L'algorithme YouTube expliqué

Comment développer rapidement votre chaîne YouTube en travaillant avec plutôt que contre l'algorithme YouTube

De nombreux petits YouTubers ont du mal à développer leur chaîne.

Bien qu'il existe de nombreuses raisons pour lesquelles votre chaîne YouTube ne se développe pas, l'une des plus courantes est de ne pas comprendre le fonctionnement de l'algorithme YouTube.

Dans cet article, je vais vous montrer comment l'algorithme de YouTube fonctionne sous le capot.

Vous apprendrez comment l'algorithme d'apprentissage automatique détermine le sujet de chaque vidéo, comment il regroupe les chaînes YouTube similaires, comment il comprend ce qui intéresse chaque spectateur et comment il recommande de nouvelles vidéos et chaînes auxquelles les spectateurs ne sont pas abonnés.

Si vous êtes moins intéressé par les détails de l'algorithme YouTube, vous pouvez également lire mon guide plus tactique sur la façon de casser l'algorithme YouTube.

Comment l'algorithme YouTube comprend-il le sujet des vidéos YouTube

L'une des principales priorités de YouTube est d'avoir la capacité de comprendre le contenu de chaque vidéo, afin qu'il puisse ensuite recommander la bonne vidéo à la bonne personne.

YouTube utilise une grande variété de techniques pour analyser chaque vidéo.

Il utilise à la fois des métadonnées directes et indirectes pour extraire des données de mots-clés à partir de vidéos et d'analyses vidéo et audio via des algorithmes complexes d'apprentissage automatique.

Analyse textuelle

L'analyse la plus simple est basée sur l'extraction de mots clés basée sur le texte.

À cette fin, YouTube examine une gamme d'attributs textuels directs et indirects pour extrapoler des mots-clés descriptifs qui reflètent avec précision le contenu de sa vidéo.

Analyse des mots-clés du titre, de la description et des balises vidéo

Les utilisateurs peuvent ajouter un titre vidéo, une description vidéo, des balises vidéo et une catégorie vidéo à leurs vidéos.

Comme pour toutes les métadonnées générées par les utilisateurs, le problème est qu'elles sont souvent sujettes à des erreurs, des ambiguïtés et des incomplétude.

Pour cette raison, YouTube doit d'abord nettoyer et améliorer toutes les métadonnées écrites pour les rendre utilisables dans leur algorithme de recommandation.

Exemple:

Quelqu'un pourrait écrire Instagram, Insta, gram ou IG, faisant tous référence à la même application de médias sociaux. YouTube résout cette ambiguïté en regroupant en interne des synonymes portant le même nom.

Il utilise ensuite des données contextuelles pour comprendre le contexte du mot-clé "Instagram". Quelqu'un parle-t-il de l'entreprise Instagram, de l'impact culturel d'Instagram, de l'utilisation de l'application Instagram en tant qu'utilisateur ou de la croissance d'une audience sur Instagram en tant que créateur de contenu ?

Les métadonnées unifiées et améliorées sont ensuite enregistrées pour chaque vidéo pour une analyse plus approfondie.

Je vous recommande de consulter mes articles sur la façon de titrer vos vidéos YouTube et sur la façon d'optimiser vos titres vidéo pour plus de détails.

Analyse des sous-titres

Les transcriptions vidéo sous forme de sous-titres sont de loin la meilleure source de métadonnées vidéo pour l'analyse de contenu.

S'ils sont transcrits avec précision, ils représentent une conversion un à un du mot parlé au mot écrit, le rendant ainsi accessible aux outils d'analyse d'apprentissage automatique de YouTube.

Essentiellement, YouTube peut utiliser les mêmes technologies avancées que sa société mère Google utilise pour analyser des milliards de sites Web, de pages et d'articles de blog pour le référencement.

Au départ, YouTube comptait sur les utilisateurs pour télécharger ou transcrire leurs propres sous-titres.

Comme il s'agissait d'un travail fastidieux, seule une poignée d'utilisateurs extrêmement engagés de YouTube ajoutaient des sous-titres à leur vidéo.

Bien que les sous-titres soient tellement meilleurs pour l'analyse de texte, ils étaient en quelque sorte inutiles si seulement 1 sur 100 000 avait des sous-titres.

YouTube a résolu ce problème en investissant massivement dans son propre logiciel de reconnaissance vocale qui transcrit automatiquement chaque téléchargement de vidéo et les convertit en sous-titres.

Le problème avec les transcriptions de YouTube est qu'elles ne sont parfois pas exactes à 100 %.

Il comprend souvent mal ce que les gens disent dans les vidéos et utilise ensuite des mots erronés dans ses sous-titres, surtout si l'équipement audio est de moindre qualité, le bruit de fond est très élevé ou si quelqu'un a un accent.

Cela a quelques conséquences potentiellement très dangereuses pour tout créateur de contenu YouTube.

Dans le meilleur des cas, YouTube n'associe pas un mot-clé important pour lequel vous souhaitez vous classer à votre vidéo.

Dans le pire des cas, un mot inoffensif pourrait être interprété comme une mauvaise insulte, entraînant une démonétisation ou une grève automatique de la communauté.

Si vous souhaitez obtenir les meilleurs résultats possibles pour vos transcriptions et sous-titres, y compris une capitalisation et une ponctuation appropriées, je vous recommande de consulter Descript et Otter pour obtenir les meilleurs résultats.

Analyse de la liste de lecture

YouTube utilisera également des métadonnées contextuelles indirectes pour comprendre ce qu'est un YouTube donné.

Une vidéo spécifique est-elle incluse dans une ou plusieurs playlists vidéo créées par votre chaîne ou par d'autres ? Si oui, quels mots clés sont inclus dans le titre et la description de la playlist ?

YouTube peut ensuite analyser chaque liste de lecture en fusionnant tous les titres vidéo de chaque liste de lecture, puis utiliser des algorithmes de reconnaissance de formes pour identifier des mots-clés communs décrivant avec précision les points communs entre toutes les vidéos.

Ces points communs dans les listes de lecture peuvent servir d'informations contextuelles supplémentaires pour chaque vidéo intégrée.

Si une liste de lecture spécifique contient des données incohérentes et du bruit, par exemple, YouTube ignorera les données parce que quelqu'un jette ensemble des vidéos sans rapport.

Vous pouvez rapidement ranger les listes de lecture existantes avec l'outil d'action des listes de lecture de TubeBuddy.

Analyse des commentaires

Les commentaires YouTube sont une autre source de métadonnées vidéo. Ceci est plus pertinent pour les grandes chaînes qui reçoivent systématiquement un volume élevé de commentaires pour chaque vidéo.

YouTube peut rechercher des mots-clés et des modèles spécifiques qui indiquent des déclarations descriptives.

Exemple:

"Merci beaucoup. Votre vidéo m'a vraiment aidé à comprendre comment amener plus de gens à s'abonner à ma chaîne YouTube".

Dans ce cas, l'un des modèles de recherche peut avoir "comment …"

Encore une fois, il est important de mentionner que YouTube ne prend pas les commentaires au pied de la lettre. Sinon, il serait facile pour des acteurs voyous de déjouer le système pour obtenir un avantage injuste.

Au lieu de cela, YouTube utilise toutes les données pour augmenter son niveau de confiance en confirmant la congruence entre tous les points de données.

Si vous voulez avoir un aperçu de ce que YouTube voit, consultez le nuage de mots TubeBuddy Comments.

Analyse des cartes d'information et des écrans de fin

Les dernières sources de métadonnées vidéo sont les cartes d'informations et les écrans de fin.

L'une des cartes intégrées renvoie-t-elle à des vidéos, des listes de lecture ou des sites Web externes spécifiques ?

Si oui, quel texte est inclus dans le titre et la description de chaque carte ?

Dans le cas des vidéos YouTube, quels métadonnées et groupes de contenu sont associés à chaque vidéo ? Existe-t-il des similitudes et des chevauchements entre les vidéos ou les playlists source et cible ?

Dans le cas des sites Web, quels sont l'URL, le titre de la page et le contenu HTML de chaque page ?

L'outil de traitement en masse de TubeBuddy pour les cartes d'informations et les écrans de fin vous fera gagner beaucoup de temps.

Analyse visuelle

YouTube utilise un outil d'analyse de photos basé sur l'IA pour analyser les vignettes vidéo et les images vidéo individuelles basées sur l'IA Cloud Vision de Google.

La chose remarquable à propos de Cloud Vision AI de Google est que vous pouvez y accéder ouvertement pour évaluer vos propres vignettes vidéo.

Vous pouvez consulter mon article sur la façon de concevoir la miniature YouTube parfaite pour un didacticiel étape par étape.

Voici quelques-uns des objets que YouTube et Cloud Vision peuvent reconnaître :

• Personnes
• Visages
• Émotions
• Gestes
• Vêtements
• Objets et attributs
• Couleurs dominantes
• Style
• Logos
• Reconnaissance de texte
• Évaluation de la recherche sécurisée
  • Adulte
  • Parodie
  • Médical
  • Violence
  • Racé

Pour être honnête, il est presque un peu effrayant de voir à quel point l'IA est devenue précise au fil des ans.

YouTube utilise la même technologie pour analyser chaque vidéo image par image.

Principalement pour identifier le contenu protégé par des droits d'auteur et tout contenu qui entraînerait une violation des directives de la communauté.

Comme avantage secondaire, YouTube identifie les personnes et les objets dans chacune de vos vidéos.

Si le titre de votre vidéo était "Comment faire la salade de tomates parfaite", il serait très logique de "voir" de vraies tomates dans vos vidéos.

Cela aide non seulement YouTube à lutter contre les faux titres de clickbait, mais c'est également une excellente source de métadonnées supplémentaires qui pourraient être difficiles à exprimer dans le texte.

Supposons que vous ayez une vidéo avec le titre "3 lieux sous-estimés à Londres" et que les trois lieux que vous avez montrés dans votre vidéo étaient "Borough Market", "Thames Barrier Park" et "Richmond Park".

Si l'IA de YouTube pouvait reconnaître des emplacements spécifiques uniquement sur la base de la reconnaissance visuelle, par exemple en convertissant un signe en texte via la technologie OCR.

YouTube recommanderait alors votre vidéo à quelqu'un qui recherchait "le meilleur marché alimentaire de Londres".

Cela fonctionne dans de nombreux cas, même si vous ne les incluez pas dans votre titre, votre description, vos balises ou vos sous-titres.

Analyse audio

YouTube analyse également chaque moment de la musique, des sons et des paroles de toutes les vidéos.

La raison la plus évidente est, encore une fois, l'identification de la musique protégée par le droit d'auteur pour le système Content ID de YouTube.

Les données audio supplémentaires fournissent également des informations précieuses sur ce qui se passe dans chaque vidéo.

Des chansons spécifiques sont liées à des artistes spécifiques, au genre de musique et à d'autres chansons qui pourraient bien jouer ensemble.

Les sons et les effets sonores communiquent souvent des événements spécifiques. Par exemple, un son « miaou » indiquerait la présence d'un chat.

Les paroles prononcées peuvent indiquer la présence d'une personne spécifique dans votre vidéo.

Analyse du contexte

YouTube utilise également des données contextuelles plus larges pour mieux comprendre le sujet de chaque vidéo.

Canal

• Que savons-nous de la chaîne YouTube qui met en ligne une vidéo ?
• À quels groupes de contenu la chaîne YouTube est-elle associée ?
• Que savons-nous des utilisateurs qui regardent des vidéos de cette chaîne ?
• Quels groupes d'audience plus larges regardent des vidéos de cette chaîne ?
• Quels groupes démographiques regardent des vidéos de cette chaîne ?

Sites Web externes

• Cette vidéo a-t-elle été intégrée à des sites externes ?
• Si oui, quelles informations supplémentaires pouvons-nous extrapoler à partir du contenu de la page Web dans laquelle une vidéo spécifique a été intégrée ?
• Quoi d'autre ce site Web publie-t-il ?
• Qui est l'auteur de l'article spécifique ?
• Pour quels sujets cet auteur est-il connu ?
• Quel est le score d'autorité du site ?

Analyse des spectateurs

• Comment les spectateurs ont-ils interagi avec cette vidéo ?
• Quelles plages horaires ont été visionnées et à quelle fréquence ?
• Quelles plages horaires ont été ignorées et à quelle fréquence ?
• Quel est le taux de clics de chaque spectateur sur les impressions vidéo ?
• Quelle est la durée de visionnage du spectateur en minutes/pourcentage ?
• Que savons-nous du collectif de téléspectateurs ayant un faible pourcentage de temps de visionnage ?
• Que savons-nous du collectif de téléspectateurs ayant un pourcentage de temps de visionnage élevé ?

Comment l'algorithme YouTube trouve-t-il des chaînes YouTube similaires à recommander

Comment l'algorithme YouTube relie-t-il les chaînes YouTube à des sujets, catégories et groupes de contenu individuels ?

Lorsque vous regardez les vidéos publiées sur la chaîne YouTube de CNN, vous comprenez probablement qu'elles se concentrent principalement sur la production de contenu d'actualité.

Mais comment YouTube peut-il déterminer la même chose pour ses millions de chaînes YouTube à grande échelle ?

L'approche la plus simple serait de demander à chaque chaîne YouTube de s'auto-classer.

Sélectionnez simplement la bonne catégorie dans une longue liste de catégories de chaînes, et tout ira bien ?

Bon, pas si vite...

Le problème avec l'auto-classification est qu'elle est sujette aux erreurs.

Un créateur de contenu YouTube peut ne pas avoir d'orientation de chaîne ou de stratégie de contenu claire. Ainsi, ils pourraient ne pas savoir quelle catégorie sélectionner.

Les créateurs peuvent également ne pas savoir quelle catégorie choisir s'ils ne comprennent pas la définition ou la signification de chaque catégorie.

Parfois, ils peuvent également être dépassés, surtout si la liste des catégories est très longue.

La solution?

Ils déterminent la catégorie de chaîne YouTube de manière algorithmique !

Voici comment YouTube peut comprendre en quoi consistent les chaînes YouTube.

Ils examinent trois facteurs différents.

• Quel est le contenu de chacune de leurs vidéos ?
• Quels sont les sujets et thèmes les plus populaires dans toutes leurs vidéos ?
• Quels traits, caractéristiques et centres d'intérêt les spectateurs de leurs vidéos partagent-ils ?

Les trois informations se complètent.

Plus les données sont harmonieuses, plus le score de confiance de YouTube est élevé quant à l'appartenance d'une chaîne particulière à une certaine catégorie et niche. Plus il est probable que YouTube recommandera vos vidéos dans la section Vidéos suggérées des chaînes YouTube du même créneau.

C'est pourquoi il est si important de développer une stratégie de contenu YouTube claire pour toutes vos vidéos. Vous pouvez en savoir plus sur la création d'une stratégie de contenu à partir de zéro dans mon article sur la stratégie de cluster de contenu YouTube.

Comment l'algorithme de YouTube détermine-t-il ce qui intéresse chaque utilisateur

YouTube suit tout ce que les utilisateurs font sur leur site Web.

Chaque mouvement de souris. Chaque clic sur une vignette YouTube.

Combien de pourcentage d'une vignette était visible sur chaque page.

Si une vidéo est en cours de lecture au premier plan ou en arrière-plan.

Quelles miniatures et quels titres de vidéo ont été promus auprès de chaque utilisateur, et combien de fois ?

Quel a été le taux de clics de chaque impression vidéo ?

Combien de vues chaque vidéo YouTube a-t-elle ?

Quelle a été la durée de visionnage de la vidéo en minutes et en pourcentage après avoir cliqué sur une vidéo ? Quel est le pourcentage type de temps de visionnage d'une vidéo par cet utilisateur ? La durée de visionnage de cette vidéo est-elle supérieure ou inférieure à la moyenne ?

Qu'est-ce qu'une personne a fait après avoir regardé une vidéo spécifique pour la première fois ?

Se sont-ils engagés ? Ont-ils appuyé sur le bouton J'aime pour ne pas aimer ? Ont-ils écrit un commentaire ? S'agissait-il d'un commentaire positif ou négatif basé sur l'analyse des sentiments ?

L'utilisateur a-t-il développé la description de la vidéo ?

Un spectateur a-t-il partagé la vidéo ? Si oui, sur quelle plateforme ? Et quelle était la raison la plus probable du partage ?

Se sont-ils abonnés à une chaîne YouTube ? Si oui, sur quelle page ? S'il s'agit de la page vidéo, combien de pourcentage de la vidéo ont-ils regardé ?

Ont-ils exploré des chaînes YouTube spécifiques ? Quels titres vidéo étaient visibles pour eux ? Sur quoi ont-ils cliqué ?

Ont-ils ajouté des vidéos à des playlists spécifiques ? Quel était le titre de cette playlist ? Quels étaient les thèmes et les sujets des autres vidéos de la même playlist ?

Ont-ils appuyé sur le bouton regarder plus tard ?

Quels sont les groupes de contenu, les thèmes et les sujets associés à cette vidéo ? Cet utilisateur s'intéresse-t-il à l'un de ces groupes de contenu en fonction de son comportement antérieur et de l'historique des vidéos regardées ? Existe-t-il généralement des intérêts qui se chevauchent entre deux clusters de contenu, par exemple, Linux et le développement de logiciels ?

YouTube utilise ensuite tous ces points de données pour alimenter ses algorithmes d'apprentissage automatique afin de trouver des modèles parmi plusieurs utilisateurs.

Résumer.

YouTube classe d'abord les vidéos pour comprendre de quoi parle chaque vidéo.

Il regroupe ensuite les sujets dans des groupes de contenu et des niches plus larges.

Si quelqu'un regarde une vidéo spécifique, ses clusters de contenu associés sont liés au profil de l'utilisateur en tant qu'intérêts.

Plus une personne regarde de vidéos à partir du même cluster de contenu, plus elle recommandera des vidéos de la même catégorie à cet utilisateur.

Cette analyse permet à YouTube de comprendre ce qui intéresse chaque utilisateur, mais elle ne se limite pas à une simple analyse vidéo.

YouTube utilise également les données de co-surveillance pour affiner les intérêts des utilisateurs individuels.

Pour un guide tactique sur la façon de mettre en œuvre ces leçons, consultez mon article sur la façon de casser l'algorithme YouTube.

L'algorithme YouTube crée des groupes démographiques et d'intérêts distincts en fonction de ce que les gens regardent

Comment l'algorithme YouTube relie-t-il les spectateurs individuels à des groupes de contenu plus larges ?

YouTube regroupe les utilisateurs en fonction d'intérêts communs et des clusters de contenu associés, afin de pouvoir faire des recommandations basées sur l'historique des autres utilisateurs et les nouvelles vidéos qui ont été ajoutées à des clusters de contenu spécifiques.

Cette fonctionnalité est très similaire à l'algorithme de recommandation d'Amazon pour les suggestions fréquemment achetées ensemble et les audiences similaires de Facebook.

YouTube enregistre l'historique de visionnage de chaque utilisateur connecté sur sa plate-forme.

Il examine ensuite simultanément l'historique de visionnage de toutes les personnes et calcule la distance moyenne entre deux vidéos au cours de la même session. Plus la distance est courte si quelqu'un regarde les deux vidéos à la suite, plus la distance est longue s'il regarde quelques autres vidéos entre les deux.

Une fois que YouTube a calculé la distance moyenne entre deux vidéos, il peut relier les utilisations avec un historique de visionnage similaire et recommander de nouvelles vidéos en fonction des utilisateurs ayant un intérêt commun.

Un système plus avancé peut combiner encore plus de sources de données.

Quel est le processus de l'algorithme YouTube pour identifier de nouveaux sujets et clusters de contenu ?

Catégories de vidéos YouTube

Au début, YouTube essayait de définir manuellement une liste de catégories de vidéos possibles et demandait aux utilisateurs de sélectionner l'un des sujets suivants pour chacune de leurs vidéos :

• Cinéma & Animation
• Autos et véhicules
• Musique
• Animaux de compagnie et animaux
• Des sports
• Voyages et événements
• Jeux
• Personnes et blogs
• Comédie
• Divertissement
• Actualités et politique
• Comment styliser
• Éducation
• Technologie scientifique
• Organisations à but non lucratif et activisme

Vous pouvez toujours trouver le paramètre de catégorie vidéo sur votre page de paramètres vidéo, bien qu'il ne soit plus pertinent et ignoré aujourd'hui.

L'auto-classification a causé de nombreux problèmes car les créateurs de vidéos ne comprenaient pas comment chaque catégorie était censée fonctionner et comment les catégories étaient censées être différentes les unes des autres.

Le résultat était un étiquetage incohérent.

Graphique de connaissances Freebase

YouTube s'est rapidement rendu compte des limites de ces 15 catégories et a commencé à travailler sur une approche plus holistique basée sur la base de données de graphes de connaissances Freebase.

Freebase était une grande base de connaissances collaborative avec plus de 39 millions d'entités de données structurées.

Il était organisé autour d'"entités", également appelées thèmes. Chaque entité était liée à un ou plusieurs "types". Chaque type avait un ensemble unique "d'attributs".

Par exemple, une entité "voiture" était liée, entre autres, au type "moteur", qui avait un attribut "puissance".

Semblable à Wikipedia, les noms d'entités, de types et d'attributs Freebase ont été traduits dans différentes langues, ce qui était une excellente nouvelle pour l'expansion internationale de YouTube.

YouTube a utilisé la base de données Freebase comme base pour développer son système de catégories propriétaire.

Google avait déjà développé plusieurs systèmes de taxonomie pour classer le contenu des pages Web pour son moteur de recherche et à des fins publicitaires.

YouTube a utilisé les algorithmes de classification de Google pour traiter chaque entité, type et attribut de la base de données Freebase afin de la relier au système de taxonomie de Google.

Le modèle résultant a été encore enrichi en reliant des sujets spécifiques à des pages de portail Wikipédia dédiées.

Passer de 15 à plus de 39 millions de catégories de sujets était un énorme pas en avant pour YouTube, mais il avait encore d'innombrables limites.

Le plus gros problème était sa dépendance à la classification humaine et l'approche hiérarchique descendante de l'organisation des sujets.

Cela est devenu plus évident avec la montée explosive des nouvelles technologies et idées.

Les catégories manuelles étaient trop rigides et trop lentes à s'adapter aux changements.

Aujourd'hui, la plupart des idées et des concepts n'ont pas de définitions noires ou blanches, ont souvent un sens ambigu et fluide et évoluent constamment au fil du temps.

Un iPhone est-il un appareil de télécommunication, un ordinateur portable, un téléphone, une caméra vidéo ou un smartphone ? Et si nous considérions les applications ? Est-ce une calculatrice, un traitement de texte, une console de jeux ?

Et si nous avions des concepts et des idées plus complexes avec 20 niveaux de hiérarchie ? Comment les organisons-nous ?

YouTube a décidé de retirer Freebase en 2015 au profit d'un nouvel algorithme de classification algorithmique qui ne nécessitait aucune forme de classification et de conservation humaines.

Génération algorithmique de clusters de contenu

Comment un ordinateur peut-il générer une carte super précise de tous les sujets imaginables dans le monde, puis structurer cette carte en groupes de contenu clairement définis ?

Cela peut être réalisé par des algorithmes avancés d'apprentissage automatique qui examinent des milliards de points de données de métadonnées vidéo et d'historiques de visionnage des utilisateurs.

Tout d'abord, chaque vidéo est convertie en métadonnées textuelles en extrayant le titre, la description, les balises et les commentaires de la vidéo et en convertissant la piste audio en sous-titres avec des algorithmes de reconnaissance de texte.

Les informations non pertinentes sont rejetées.

Les données textuelles combinées de chaque vidéo sont analysées et regroupées en fonction de mots-clés et de phrases.

Les mots-clés et expressions identifiés sont ensuite triés et pondérés en fonction de leur pertinence et de leur fréquence.

Les mots-clés sont ensuite liés entre eux en fonction des données de visionnage de vidéos.

YouTube examine chaque mot clé ou expression un par un

Ensuite, il compile une liste de toutes les vidéos contenant le mot-clé ou la phrase spécifique.

Et identifie ensuite tous les utilisateurs qui ont regardé au moins deux vidéos différentes avec le même mot-clé ou la même phrase au cours de la même session.

YouTube analyse ensuite l'historique de visionnage de toutes les sessions et calcule la distance de visionnage moyenne entre toutes les vidéos contenant le mot-clé ou la phrase cible.

Disons que nous avons trois vidéos avec le même mot-clé, A, B et C.

Si Jane a commencé par A, puis f, puis B et enfin C.

La distance entre A et B serait de 2, tandis que A à C serait de 3 et ainsi de suite.

Plus la distance entre deux vidéos est courte, plus les vidéos sont pertinentes, et par procuration, les mots-clés liés.

La combinaison de millions de vidéos et de données de visionnage d'utilisateurs vous donne une assez bonne représentation de la pertinence des mots clés.

Maintenant, faisons quelque chose de fou.

Créons une gigantesque carte mentale multidimensionnelle et combinons tous les mots-clés avec la distance de surveillance moyenne.

Vous vous retrouvez avec un gigantesque graphique avec des millions de points de données interconnectés.

YouTube prétraite d'abord le graphique avec un algorithme extérieur-intérieur pour trouver des vidéos de départ et des mots-clés pour découper le graphique en clusters de contenu.

YouTube recherche des bordures naturelles avec un chevauchement minimal et une distance de surveillance moyenne plus importante.

Une fois que YouTube a identifié les clusters de contenu potentiels, il sélectionne deux vidéos de départ aléatoires dans chaque cluster pour lancer une analyse locale approfondie des clusters de contenu.

Cet algorithme fonctionne de l'intérieur vers l'extérieur et essaie de développer un graphique de cluster de contenu local avec des bords clairement définis en identifiant le chemin le plus court entre les deux vidéos de départ, puis en reliant les vidéos voisines pertinentes avec des mots-clés similaires.

Dans le processus final, YouTube supprime ensuite les vidéos avec le score de similarité le plus bas, généralement des bords du cluster, pour plus de clarté.

Parfois, YouTube peut se rendre compte que le cluster de contenu identifié peut être divisé en sous-clusters supplémentaires.

L'avantage de cette approche algorithmique de génération de clusters de contenu est qu'elle ne nécessite pas ou très peu d'intervention humaine.

Cet algorithme identifie en permanence de nouveaux groupes de contenu et sujets qui ne sont souvent pertinents que pour un petit nombre d'utilisateurs.

Il suffit de quelques YouTubers qui font des vidéos sur un nouveau mot-clé et d'un groupe de personnes qui regardent leurs vidéos.

Et voilà, un nouveau cluster de contenu a été créé.

Lisez cet article pour savoir comment lier votre stratégie de contenu YouTube aux clusters de contenu de YouTube.

Et parce que YouTube connaît l'historique de visionnage de tout le monde, il peut désormais recommander ce nouveau cluster de contenu à un public similaire de personnes similaires à celles qui ont regardé ces vidéos en premier.

Fonctionnalités de découverte YouTube

Algorithme de flux de page d'accueil YouTube

La page d'accueil de YouTube a beaucoup changé au fil des ans.

La page d'accueil de YouTube n'affichait que des recommandations vidéo pour les chaînes auxquelles les utilisateurs étaient abonnés.

Le flux de la page d'accueil est désormais 100 % personnalisé avec des recommandations de vidéos basées sur l'historique de visionnage de chaque utilisateur.

YouTube utilise un mélange de vidéos basées sur des sujets familiers que l'utilisateur a récemment regardés et de nouvelles vidéos de catégories entièrement différentes basées sur des utilisateurs similaires pour garder des suggestions fraîches et passionnantes.

Pourquoi le flux de la page d'accueil ne se concentre-t-il pas exclusivement sur des sujets familiers ? Pourquoi risquer d'"offenser" mon bon goût avec quelqu'un que je n'ai jamais regardé auparavant ?

Cela peut sembler contre-intuitif, mais il s'avère que la fraîcheur est un facteur crucial pour garder les gens sur la plate-forme YouTube plus longtemps.

Les gens ne peuvent regarder qu'un certain nombre de vidéos sur un sujet avant de se sentir mentalement épuisés. De nouveaux sujets vidéo donnent une issue et empêchent l'ennui de se produire.

Pour figurer sur le flux de la page d'accueil, vous devez améliorer votre taux de clics et la fidélisation de l'audience, car cela vous aidera à atteindre un public plus large.

Algorithme de flux d'abonnement YouTube

Le flux d'abonnement est assez explicite. Il se concentre exclusivement sur les vidéos des chaînes auxquelles les utilisateurs sont déjà abonnés.

Bien que ce flux se concentre sur vos abonnements, il ne s'agit pas d'un flux chronologique.

YouTube essaie toujours de vous montrer le meilleur contenu possible qui, selon lui, vous gardera sur la plate-forme plus longtemps.

Voici ce que vous verrez sur le flux d'abonnement.

Vidéos récemment mises en ligne à partir de chaînes auxquelles vous êtes abonné, avec un accent sur des sujets similaires à ce que vous avez déjà regardé et des vidéos qui ont déjà fait leurs preuves en termes de taux de clics et de temps de visionnage élevés.

Algorithme de suggestions de vidéos YouTube

L'algorithme de flux "Suggested" de YouTube, qui inclut également les vidéos "Up Next", est un facteur important à prendre en compte pour les créateurs.

Cette fonctionnalité sélectionne des vidéos pour la zone suggérée sous la vidéo actuelle sur les appareils mobiles ou dans la barre latérale droite sur les ordinateurs de bureau.

Pourquoi YouTube envisage-t-il de suggérer ou non l'une de vos vidéos ?

La première étape consiste à vous assurer que les métadonnées de vos vidéos correspondent aux métadonnées des vidéos pour lesquelles vous espérez être recommandé.

Cela inclut les titres similaires, les mots-clés, les descriptions et la vidéo elle-même exprimée par ses sous-titres.

Votre contenu est plus susceptible d'être recommandé ici s'il incite les spectateurs à regarder au lieu de quitter YouTube.

L'IA recherche également des vidéos et des chaînes approfondies complémentaires, ainsi que des brise-goûts pour regarder autre chose, afin qu'elles ne soient jamais submergées en regardant trop de vidéos sur un sujet donné.

Les briseurs de goût ne sont pas aléatoires. Ils sont toujours basés sur des recommandations personnelles basées sur l'historique de surveillance de chaque utilisateur et les données de co-surveillance d'utilisateurs similaires.

Algorithme de flux de tendances YouTube

La plupart des gens pensent que la section "tendances" de YouTube ne contient que des vidéos actuellement populaires.

Cette hypothèse est fausse.

Les sujets tendance sont des sujets dont les gens parlent actuellement dans les actualités et les médias sociaux.

Tout dépend de ce qui est rapporté dans les actualités, sur les réseaux sociaux, les sites Web, les blogs et ailleurs.

La fonction de tendance est "géo‐spécifique", ce qui signifie que YouTube affiche différentes vidéos en fonction de l'emplacement du spectateur.

Algorithme de flux de notification YouTube

Les utilisateurs reçoivent également des recommandations vidéo personnalisées via les notifications YouTube.

Pour obtenir vos vidéos dans le flux de notification, les utilisateurs doivent d'abord s'abonner à votre chaîne YouTube, puis cliquer sur l'icône en forme de cloche.

Ensuite, YouTube informera les abonnés en temps réel de toute nouvelle vidéo que vous mettez en ligne sur votre chaîne.

Les abonnés reçoivent la notification via leur application YouTube ou les notifications de leur ordinateur.

Habituellement, les notifications vidéo apparaissent séquentiellement sans discrimination, ce qui signifie que YouTube affichera toutes les notifications de toutes les chaînes, indépendamment du nombre d'abonnés.

La seule exception est lorsqu'un utilisateur active trop de notifications pour trop de chaînes. Dans ce cas, YouTube utilise son algorithme de pertinence en fonction de ce que l'utilisateur est le plus susceptible de regarder ensuite.

Algorithme de résultats de recherche YouTube

La recherche YouTube met fortement l'accent sur le référencement YouTube, y compris l'optimisation des mots-clés du titre, de la description, des balises vidéo et des mots-clés trouvés dans les sous-titres de chaque vidéo.

De plus, il prend en compte le nombre d'abonnés à la chaîne et le temps de visionnage des vidéos lorsqu'il s'agit de décider quelle chaîne apparaîtra dans la recherche et quelles vidéos seront poussées vers le haut.

La fraîcheur est un autre facteur de classement important qui permet de recommander du contenu nouveau et mis à jour, donnant ainsi une chance aux chaînes plus petites.

Pour en profiter, les nouvelles vidéos doivent optimiser leurs titres vidéo et leurs vignettes pour obtenir un taux de clics élevé ; sinon, les nouvelles vidéos seront déclassées au fil du temps si personne ne clique dessus.

YouTube a également déployé des chapitres vidéo qui permettent de "découper une vidéo en sections" afin que les téléspectateurs puissent facilement identifier des réponses spécifiques à des questions spécifiques. Vous pouvez choisir d'activer cette option dans votre vidéo ou vous pouvez créer vos propres chapitres vidéo avec des mots-clés qui correspondent au sujet de votre vidéo. Ceci est bénéfique pour aider YouTube à faire apparaître vos vidéos sur les résultats de recherche.

Prochaines étapes

Wow, l'algorithme de YouTube est une technologie remarquable.

Maintenant que vous comprenez tous les aspects du fonctionnement de l'algorithme YouTube sous le capot, que pouvez-vous faire d'autre pour développer rapidement votre chaîne YouTube (réussie) ?

Je recommande de lire mon guide très tactique sur la croissance de YouTube pour vous aider à déchiffrer l'algorithme de YouTube.

Il laisse de côté de nombreux détails techniques de l'algorithme YouTube que nous avons couverts dans cet article en faveur de donner des conseils pratiques et des recommandations sur la façon de mettre en œuvre les principales leçons sur l'algorithme YouTube.

Ensuite, vous pouvez consulter certains de mes articles sur la croissance YouTube ci-dessous.

• Comment trouver le créneau idéal pour votre chaîne YouTube en sélectionnant les bons clusters de contenu pour votre chaîne.
• Comment optimiser le titre de votre vidéo, et aussi ici.
• Comment concevoir des vignettes étonnantes pour votre vidéo qui obtiennent des clics.
• Comment améliorer votre taux de clics d'impression sur YouTube.
• Comment atteindre vos 1000 premiers abonnés YouTube.
• Comment accumuler rapidement 4000 heures de temps de visionnage pour monétiser votre chaîne YouTube.
• Comment vous pouvez gagner de l'argent avec votre chaîne YouTube, également ici, ici et ici.
• Enfin et surtout, mon examen complet du meilleur outil de croissance YouTube TubeBuddy.