Algoritmo de YouTube explicado

Cómo hacer crecer rápidamente su canal de YouTube trabajando con el algoritmo de YouTube en lugar de en contra

Muchos pequeños YouTubers luchan por hacer crecer su canal.

Aunque hay muchas razones por las que tu canal de YouTube no crece, una de las más comunes es no entender cómo funciona el algoritmo de YouTube.

En este artículo, te mostraré cómo funciona el algoritmo de YouTube bajo el capó.

Aprenderá cómo el algoritmo de aprendizaje automático determina el tema de cada video, cómo agrupa canales de YouTube similares, cómo entiende lo que le interesa a cada espectador y cómo recomienda nuevos videos y canales a los que los espectadores no están suscritos.

Si está menos interesado en los detalles esenciales del algoritmo de YouTube, también puede leer mi guía más táctica sobre cómo descifrar el algoritmo de YouTube.

¿Cómo entiende el algoritmo de YouTube el tema de los videos de YouTube?

Una de las principales prioridades de YouTube es tener la capacidad de comprender el contenido de cada video, para poder recomendar el video adecuado a la persona adecuada.

YouTube utiliza una amplia variedad de técnicas para analizar cada video.

Utiliza metadatos directos e indirectos para extraer datos de palabras clave de videos y análisis de video y audio a través de complejos algoritmos de aprendizaje automático.

Análisis basado en texto

El análisis más sencillo se basa en la extracción de palabras clave basadas en texto.

Para este propósito, YouTube analiza una variedad de atributos directos e indirectos basados ​​en texto para extrapolar palabras clave descriptivas que reflejen con precisión el contenido de su video.

Análisis de palabras clave de título, descripción y etiquetas de video

Los usuarios pueden agregar un título de video, una descripción de video, etiquetas de video y una categoría de video a sus videos.

Al igual que con todos los metadatos generados por el usuario, el problema es que a menudo es propenso a errores, ambigüedades e información incompleta.

Por eso, YouTube primero debe desinfectar y mejorar todos los metadatos escritos para que se puedan utilizar dentro de su algoritmo de recomendación.

Ejemplo:

Alguien podría escribir Instagram, Insta, gram o IG, todos refiriéndose a la misma aplicación de redes sociales. YouTube resuelve esta ambigüedad agrupando internamente sinónimos con el mismo nombre.

Luego usa datos contextuales para comprender el contexto de la palabra clave "Instagram". ¿Alguien está hablando sobre la empresa Instagram, el impacto cultural de Instagram, cómo usar la aplicación de Instagram como usuario o sobre aumentar la audiencia en Instagram como creador de contenido?

Luego, los metadatos unificados y mejorados se guardan para cada video para su posterior análisis.

Recomiendo consultar mis artículos sobre cómo titular sus videos de YouTube y cómo optimizar sus títulos de video para obtener más detalles.

Análisis de subtítulos

Las transcripciones de video en forma de subtítulos son, con mucho, la mejor fuente de metadatos de video para el análisis de contenido.

Si se transcriben con precisión, representan una conversión uno a uno de la palabra hablada a la palabra escrita, lo que lo hace accesible para las herramientas de análisis de aprendizaje automático de YouTube.

En esencia, YouTube puede usar las mismas tecnologías avanzadas que usa su empresa matriz Google para analizar miles de millones de sitios web, páginas y publicaciones de blog para SEO.

Inicialmente, YouTube dependía de los usuarios para cargar o transcribir sus propios subtítulos.

Dado que este era un trabajo tedioso, solo un puñado de usuarios de YouTube extremadamente comprometidos agregaría subtítulos a su video.

Aunque los subtítulos eran mucho mejores para el análisis de texto, eran un poco inútiles si solo 1 de cada 100.000 tuviera subtítulos.

YouTube resolvió esto invirtiendo fuertemente en su propio software de reconocimiento de voz que transcribía automáticamente cada video subido y los convertía en subtítulos.

El problema con las transcripciones de YouTube es que a veces no son 100 % precisas.

A menudo malinterpreta lo que dice la gente en los videos y luego usa palabras incorrectas en sus subtítulos, especialmente si el equipo de audio es de menor calidad, el ruido de fondo es muy alto o si alguien tiene acento.

Esto tiene un par de consecuencias potencialmente muy peligrosas para cualquier creador de contenido de YouTube.

En el mejor de los casos, YouTube no asocia una palabra clave importante para la que desea clasificar con su video.

En el peor de los casos, una palabra inofensiva podría interpretarse como una mala calumnia, lo que provocaría la desmonetización o una huelga automática de la comunidad.

Si desea obtener los mejores resultados posibles para sus transcripciones y subtítulos, incluidas las mayúsculas y la puntuación adecuadas, le recomiendo que consulte Descript y Otter para obtener los mejores resultados.

Análisis de listas de reproducción

YouTube también utilizará metadatos indirectos y contextuales para comprender de qué se trata cualquier YouTube.

¿Se incluye un video específico en una o más listas de reproducción de videos creadas por tu canal o por otros? En caso afirmativo, ¿qué palabras clave se incluyen en el título y la descripción de la lista de reproducción?

Luego, YouTube podría analizar cada lista de reproducción fusionando todos los títulos de video dentro de cada lista de reproducción y luego usar algoritmos de reconocimiento de patrones para identificar palabras clave mutuas que describan con precisión los puntos en común entre todos los videos.

Estos puntos en común en las listas de reproducción pueden servir como información contextual adicional para cada video incrustado.

Si una lista de reproducción específica contiene datos incoherentes y ruido, por ejemplo, YouTube ignorará los datos porque alguien junta videos no relacionados.

Puede ordenar rápidamente las listas de reproducción existentes con la herramienta de acción de listas de reproducción de TubeBuddy.

Análisis de comentarios

Otra fuente de metadatos de video son los comentarios de YouTube. Esto es más relevante para los canales más grandes que reciben constantemente un gran volumen de comentarios para cada video.

YouTube puede buscar palabras clave y patrones específicos que indiquen declaraciones descriptivas.

Ejemplo:

"Muchas gracias. Tu video realmente me ha ayudado a comprender cómo lograr que más personas se suscriban a mi canal de YouTube".

En este caso, uno de los patrones de búsqueda podría tener "cómo..."

Nuevamente, es importante mencionar que YouTube no toma los comentarios al pie de la letra. De lo contrario, sería fácil para los actores deshonestos jugar con el sistema para obtener una ventaja injusta.

En cambio, YouTube usa todos los datos para aumentar su nivel de confianza al confirmar la congruencia en todos los puntos de datos.

Si desea ver un vistazo de lo que está viendo YouTube, consulte la nube de palabras de comentarios de TubeBuddy.

Tarjetas de información y análisis de pantallas finales

Las últimas fuentes de metadatos de video son las tarjetas de información y las pantallas finales.

¿Alguna de las tarjetas incrustadas está vinculada a videos, listas de reproducción o sitios web externos específicos?

Si es así, ¿qué texto se incluye en el título y la descripción de cada carta?

En el caso de los videos de YouTube, ¿qué metadatos y grupos de contenido están vinculados a cada video? ¿Existen similitudes y superposiciones entre los videos o listas de reproducción de origen y de destino?

En el caso de los sitios web, ¿cuál es la URL, el título de la página y el contenido HTML de cada página?

La herramienta de procesamiento masivo TubeBuddy para tarjetas de información y pantallas finales le ahorrará mucho tiempo.

Análisis visual

YouTube utiliza una herramienta de análisis de fotos basada en IA para analizar miniaturas de video y fotogramas de video individuales basados ​​en Cloud Vision AI de Google.

Lo notable de Cloud Vision AI de Google es que puede acceder abiertamente para evaluar sus propias miniaturas de video.

Puede consultar mi artículo sobre cómo diseñar la miniatura de YouTube perfecta para obtener un tutorial paso a paso.

Estos son algunos de los objetos que YouTube y Cloud Vision pueden reconocer:

• Gente
• Caras
• emociones
• gestos
• Ropa
• Objetos y atributos
• colores dominantes
• Estilo
• logotipos
• reconocimiento de texto
• Clasificación de búsqueda segura
  • Adulto
  • Parodia
  • Médico
  • Violencia
  • Picante

Para ser honesto, casi da un poco de miedo lo precisa que se ha vuelto la IA a lo largo de los años.

YouTube está utilizando la misma tecnología para analizar cada video cuadro por cuadro.

Principalmente para identificar contenido protegido por derechos de autor y cualquier contenido que resulte en una violación de las pautas de la comunidad.

Como beneficio secundario, YouTube identifica personas y objetos dentro de cada uno de sus videos.

Si el título de su video fuera "Cómo hacer la ensalada de tomate perfecta", tendría mucho sentido "ver" algunos tomates reales en sus videos.

Esto no solo ayuda a YouTube a luchar contra los títulos falsos de clickbait, sino que también es una gran fuente de metadatos adicionales que pueden ser difíciles de expresar en texto.

Supongamos que tiene un video con el título "3 ubicaciones subestimadas en Londres" y las tres ubicaciones que mostró en su video fueron "Borough Market", "Thames Barrier Park" y "Richmond Park".

Si la IA de YouTube pudiera reconocer ubicaciones específicas basándose únicamente en el reconocimiento visual, por ejemplo, al convertir un letrero en texto a través de la tecnología OCR.

Luego, YouTube recomendaría su video a alguien que estaba buscando "el mejor mercado de alimentos en Londres".

Esto funciona en muchos casos, incluso si no los incluye en su título, descripción, etiquetas o subtítulos.

Análisis de audio

YouTube también está analizando cada momento de la música, los sonidos y las palabras habladas de todos los videos.

La razón más obvia es, nuevamente, identificar música con derechos de autor para el sistema de identificación de contenido de YouTube.

Los datos de audio adicionales también brindan información valiosa sobre lo que sucede en cada video.

Las canciones específicas están vinculadas a artistas específicos, el género de la música y otras canciones que pueden funcionar bien juntas.

Los sonidos y los efectos de sonido a menudo comunican eventos específicos. Por ejemplo, un sonido de "miau" indicaría la presencia de un gato.

Las palabras habladas pueden indicar la presencia de una persona específica en su video.

Análisis de contexto

YouTube también utiliza datos contextuales más amplios para comprender mejor el tema de cada video.

Canal

• ¿Qué sabemos del canal de YouTube que está subiendo un vídeo?
• ¿Con qué grupos de contenido está asociado el canal de YouTube?
• ¿Qué sabemos sobre los usuarios que miran videos de este canal?
• ¿Qué grupos de audiencia más grandes miran videos de este canal?
• ¿Qué grupos demográficos miran videos de este canal?

Sitios web externos

• ¿Este video se ha incrustado en sitios externos?
• En caso afirmativo, ¿qué información adicional podemos extrapolar del contenido de la página web donde se incrustó un video específico?
• ¿Qué más está publicando este sitio web?
• ¿Quién es el autor del artículo específico?
• ¿Por qué temas es conocido este autor?
• ¿Qué es la puntuación de autoridad del sitio web?

Análisis del espectador

• ¿Cómo interactuaron los espectadores con este video?
• ¿Qué intervalos de tiempo se han visto y con qué frecuencia?
• ¿Qué intervalos de tiempo se han saltado y con qué frecuencia?
• ¿Cuál es la tasa de clics de cada espectador en las impresiones de video?
• ¿Cuál es el tiempo de visualización del espectador en minutos/porcentaje?
• ¿Qué sabemos sobre el colectivo de espectadores con un bajo porcentaje de tiempo de visualización?
• ¿Qué sabemos sobre el colectivo de espectadores con un alto porcentaje de tiempo de reproducción?

¿Cómo encuentra el algoritmo de YouTube canales de YouTube similares para recomendar?

¿Cómo vincula el algoritmo de YouTube los canales de YouTube con temas, categorías y grupos de contenido individuales?

Cuando mira los videos publicados en el canal de YouTube de CNN, probablemente entienda que se enfocan principalmente en producir contenido de noticias.

Pero, ¿cómo puede YouTube determinar lo mismo para sus millones de canales de YouTube a escala?

El enfoque más directo sería pedirle a cada canal de YouTube que se autoclasifique.

Simplemente seleccione la categoría correcta de una larga lista de categorías de canales, ¿y todo estará bien?

Bueno, no tan rápido...

El problema con la autoclasificación es que es propensa a errores.

Es posible que un creador de contenido de YouTube no tenga una dirección de canal clara o una estrategia de contenido. Por lo tanto, es posible que no sepan qué categoría seleccionar.

Los creadores también pueden estar confundidos acerca de qué categoría elegir si no entienden la definición o el significado de cada categoría.

A veces también pueden sentirse abrumados, especialmente si la lista de categorías es muy larga.

¿La solución?

¡Están determinando la categoría del canal de YouTube algorítmicamente!

Así es como YouTube puede entender de qué se tratan los canales de YouTube.

Miran tres factores diferentes.

• ¿Cuál es el contenido de cada uno de sus videos?
• ¿Cuáles son los temas y temas más populares en todos sus videos?
• ¿Qué rasgos, características e intereses comparten los espectadores de sus videos?

Las tres piezas de información se complementan entre sí.

Cuanto más armoniosos sean los datos, mayor será la puntuación de confianza de YouTube de que un canal en particular pertenece a una determinada categoría y nicho. Es más probable que YouTube recomiende tus videos en la sección de videos sugeridos de los canales de YouTube en el mismo nicho.

Por eso es tan importante desarrollar una estrategia clara de contenido de YouTube para todos sus videos. Puede obtener más información sobre cómo crear una estrategia de contenido desde cero en mi artículo de estrategia de clúster de contenido de YouTube.

¿Cómo determina el algoritmo de YouTube lo que le interesa a cada usuario?

YouTube está rastreando todo lo que hacen los usuarios en su sitio web.

Cada movimiento del ratón. Cada clic en una miniatura de YouTube.

Cuánto por ciento de una miniatura era visible en cada página.

Si un video se está reproduciendo en primer plano o en segundo plano.

¿Qué miniaturas y títulos de video se promocionaron para cada usuario y cuántas veces?

¿Cuál fue la tasa de clics de cada impresión de video?

¿Cuántas vistas tiene cada video de YouTube?

¿Cuál fue el tiempo de visualización del video en minutos y porcentaje después de hacer clic en un video? ¿Cuál es el porcentaje típico de tiempo de visualización de video de este usuario? ¿El tiempo de reproducción de este video está por encima o por debajo del promedio?

¿Qué hizo alguien después de ver un video específico por primera vez?

¿Se comprometieron? ¿Presionaron el botón Me gusta o No me gusta? ¿Escribieron un comentario? ¿Fue un comentario positivo o negativo basado en el análisis de sentimientos?

¿El usuario amplió la descripción del video?

¿Un espectador compartió el video? En caso afirmativo, ¿en qué plataforma? ¿Y cuál fue la razón más probable para compartir?

¿Se suscribieron a un canal de YouTube? Si es así, ¿en qué página? Si en la página de video, ¿cuánto por ciento del video vieron?

¿Exploraron canales específicos de YouTube? ¿Qué títulos de video eran visibles para ellos? ¿En cuál hicieron clic?

¿Agregaron videos a listas de reproducción específicas? ¿Cuál era el título de esta lista de reproducción? ¿Cuáles fueron los temas y temas de otros videos en la misma lista de reproducción?

¿Presionaron el botón de ver más tarde?

¿Cuáles son los grupos de contenido, los temas y los temas asociados de este video? ¿Se ha interesado este usuario en alguno de estos grupos de contenido según su comportamiento anterior y el historial de reproducciones? ¿Existen típicamente intereses superpuestos entre dos grupos de contenido, por ejemplo, Linux y el desarrollo de software?

Luego, YouTube usa todos estos puntos de datos para alimentar sus algoritmos de aprendizaje automático para encontrar patrones en múltiples usuarios.

Para resumir.

YouTube primero clasifica los videos para comprender de qué se trata cada video.

Luego agrupa los temas en nichos y grupos de contenido más amplios.

Si alguien ve un video específico, sus grupos de contenido asociados se vinculan al perfil del usuario como intereses.

Cuantos más videos vea alguien del mismo grupo de contenido, es más probable que recomiende videos de la misma categoría a este usuario.

Este análisis le permite a YouTube entender lo que le interesa a cada usuario, pero no se limita solo al análisis de videos.

YouTube también utiliza datos de visualización compartida para refinar aún más los intereses de los usuarios individuales.

Para obtener una guía táctica sobre cómo implementar estas lecciones, consulte mi artículo sobre cómo descifrar el algoritmo de YouTube.

El algoritmo de YouTube crea distintos grupos demográficos y de interés en función de lo que ve la gente

¿Cómo vincula el algoritmo de YouTube a los espectadores individuales con grupos de contenido más amplios?

YouTube agrupa a los usuarios según intereses comunes y grupos de contenido asociados, por lo que puede hacer recomendaciones basadas en el historial de otros usuarios y los nuevos videos que se han agregado a grupos de contenido específicos.

Esta función es muy similar al algoritmo de recomendación de Amazon para las sugerencias que se compran juntas con frecuencia y las audiencias similares a las de Facebook.

YouTube está registrando el historial de reproducción de cada usuario que inició sesión en su plataforma.

Luego mira el historial de reproducción de todas las personas simultáneamente y calcula la distancia promedio entre dos videos dentro de la misma sesión. La distancia más corta si alguien ve ambos videos uno tras otro, la distancia más larga si ve un par de videos más en el medio.

Una vez que YouTube ha calculado la distancia promedio entre dos videos, puede vincular usos con un historial de reproducción similar y recomendar nuevos videos basados ​​en usuarios con un interés común.

Un sistema más avanzado puede combinar incluso más fuentes de datos.

¿Cuál es el proceso del algoritmo de YouTube para identificar nuevos temas y grupos de contenido?

Categorías de videos de YouTube

En los primeros días, YouTube intentó definir manualmente una lista de posibles categorías de videos y pidió a los usuarios que seleccionaran uno de los siguientes temas para cada uno de sus videos:

• Cine y Animación
• Autos y Vehículos
• Música
• Animales de compañía
• Deportes
• Viajes y Eventos
• Juego de azar
• Personas y blogs
• Comedia
• Entretenimiento
• Noticias y política
• Cómo hacerlo y estilo
• Educación
• Tecnología científica
• Organizaciones sin fines de lucro y activismo

Todavía puede encontrar la configuración de categoría de video en su página de configuración de video, aunque es irrelevante y se ignora hoy.

La autoclasificación causó numerosos problemas porque los creadores de videos no entendían cómo se suponía que funcionaba cada categoría y cómo se suponía que las categorías eran diferentes entre sí.

El resultado fue un etiquetado inconsistente.

Gráfico de conocimiento de base libre

YouTube se dio cuenta rápidamente de las limitaciones de estas 15 categorías y comenzó a trabajar en un enfoque más holístico basado en la base de datos de gráficos de conocimiento de Freebase.

Freebase era una gran base de conocimiento colaborativo con más de 39 millones de entidades de datos estructurados.

Estaba organizado en torno a "entidades", también conocidas como temas. Cada entidad estaba vinculada a uno o más "tipos". Cada tipo tenía un conjunto único de "atributos".

Por ejemplo, se vinculó una entidad "automóvil", entre otras, al tipo "motor", que tenía un atributo "caballos de fuerza".

Al igual que en Wikipedia, los nombres de entidades, tipos y atributos de Freebase se tradujeron a diferentes idiomas, lo que fue una gran noticia para la expansión internacional de YouTube.

YouTube usó la base de datos Freebase como base para desarrollar su sistema de categorías propietario.

Google ya había desarrollado varios sistemas de taxonomía para clasificar el contenido de las páginas web para su motor de búsqueda y fines publicitarios.

YouTube usó los algoritmos de clasificación de Google para procesar cada entidad, tipo y atributo de la base de datos de Freebase para vincularla con el sistema de taxonomía de Google.

El modelo resultante se enriqueció aún más al vincular temas específicos a páginas del portal de Wikipedia dedicadas.

Pasar de 15 a más de 39 millones de categorías de temas fue un gran paso adelante para YouTube, pero aún tenía innumerables limitaciones.

El mayor problema fue su dependencia de la clasificación humana y el enfoque jerárquico de arriba hacia abajo para organizar los temas.

Esto se hizo más evidente con el aumento explosivo de nuevas tecnologías e ideas.

Las categorías manuales eran demasiado inflexibles y demasiado lentas para adaptarse a los cambios.

Hoy en día, la mayoría de las ideas y conceptos no tienen definiciones en blanco y negro, a menudo tienen un significado ambiguo y fluido, y evolucionan constantemente con el tiempo.

¿Es un iPhone un dispositivo de telecomunicaciones, una computadora móvil, un teléfono, una cámara de video o un teléfono inteligente? ¿Y si consideramos las aplicaciones? ¿Es una calculadora, un procesador de texto, una consola de juegos?

¿Qué pasa si tenemos conceptos e ideas más complejos con 20 niveles de jerarquía? ¿Cómo organizamos estos?

YouTube decidió retirar Freebase en 2015 a favor de un nuevo algoritmo clasificador algorítmico que no requería ninguna forma de clasificación y curación humana.

Generación de clusters de contenido algorítmico

¿Cómo puede una computadora generar un mapa súper preciso de cada tema imaginable en el mundo y luego estructurar este mapa en grupos de contenido claramente definidos?

Esto se puede lograr mediante algoritmos avanzados de aprendizaje automático que analizan miles de millones de puntos de datos de metadatos de video e historiales de visualización de usuarios.

Primero, cada video se convierte en metadatos de texto extrayendo el título, la descripción, las etiquetas y los comentarios del video y convirtiendo la pista de audio en subtítulos con algoritmos de reconocimiento de texto.

La información irrelevante se descarta.

Los datos de texto combinados de cada video se analizan y agrupan en función de palabras clave y frases.

Las palabras clave y frases identificadas se clasifican y ponderan por relevancia y frecuencia.

Luego, las palabras clave se vinculan entre sí en función de los datos de visualización del video.

YouTube analiza cada palabra clave o frase de una en una

Luego compila una lista de todos los videos que contienen la palabra clave o frase específica.

Y luego identifica a todos los usuarios que han visto al menos dos videos diferentes con la misma palabra clave o frase dentro de la misma sesión.

Luego, YouTube analiza el historial de reproducción de todas las sesiones y calcula la distancia de reproducción promedio entre todos los videos que contienen la palabra clave o frase objetivo.

Digamos que tenemos tres videos con la misma palabra clave, A, B y C.

Si Jane comenzó con A, luego f, luego B y, por último, C.

La distancia entre A y B sería de 2, mientras que de A a C sería de 3 y así sucesivamente.

Cuanto menor sea la distancia entre dos videos, más relevantes serán los videos y, por proxy, las palabras clave vinculadas.

La combinación de millones de videos y datos de visualización de usuarios le brinda una representación bastante buena de la relevancia de las palabras clave.

Ahora, hagamos algo loco.

Creemos un gigantesco mapa mental multidimensional y combinemos todas las palabras clave con la distancia de visualización promedio.

Terminas con un gráfico gigantesco con millones de puntos de datos interconectados.

Primero, YouTube preprocesa el gráfico con un algoritmo de afuera hacia adentro para encontrar videos iniciales y palabras clave para dividir el gráfico en grupos de contenido.

YouTube busca bordes naturales con una superposición mínima y una distancia de visualización promedio mayor.

Una vez que YouTube ha identificado los posibles grupos de contenido, selecciona dos videos semilla aleatorios de cada grupo para iniciar un análisis de grupo de contenido local y en profundidad.

Este algoritmo funciona de adentro hacia afuera e intenta hacer crecer un gráfico de clúster de contenido local con bordes claramente definidos al identificar la ruta más corta entre los dos videos iniciales y luego vincular videos vecinos relevantes con palabras clave similares.

En el proceso final, YouTube elimina los videos con el puntaje de similitud más bajo, generalmente de los bordes del grupo, para mayor claridad.

A veces, YouTube puede darse cuenta de que el grupo de contenido identificado se puede dividir en subgrupos adicionales.

El beneficio de este enfoque de generación de clústeres de contenido algorítmico es que no requiere o requiere una intervención humana mínima.

Este algoritmo identifica constantemente nuevos grupos de contenido y temas que a menudo solo son relevantes para una pequeña cantidad de usuarios.

Todo lo que se necesita son algunos YouTubers que hagan videos sobre una nueva palabra clave y un grupo de personas que vean sus videos.

Y listo, se ha creado un nuevo clúster de contenido.

Lea este artículo sobre cómo vincular su estrategia de contenido de YouTube a los grupos de contenido de YouTube.

Y debido a que YouTube conoce el historial de reproducción de todos, ahora puede recomendar este nuevo grupo de contenido a una audiencia similar de personas similares a las que vieron estos videos primero.

Funciones de descubrimiento de YouTube

Algoritmo de alimentación de la página de inicio de YouTube

La página de inicio de YouTube ha cambiado mucho a lo largo de los años.

La página de inicio de YouTube solo mostraba recomendaciones de videos para los canales a los que los usuarios se habían suscrito.

El feed de la página de inicio ahora está 100% personalizado con recomendaciones de video basadas en el historial de reproducción de cada usuario.

YouTube usa una combinación de videos basados ​​en temas familiares que el usuario ha visto recientemente y videos nuevos de categorías completamente diferentes basadas en usuarios similares para mantener las sugerencias frescas y emocionantes.

¿Por qué el feed de la página de inicio no se centra exclusivamente en temas familiares? ¿Por qué arriesgarme a "ofender" mi buen gusto con alguien a quien nunca he visto antes?

Esto puede parecer contradictorio, pero resulta que la frescura es un factor crucial para mantener a las personas en la plataforma de YouTube por más tiempo.

Las personas solo pueden ver tantos videos sobre un tema antes de sentirse mentalmente agotados. Los temas de video nuevos brindan una salida y evitan que ocurra el aburrimiento.

Para aparecer en el feed de la página de inicio, debe mejorar su tasa de clics y la retención de la audiencia, ya que esto lo ayudará a llegar a audiencias más grandes.

Algoritmo de alimentación de suscripción de YouTube

El feed de suscripción se explica por sí mismo. Se enfoca exclusivamente en videos de canales a los que los usuarios ya se han suscrito.

Aunque este feed se centra en sus suscripciones, no es un feed cronológico.

YouTube todavía está tratando de mostrarte el mejor contenido posible que cree que te mantendrá en la plataforma por más tiempo.

Esto es lo que verá en el feed de suscripción.

Videos subidos recientemente de canales a los que se suscribió, con un enfoque en temas similares a los que ya vio y videos que ya tienen un historial comprobado en términos de alta tasa de clics y alto tiempo de visualización.

Algoritmo de videos sugeridos de YouTube

El algoritmo de alimentación "Sugerido" de YouTube, que también incluye videos "A continuación", es un factor importante a tener en cuenta para los creadores.

Esta característica selecciona videos para el área sugerida debajo del video actual en dispositivos móviles o en la barra lateral derecha en computadoras de escritorio.

¿Qué está considerando YouTube para sugerir o no uno de tus videos?

El primer paso es asegurarse de que los metadatos de sus videos coincidan con los metadatos de los videos que espera que le recomienden.

Esto incluye títulos similares, palabras clave, descripciones y el video mismo expresado por sus subtítulos.

Es más probable que su contenido se recomiende aquí si mantiene a los espectadores mirando en lugar de salir de YouTube.

La IA también busca videos y canales detallados complementarios, así como elementos que rompen el gusto para ver otra cosa, de modo que nunca se sientan abrumados por ver demasiados videos sobre un tema determinado.

Los interruptores de sabor no son aleatorios. Todavía se basan en recomendaciones personales basadas en el historial de visualización de cada usuario y los datos de visualización compartida de usuarios similares.

Algoritmo de alimentación de tendencias de YouTube

La mayoría de la gente cree que la sección de "tendencias" de YouTube contiene solo videos que actualmente son populares.

Esta suposición es incorrecta.

Los temas de tendencia son temas de los que la gente habla actualmente en las noticias y las redes sociales.

Se trata de lo que se informa en las noticias, en las redes sociales, sitios web, blogs y en otros lugares.

La función de tendencia es "geoespecífica", lo que significa que YouTube muestra diferentes videos según la ubicación del espectador.

Algoritmo de alimentación de notificaciones de YouTube

Los usuarios también reciben recomendaciones de video personalizadas a través de notificaciones de YouTube.

Para que sus videos aparezcan en el feed de notificaciones, los usuarios primero deben suscribirse a su canal de YouTube y luego hacer clic en el ícono de la campana.

Luego, YouTube notificará a los suscriptores en tiempo real sobre cualquier video nuevo que cargue en su canal.

Los suscriptores reciben la notificación a través de su aplicación de YouTube o notificaciones de escritorio.

Por lo general, las notificaciones de video aparecen secuencialmente sin discriminación, lo que significa que YouTube mostrará todas las notificaciones de todos los canales, independientemente del número de suscriptores.

La única excepción es cuando un usuario activa demasiadas notificaciones para demasiados canales. En este caso, YouTube utiliza su algoritmo de relevancia en función de lo que es más probable que el usuario vea a continuación.

Algoritmo de resultados de búsqueda de YouTube

La búsqueda de YouTube pone un gran énfasis en el SEO de YouTube, incluida la optimización de palabras clave del título, la descripción, las etiquetas de video y las palabras clave que se encuentran en los subtítulos de cada video.

Además, tiene en cuenta el número de suscriptores del canal y el tiempo de visualización del video cuando se trata de decidir qué canal aparecerá en la búsqueda y qué videos se colocarán en la parte superior.

La frescura es otro factor de clasificación importante que permite recomendar contenido nuevo y actualizado, dando una oportunidad a los canales más pequeños.

Para aprovechar esto, los videos nuevos deben optimizar sus títulos y miniaturas de video para obtener una alta tasa de clics; de lo contrario, los videos nuevos se degradarán con el tiempo si nadie hace clic en ellos.

YouTube también ha lanzado capítulos de video que permiten que un video se "divida en secciones" para que los espectadores puedan identificar fácilmente respuestas específicas a preguntas específicas. Puede optar por habilitar esta opción en su video o puede crear sus propios capítulos de video con palabras clave que se alineen con el tema de su video. Esto es beneficioso para ayudar a que YouTube muestre sus videos en los resultados de búsqueda.

Próximos pasos

Guau, el algoritmo de YouTube es una pieza de tecnología notable.

Ahora que comprende todos los aspectos de cómo funciona el algoritmo de YouTube, ¿qué más puede hacer para hacer crecer rápidamente su (exitoso) canal de YouTube?

Recomiendo leer mi guía muy táctica para el crecimiento de YouTube para ayudarlo a descifrar el algoritmo de YouTube.

Omite muchos de los detalles técnicos del algoritmo de YouTube que cubrimos en este artículo a favor de brindar consejos prácticos y recomendaciones sobre cómo implementar las lecciones clave sobre el algoritmo de YouTube.

Luego, puede consultar algunos de mis artículos de crecimiento de YouTube a continuación.

• Cómo encontrar el nicho perfecto para su canal de YouTube seleccionando los grupos de contenido adecuados para su canal.
• Cómo optimizar el título de tu video, y también aquí.
• Cómo diseñar increíbles miniaturas para tu video que obtengan clics.
• Cómo mejorar su tasa de clics de impresión en YouTube.
• Cómo llegar a tus primeros 1000 suscriptores de YouTube.
• Cómo acumular 4000 horas de tiempo de visualización rápidamente para monetizar su canal de YouTube.
• Cómo puedes ganar dinero con tu canal de YouTube, también aquí, aquí y aquí.
• Por último, pero no menos importante, mi revisión completa de la mejor herramienta de crecimiento de YouTube, TubeBuddy.