Benutzern durchsuchen.

Zuerst wird jedes Video in Textmetadaten umgewandelt, indem Videotitel, Beschreibung, Tags und Kommentare extrahiert und die Audiospur mit Texterkennungsalgorithmen in Untertitel umgewandelt werden.

Irrelevante Informationen werden verworfen.

Die kombinierten Textdaten jedes Videos werden analysiert und basierend auf Schlüsselwörtern und Phrasen gruppiert.

Die identifizierten Keywords und Phrasen werden dann sortiert und nach Relevanz und Häufigkeit gewichtet.

Schlüsselwörter werden dann auf der Grundlage von Videowiedergabedaten miteinander verknüpft.

YouTube betrachtet jedes Schlüsselwort oder jede Phrase einzeln

Dann erstellt es eine Liste aller Videos, die das spezifische Schlüsselwort oder die Phrase enthalten.

Und identifiziert dann alle Benutzer, die mindestens zwei verschiedene Videos mit demselben Schlüsselwort oder derselben Phrase innerhalb derselben Sitzung angesehen haben.

YouTube analysiert dann den Wiedergabeverlauf aller Sitzungen und berechnet den durchschnittlichen Wiedergabeabstand zwischen allen Videos, die das Ziel-Keyword oder die Zielphrase enthalten.

Nehmen wir an, wir haben drei Videos mit demselben Keyword, A, B und C.

Wenn Jane mit A angefangen hat, dann f, dann B und zuletzt C.

Der Abstand zwischen A und B wäre 2, während A zu C 3 wäre und so weiter.

Je kürzer der Abstand zwischen zwei Videos ist, desto relevanter sind die Videos und damit die verknüpften Keywords.

Durch die Kombination von Millionen von Videos und Benutzerdaten erhalten Sie eine ziemlich gute Darstellung der Keyword-Relevanz.

Lasst uns jetzt etwas Verrücktes tun.

Lassen Sie uns eine gigantische multidimensionale Mindmap erstellen und alle Keywords mit dem durchschnittlichen Betrachtungsabstand kombinieren.

Am Ende erhalten Sie ein gigantisches Diagramm mit Millionen miteinander verbundener Datenpunkte.

YouTube verarbeitet den Graphen zunächst mit einem Outside-In-Algorithmus vor, um Seed-Videos und Schlüsselwörter zu finden, um den Graphen in Content-Cluster aufzuteilen.

YouTube sucht nach natürlichen Grenzen mit minimaler Überlappung und einem größeren durchschnittlichen Betrachtungsabstand.

Sobald YouTube potenzielle Content-Cluster identifiziert hat, wählt es zwei zufällige Seed-Videos aus jedem Cluster aus, um eine lokale, eingehende Content-Cluster-Analyse zu starten.

Dieser Algorithmus arbeitet von innen nach außen und versucht, einen lokalen Content-Cluster-Graphen mit klar definierten Kanten zu erstellen, indem er den kürzesten Weg zwischen den beiden Seed-Videos identifiziert und dann relevante Nachbarvideos mit ähnlichen Schlüsselwörtern miteinander verknüpft.

Im letzten Prozess entfernt YouTube dann Videos mit dem niedrigsten Ähnlichkeitswert, normalerweise von den Rändern des Clusters, um zusätzliche Klarheit zu schaffen.

Manchmal erkennt YouTube möglicherweise, dass der identifizierte Inhaltscluster weiter in zusätzliche Untercluster unterteilt werden kann.

Der Vorteil dieses algorithmischen Ansatzes zur Generierung von Inhaltsclustern besteht darin, dass kein oder nur ein sehr minimaler menschlicher Eingriff erforderlich ist.

Dieser Algorithmus identifiziert ständig neue Inhaltsgruppen und Themen, die oft nur für wenige Nutzer relevant sind.

Alles, was es braucht, sind ein paar YouTuber, die Videos über ein neues Keyword erstellen, und ein paar Leute, die sich ihre Videos ansehen.

Et voila, ein neuer Inhaltscluster wurde erstellt.

Lesen Sie diesen Artikel darüber, wie Sie Ihre YouTube-Content-Strategie mit den Content-Clustern von YouTube verknüpfen.

Und da YouTube den Wiedergabeverlauf aller Personen kennt, kann es diesen neuen Content-Cluster jetzt einer Lookalike-Zielgruppe empfehlen, die sich aus Personen zusammensetzt, die denen ähneln, die diese Videos zuerst angesehen haben.

YouTube Discovery-Funktionen

YouTube-Homepage-Feed-Algorithmus

Die Startseite von YouTube hat sich im Laufe der Jahre stark verändert.

Auf der YouTube-Startseite wurden nur Videoempfehlungen für abonnierte Kanäle angezeigt.

Der Homepage-Feed ist jetzt zu 100 % personalisiert und enthält Videoempfehlungen basierend auf dem Wiedergabeverlauf jedes Benutzers.

YouTube verwendet eine Mischung aus Videos, die auf vertrauten Themen basieren, die der Benutzer kürzlich angesehen hat, und neuen Videos aus völlig anderen Kategorien, die auf Lookalike-Benutzern basieren, um die Vorschläge frisch und spannend zu halten.

Warum konzentriert sich der Startseiten-Feed nicht ausschließlich auf bekannte Themen? Warum riskieren, meinen guten Geschmack mit jemandem zu "beleidigen", den ich noch nie zuvor gesehen habe?

Das mag kontraintuitiv erscheinen, aber es stellt sich heraus, dass Frische ein entscheidender Faktor ist, um Menschen länger auf der YouTube-Plattform zu halten.

Die Leute können nur so viele Videos zu einem Thema ansehen, bevor sie sich geistig erschöpft fühlen. Frische Videothemen geben einen Ausweg und verhindern, dass Langeweile aufkommt.

Um im Startseiten-Feed vorgestellt zu werden, müssen Sie Ihre Klickrate und die Zuschauerbindung verbessern, da Sie dadurch ein größeres Publikum erreichen können.

YouTube-Abonnement-Feed-Algorithmus

Der Abonnement-Feed ist ziemlich selbsterklärend. Es konzentriert sich ausschließlich auf Videos von Kanälen, die Nutzer bereits abonniert haben.

Obwohl sich dieser Feed auf Ihre Abonnements konzentriert, ist er kein chronologischer Feed.

YouTube versucht immer noch, Ihnen die bestmöglichen Inhalte zu zeigen, von denen es glaubt, dass Sie länger auf der Plattform bleiben.

Hier ist, was Sie im Abonnement-Feed sehen werden.

Kürzlich hochgeladene Videos von Kanälen, die Sie abonniert haben, mit einem Schwerpunkt auf ähnlichen Themen wie dem, was Sie sich bereits angesehen haben, und Videos, die bereits eine nachgewiesene Erfolgsbilanz in Bezug auf eine hohe Klickrate und eine lange Wiedergabezeit aufweisen.

Algorithmus für von YouTube vorgeschlagene Videos

YouTubes „Vorgeschlagener“ Feed-Algorithmus, der auch „Als Nächstes“-Videos enthält, ist ein wichtiger Faktor, den Ersteller berücksichtigen sollten.

Diese Funktion wählt Videos für den vorgeschlagenen Bereich unter dem aktuellen Video auf mobilen Geräten oder in der rechten Seitenleiste auf Desktop-Computern aus.

Was überlegt YouTube, ob es eines deiner Videos vorschlägt oder nicht?

Der erste Schritt besteht darin, sicherzustellen, dass die Metadaten Ihrer Videos mit den Metadaten der Videos übereinstimmen, von denen Sie hoffen, empfohlen zu werden.

Dazu gehören ähnliche Titel, Schlüsselwörter, Beschreibungen und das Video selbst, ausgedrückt durch seine Untertitel.

Deine Inhalte werden hier eher empfohlen, wenn sie die Zuschauer dazu bringen, weiterzuschauen, anstatt YouTube zu verlassen.

Die KI sucht auch nach ergänzenden ausführlichen Videos und Kanälen sowie Geschmacksbrechern, um sich etwas anderes anzusehen, damit sie nie überwältigt werden, wenn sie sich zu viele Videos zu einem bestimmten Thema ansehen.

Geschmacksbrecher sind nicht zufällig. Sie basieren immer noch auf persönlichen Empfehlungen, die auf dem Wiedergabeverlauf jedes Benutzers und Co-Watch-Daten ähnlicher Benutzer basieren.

YouTube-Trending-Feed-Algorithmus

Die meisten Leute glauben, dass der YouTube-Bereich "Trends" nur Videos enthält, die derzeit beliebt sind.

Diese Annahme ist falsch.

Trendthemen sind Themen, über die derzeit in Nachrichten und sozialen Medien gesprochen wird.

Es geht darum, was in den Nachrichten, in sozialen Medien, auf Websites, in Blogs und anderswo berichtet wird.

Die Trending-Funktion ist „geospezifisch“, was bedeutet, dass YouTube je nach Standort des Betrachters unterschiedliche Videos anzeigt.

YouTube-Benachrichtigungs-Feed-Algorithmus

Benutzer erhalten außerdem maßgeschneiderte Videoempfehlungen über YouTube-Benachrichtigungen.

Um Ihre Videos in den Benachrichtigungs-Feed zu bekommen, müssen Nutzer zunächst Ihren YouTube-Kanal abonnieren, gefolgt von einem Klick auf das Glockensymbol.

Anschließend benachrichtigt YouTube Abonnenten in Echtzeit über alle neuen Videos, die Sie auf Ihren Kanal hochladen.

Abonnenten erhalten die Benachrichtigung über ihre YouTube-App oder Desktop-Benachrichtigungen.

Üblicherweise werden Videobenachrichtigungen ohne Diskriminierung sequentiell angezeigt, was bedeutet, dass YouTube alle Benachrichtigungen von allen Kanälen anzeigt, unabhängig von der Anzahl der Abonnenten.

Die einzige Ausnahme ist, wenn ein Benutzer zu viele Benachrichtigungen für zu viele Kanäle aktiviert. In diesem Fall verwendet YouTube seinen Relevanzalgorithmus auf der Grundlage dessen, was der Nutzer höchstwahrscheinlich als Nächstes ansehen wird.

Algorithmus für YouTube-Suchergebnisse

Die YouTube-Suche legt großen Wert auf YouTube-SEO, einschließlich der Schlüsselwortoptimierung von Titel, Beschreibung, Video-Tags und Schlüsselwörtern, die in den Untertiteln jedes Videos zu finden sind.

Darüber hinaus werden die Anzahl der Kanalabonnenten und die Videowiedergabezeit berücksichtigt, wenn es darum geht, zu entscheiden, welcher Kanal in der Suche angezeigt wird und welche Videos an die Spitze geschoben werden.

Aktualität ist ein weiterer wichtiger Rankingfaktor, der es ermöglicht, neue und aktualisierte Inhalte zu empfehlen, was kleineren Kanälen eine Chance gibt.

Um dies zu nutzen, müssen neue Videos ihre Videotitel und Thumbnails optimieren, um eine hohe Klickrate zu erzielen; Andernfalls werden die neuen Videos im Laufe der Zeit herabgestuft, wenn niemand darauf klickt.

YouTube hat auch Videokapitel eingeführt, mit denen ein Video „in Abschnitte zerlegt“ werden kann, sodass Zuschauer spezifische Antworten auf bestimmte Fragen leicht finden können. Sie können diese Option in Ihrem Video aktivieren oder Ihre eigenen Videokapitel mit Schlüsselwörtern erstellen, die zu Ihrem Videothema passen. Dies ist hilfreich, um YouTube dabei zu helfen, deine Videos in den Suchergebnissen anzuzeigen.

Nächste Schritte

Wow, der YouTube-Algorithmus ist eine bemerkenswerte Technologie.

Nachdem Sie nun jeden Aspekt der Funktionsweise des YouTube-Algorithmus unter der Haube verstanden haben, was können Sie sonst noch tun, um Ihren (erfolgreichen) YouTube-Kanal schnell auszubauen?

Ich empfehle, meinen sehr taktischen Leitfaden zum YouTube-Wachstum zu lesen, um Ihnen dabei zu helfen, den YouTube-Algorithmus zu knacken.

Viele der technischen Details des YouTube-Algorithmus, die wir in diesem Artikel behandelt haben, werden weggelassen, um praktische Ratschläge und Empfehlungen zur Umsetzung der wichtigsten Lektionen über den YouTube-Algorithmus zu geben.

Anschließend können Sie sich unten einige meiner YouTube-Wachstumsartikel ansehen.

• So finden Sie die perfekte Nische für Ihren YouTube-Kanal, indem Sie die richtigen Content-Cluster für Ihren Kanal auswählen.
• So optimieren Sie Ihren Videotitel und auch hier.
• So entwerfen Sie erstaunliche Thumbnails für Ihr Video, die Klicks erhalten.
• So verbessern Sie die Klickrate Ihrer Impressionen auf YouTube.
• So erreichen Sie Ihre ersten 1000 YouTube-Abonnenten.
• So bauen Sie schnell 4000 Stunden Wiedergabezeit auf, um Ihren YouTube-Kanal zu monetarisieren.
• Wie Sie mit Ihrem YouTube-Kanal Geld verdienen können, auch hier, hier und hier.
• Last but not least meine vollständige Rezension des besten YouTube-Wachstumstools TubeBuddy.