Penjelasan Algoritma YouTube

Cara Cepat Menumbuhkan Saluran YouTube Anda dengan Bekerja Dengan Bukan Melawan Algoritma YouTube

Banyak YouTuber kecil berjuang untuk mengembangkan saluran mereka.

Meskipun ada banyak alasan mengapa saluran YouTube Anda tidak berkembang, salah satu yang paling umum adalah tidak memahami cara kerja algoritme YouTube.

Pada artikel ini, saya akan menunjukkan kepada Anda bagaimana algoritma YouTube bekerja di bawah tenda.

Anda akan mempelajari bagaimana algoritme pembelajaran mesin menentukan topik setiap video, bagaimana algoritme ini mengelompokkan saluran YouTube yang serupa, bagaimana memahami apa yang diminati setiap pemirsa, dan bagaimana algoritme merekomendasikan video dan saluran baru yang tidak dilanggani pemirsa.

Jika Anda kurang tertarik dengan detail seluk beluk algoritme YouTube, Anda juga dapat membaca panduan taktis saya tentang cara memecahkan algoritme YouTube.

Bagaimana Algoritma YouTube Memahami Topik Video YouTube

Salah satu prioritas utama YouTube adalah memiliki kemampuan untuk memahami konten setiap video, sehingga kemudian dapat merekomendasikan video yang tepat kepada orang yang tepat.

YouTube menggunakan berbagai macam teknik untuk menganalisis setiap video.

Ini menggunakan metadata langsung dan tidak langsung untuk mengekstrak data kata kunci dari video dan analisis video dan audio melalui algoritme pembelajaran mesin yang kompleks.

Analisis berbasis teks

Analisis yang paling mudah didasarkan pada ekstraksi kata kunci berbasis teks.

Untuk tujuan ini, YouTube melihat berbagai atribut berbasis teks langsung dan tidak langsung untuk memperkirakan kata kunci deskriptif yang secara akurat mencerminkan konten videonya.

Analisis kata kunci judul, deskripsi, dan tag video

Pengguna dapat menambahkan judul video, deskripsi video, tag video, dan kategori video ke video mereka.

Seperti semua meta-data yang dibuat pengguna, masalahnya adalah sering kali rentan terhadap kesalahan, ambiguitas, dan ketidaklengkapan.

Karena itu, YouTube harus terlebih dahulu membersihkan dan menyempurnakan semua metadata tertulis agar dapat digunakan dalam algoritme rekomendasi mereka.

Contoh:

Seseorang bisa menulis Instagram, Insta, gram, atau IG, semuanya mengacu pada aplikasi media sosial yang sama. YouTube memecahkan ambiguitas ini dengan mengelompokkan sinonim secara internal dengan penamaan yang sama.

Kemudian menggunakan data kontekstual untuk memahami konteks kata kunci "Instagram". Apakah seseorang berbicara tentang perusahaan Instagram, dampak budaya Instagram, cara menggunakan aplikasi Instagram sebagai pengguna, atau tentang menumbuhkan pemirsa di Instagram sebagai pembuat konten?

Metadata terpadu dan disempurnakan kemudian disimpan untuk setiap video untuk analisis lebih lanjut.

Saya sarankan untuk membaca artikel saya tentang cara memberi judul pada video YouTube Anda dan tentang cara mengoptimalkan judul video Anda untuk detail lebih lanjut.

Analisis subtitel

Transkripsi video dalam bentuk subtitel sejauh ini merupakan sumber metadata video terbaik untuk analisis konten.

Jika ditranskripsikan secara akurat, mereka mewakili konversi satu-ke-satu dari kata yang diucapkan ke kata-kata tertulis, sehingga membuatnya dapat diakses oleh alat analisis pembelajaran mesin YouTube.

Intinya, YouTube dapat menggunakan teknologi canggih yang sama dengan yang digunakan perusahaan induknya Google untuk menganalisis miliaran situs web, halaman, dan posting blog untuk SEO.

Awalnya, YouTube mengandalkan pengguna untuk mengunggah atau menyalin subtitle mereka sendiri.

Karena ini adalah pekerjaan yang membosankan, hanya segelintir pengguna YouTube yang sangat berkomitmen yang benar-benar akan menambahkan subtitle ke video mereka.

Meskipun subtitle jauh lebih baik untuk analisis teks, mereka tidak berguna jika hanya 1 dari 100.000 yang memiliki subtitle.

YouTube menyelesaikan ini dengan berinvestasi besar-besaran dalam perangkat lunak pengenalan suaranya sendiri yang secara otomatis menyalin setiap unggahan video dan mengubahnya menjadi subtitle.

Masalah dengan transkripsi YouTube adalah terkadang tidak 100% akurat.

Seringkali salah memahami apa yang orang katakan dalam video dan kemudian menggunakan kata-kata yang salah dalam subtitlenya, terutama jika peralatan audio berkualitas rendah, kebisingan latar belakang sangat tinggi, atau jika seseorang memiliki aksen.

Ini memiliki beberapa konsekuensi yang berpotensi sangat berbahaya bagi pembuat konten YouTube mana pun.

Dalam kasus terbaik, YouTube tidak mengaitkan kata kunci penting yang ingin Anda rangking dengan video Anda.

Kasus terburuk, kata yang tidak berbahaya dapat diartikan sebagai cercaan yang buruk, yang mengakibatkan demonetisasi atau pemogokan komunitas otomatis.

Jika Anda ingin mendapatkan hasil terbaik untuk transkrip dan subtitel Anda, termasuk kapitalisasi dan tanda baca yang tepat, saya sarankan untuk memeriksa Descript dan Otter untuk hasil terbaik.

Analisis daftar putar

YouTube juga akan menggunakan metadata kontekstual tidak langsung untuk memahami tentang apa yang diberikan YouTube.

Apakah video tertentu termasuk dalam satu atau beberapa daftar putar video yang dibuat oleh saluran Anda atau oleh orang lain? Jika ya, kata kunci apa yang termasuk dalam judul dan deskripsi playlist?

YouTube kemudian dapat menganalisis setiap daftar putar dengan menggabungkan semua judul video dalam setiap daftar putar dan kemudian menggunakan algoritme pengenalan pola untuk mengidentifikasi kata kunci bersama yang secara akurat menggambarkan kesamaan di antara semua video.

Kesamaan dalam daftar putar ini dapat berfungsi sebagai informasi kontekstual tambahan untuk setiap video yang disematkan.

Jika daftar putar tertentu berisi data dan gangguan yang tidak koheren, misalnya, YouTube akan mengabaikan data tersebut karena seseorang menyatukan video yang tidak terkait.

Anda dapat dengan cepat merapikan daftar putar yang ada dengan Alat Tindakan Daftar Putar TubeBuddy.

Analisis komentar

Sumber metadata video lainnya adalah komentar YouTube. Ini lebih relevan untuk saluran yang lebih besar yang secara konsisten mendapatkan volume komentar yang tinggi untuk setiap video.

YouTube dapat mencari kata kunci dan pola tertentu yang menunjukkan pernyataan deskriptif.

Contoh:

"Terima kasih banyak. Video Anda sangat membantu saya memahami cara membuat lebih banyak orang berlangganan saluran YouTube saya".

Dalam hal ini, salah satu pola pencarian mungkin memiliki "bagaimana ..."

Sekali lagi, penting untuk disebutkan bahwa YouTube tidak menerima komentar begitu saja. Jika tidak, akan mudah bagi aktor nakal untuk mempermainkan sistem untuk mendapatkan keuntungan yang tidak adil.

Sebaliknya, YouTube menggunakan semua data untuk meningkatkan tingkat kepercayaannya dengan mengonfirmasi kesesuaian di semua titik data.

Jika Anda ingin melihat sekilas apa yang dilihat YouTube, lihat TubeBuddy Comments Word Cloud.

Kartu info dan analisis layar akhir

Sumber metadata video terakhir adalah Kartu Info dan Layar Akhir.

Apakah ada kartu tersemat yang tertaut ke video, daftar putar, atau situs web eksternal tertentu?

Jika ya, teks apa yang termasuk dalam judul dan deskripsi setiap kartu?

Dalam kasus video YouTube, metadata dan kluster konten apa yang ditautkan ke setiap video? Apakah ada kesamaan dan tumpang tindih antara video atau daftar putar sumber dan target?

Dalam kasus situs web, apa URL setiap halaman, judul halaman, dan konten HTML?

Alat Pemrosesan Massal TubeBuddy untuk Kartu Info dan Layar Akhir akan menghemat banyak waktu Anda.

Analisis visual

YouTube menggunakan alat analisis foto berbasis AI untuk menganalisis gambar mini video dan bingkai video individual berdasarkan Google Cloud Vision AI.

Hal yang luar biasa tentang Google Cloud Vision AI adalah Anda dapat mengaksesnya secara terbuka untuk mengevaluasi gambar mini video Anda sendiri.

Anda dapat melihat artikel saya tentang cara mendesain thumbnail YouTube yang sempurna untuk tutorial langkah demi langkah.

Berikut adalah beberapa objek yang dapat dikenali oleh YouTube dan Cloud Vision:

• Rakyat
• wajah
• emosi
• Gestur
• Pakaian
• Objek dan atribut
• Warna dominan
• Gaya
• logo
• Pengenalan teks
• Peringkat pencarian aman
  • Dewasa
  • Menipu
  • Medis
  • Kekerasan
  • Bersemangat

Sejujurnya, hampir sedikit menakutkan seberapa akurat AI selama bertahun-tahun.

YouTube menggunakan teknologi yang sama untuk menganalisis setiap bingkai video demi bingkai.

Sebagian besar untuk mengidentifikasi konten berhak cipta dan konten apa pun yang akan mengakibatkan pelanggaran pedoman komunitas.

Sebagai manfaat sekunder, YouTube mengidentifikasi orang dan objek dalam setiap video Anda.

Jika judul video Anda adalah "Cara membuat salad tomat yang sempurna", akan sangat masuk akal jika Anda "melihat" beberapa tomat asli di video Anda.

Ini tidak hanya membantu YouTube melawan judul clickbait palsu, tetapi juga merupakan sumber metadata tambahan yang bagus yang mungkin sulit diungkapkan dalam teks.

Katakanlah Anda memiliki video dengan judul "3 lokasi yang diremehkan di London" dan tiga lokasi yang Anda tampilkan di video Anda adalah "Pasar Borough", "Thames Barrier Park", dan "Richmond Park".

Jika AI YouTube dapat mengenali lokasi tertentu hanya berdasarkan pengenalan visual, misalnya, dengan mengubah tanda menjadi teks melalui teknologi OCR.

YouTube kemudian akan merekomendasikan video Anda kepada seseorang yang menelusuri "pasar makanan terbaik di London".

Ini berfungsi dalam banyak kasus, bahkan jika Anda tidak memasukkannya ke dalam judul, deskripsi, tag, atau subjudul Anda.

Analisis audio

YouTube juga menganalisis setiap momen musik, suara, dan kata-kata yang diucapkan dari semua video.

Alasan yang paling jelas adalah, sekali lagi, mengidentifikasi musik yang memiliki hak cipta untuk sistem Content ID YouTube.

Data audio tambahan juga memberikan wawasan berharga tentang apa yang terjadi dalam setiap video.

Lagu tertentu terkait dengan artis tertentu, genre musik, dan lagu lain yang mungkin cocok dimainkan bersama.

Suara dan efek suara sering kali mengomunikasikan peristiwa tertentu. Misalnya, suara "meong" akan menunjukkan keberadaan kucing.

Kata-kata yang diucapkan dapat menunjukkan keberadaan orang tertentu dalam video Anda.

Analisis konteks

YouTube juga menggunakan data kontekstual yang lebih luas untuk lebih memahami topik setiap video.

Saluran

• Apa yang kita ketahui tentang saluran YouTube yang mengunggah video?
• Kluster konten apa yang terkait dengan saluran YouTube?
• Apa yang kami ketahui tentang pengguna yang menonton video dari saluran ini?
• Grup audiens yang lebih besar mana yang menonton video dari channel ini?
• Grup demografis mana yang menonton video dari saluran ini?

Situs web eksternal

• Apakah video ini telah disematkan di situs eksternal?
• Jika ya, apa yang dapat kami ekstrapolasi informasi tambahan dari konten halaman web tempat video tertentu disematkan?
• Apa lagi penerbitan situs web ini?
• Siapa penulis artikel tertentu?
• Untuk topik apa penulis ini dikenal?
• Berapa skor otoritas situs web?

Analisis pemirsa

• Bagaimana pemirsa berinteraksi dengan video ini?
• Rentang waktu mana yang telah ditonton, dan seberapa sering?
• Rentang waktu mana yang telah dilewati, dan seberapa sering?
• Berapa rasio klik-tayang setiap pemirsa pada tayangan video?
• Berapa waktu tonton pemirsa dalam menit/persentase?
• Apa yang kita ketahui tentang kumpulan penonton dengan persentase waktu tonton yang rendah?
• Apa yang kita ketahui tentang kumpulan penonton dengan persentase waktu tonton yang tinggi?

Bagaimana Algoritma YouTube Menemukan Saluran YouTube Serupa untuk Direkomendasikan

Bagaimana algoritme YouTube menautkan saluran YouTube ke masing-masing topik, kategori, dan kluster konten?

Ketika Anda melihat video yang diposting di saluran YouTube CNN, Anda mungkin mengerti bahwa mereka terutama berfokus pada produksi konten berita.

Tetapi bagaimana YouTube dapat menentukan hal yang sama untuk jutaan saluran YouTube dalam skala besar?

Pendekatan yang paling mudah adalah meminta setiap saluran YouTube untuk mengklasifikasikan sendiri.

Cukup pilih kategori yang tepat dari daftar panjang kategori saluran, dan semuanya akan baik-baik saja?

Yah, tidak begitu cepat ...

Masalah dengan klasifikasi diri adalah rentan terhadap kesalahan.

Pembuat konten YouTube mungkin tidak memiliki arah saluran atau strategi konten yang jelas. Jadi mereka mungkin tidak tahu kategori mana yang harus dipilih.

Kreator mungkin juga bingung tentang kategori mana yang harus dipilih jika mereka tidak memahami definisi atau arti dari setiap kategori.

Terkadang mereka juga mungkin kewalahan, terutama jika daftar kategorinya sangat panjang.

Solusinya?

Mereka menentukan kategori saluran YouTube secara algoritmik!

Berikut adalah bagaimana YouTube dapat memahami tentang apa saluran YouTube itu.

Mereka melihat tiga faktor yang berbeda.

• Apa isi dari masing-masing video mereka?
• Apa topik dan tema paling populer di semua video mereka?
• Sifat, karakteristik, dan minat apa yang dibagikan oleh pemirsa video mereka?

Ketiga informasi tersebut saling melengkapi.

Semakin harmonis data, semakin tinggi skor kepercayaan YouTube bahwa saluran tertentu termasuk dalam kategori dan ceruk tertentu. Semakin besar kemungkinan YouTube akan merekomendasikan video Anda di bagian Video yang Disarankan dari saluran YouTube di ceruk yang sama.

Itulah mengapa sangat penting untuk mengembangkan strategi konten YouTube yang jelas untuk semua video Anda. Anda dapat mempelajari lebih lanjut tentang membuat strategi konten dari awal di artikel strategi cluster konten YouTube saya.

Bagaimana Algoritma YouTube Menentukan Apa yang Diminati Setiap Pengguna

YouTube melacak semua yang dilakukan pengguna di situs web mereka.

Setiap gerakan tikus. Setiap klik pada gambar mini YouTube.

Berapa persen thumbnail yang terlihat di setiap halaman.

Jika video diputar di latar depan atau latar belakang.

Gambar mini dan judul video mana yang dipromosikan ke setiap pengguna, dan berapa kali?

Berapa rasio klik-tayang dari setiap tayangan video?

Berapa banyak tampilan yang dimiliki setiap video YouTube?

Berapa waktu tonton video dalam menit dan persen setelah mengklik video? Berapa persentase rata-rata waktu menonton video oleh pengguna ini? Apakah waktu tonton video ini di atas atau di bawah rata-rata?

Apa yang dilakukan seseorang setelah menonton video tertentu untuk pertama kalinya?

Apakah mereka terlibat? Apakah mereka menekan tombol suka untuk tidak suka? Apakah mereka menulis komentar? Apakah itu pernyataan komentar positif atau negatif berdasarkan analisis sentimen?

Apakah pengguna memperluas deskripsi video?

Apakah pemirsa membagikan video? Jika ya, di platform mana? Dan apa alasan yang paling mungkin untuk berbagi?

Apakah mereka berlangganan saluran YouTube? Jika ya, di halaman berapa? Jika di halaman video, berapa persen video yang mereka tonton?

Apakah mereka menjelajahi saluran YouTube tertentu? Judul video mana yang terlihat oleh mereka? Yang mana yang mereka klik?

Apakah mereka menambahkan video ke daftar putar tertentu? Apa judul playlist ini? Apa tema dan topik video lain di daftar putar yang sama?

Apakah mereka menekan tombol tonton nanti?

Apa kluster konten, tema, dan topik terkait dari video ini? Apakah pengguna ini tertarik dengan salah satu kluster konten ini berdasarkan perilaku sebelumnya dan riwayat tontonan? Apakah ada kepentingan yang biasanya tumpang tindih antara dua kelompok konten, misalnya, Linux dan perangkat lunak yang sedang berkembang?

YouTube kemudian menggunakan semua titik data ini untuk memberi makan algoritme pembelajaran mesinnya guna menemukan pola di beberapa pengguna.

Untuk meringkas.

YouTube pertama-tama mengklasifikasikan video untuk memahami tentang setiap video.

Ini kemudian mengelompokkan topik ke dalam grup dan ceruk konten yang lebih luas.

Jika seseorang menonton video tertentu, kluster konten terkait ditautkan ke profil pengguna sebagai minat.

Semakin banyak video yang ditonton seseorang dari kluster konten yang sama, semakin besar kemungkinan video tersebut akan merekomendasikan video dari kategori yang sama kepada pengguna ini.

Analisis ini memungkinkan YouTube untuk memahami apa yang diminati setiap pengguna, tetapi tidak membatasi dirinya hanya pada analisis video.

YouTube juga menggunakan data tontonan bersama untuk lebih menyempurnakan minat pengguna individu.

Untuk panduan taktis tentang cara menerapkan pelajaran ini, lihat artikel saya tentang cara memecahkan algoritme YouTube.

Algoritme YouTube Membuat Grup Demografi dan Minat yang Berbeda Berdasarkan Apa yang Ditonton Orang

Bagaimana algoritme YouTube menautkan pemirsa individu ke kelompok konten yang lebih luas?

YouTube mengelompokkan pengguna berdasarkan minat yang sama dan kluster konten terkait, sehingga dapat membuat rekomendasi berdasarkan riwayat pengguna lain dan video baru yang telah ditambahkan ke kluster konten tertentu.

Fitur ini sangat mirip dengan algoritme rekomendasi Amazon untuk saran yang sering dibeli bersama dan pemirsa mirip Facebook.

YouTube merekam riwayat tontonan setiap pengguna yang masuk di platformnya.

Kemudian melihat riwayat tontonan semua orang secara bersamaan dan menghitung jarak rata-rata antara dua video mana pun dalam sesi yang sama. Semakin pendek jarak jika seseorang menonton kedua video secara berurutan, semakin jauh jarak jika mereka menonton beberapa video lain di antaranya.

Setelah YouTube menghitung jarak rata-rata antara dua video, YouTube dapat menautkan penggunaan dengan riwayat tontonan serupa dan merekomendasikan video baru berdasarkan pengguna dengan minat yang sama.

Sistem yang lebih maju dapat menggabungkan lebih banyak sumber data.

Apa Proses Algoritma YouTube untuk Mengidentifikasi Topik Baru dan Cluster Konten?

kategori video YouTube

Pada hari-hari awal, YouTube mencoba menentukan secara manual daftar kemungkinan kategori video dan meminta pengguna untuk memilih salah satu topik berikut untuk setiap video mereka:

• Film & Animasi
• Mobil & Kendaraan
• Musik
• Hewan Peliharaan & Hewan
• Olahraga
• Perjalanan & Acara
• bermain game
• Orang & Blog
• Komedi
• Hiburan
• Berita & Politik
• Cara & Gaya
• Pendidikan
• Sains & Teknologi
• Nirlaba & Aktivisme

Anda masih dapat menemukan pengaturan kategori video di halaman pengaturan video Anda, meskipun tidak relevan dan diabaikan hari ini.

Klasifikasi diri menyebabkan banyak masalah karena pembuat video tidak memahami bagaimana setiap kategori seharusnya bekerja dan bagaimana kategori seharusnya berbeda satu sama lain.

Hasilnya adalah pelabelan yang tidak konsisten.

Grafik pengetahuan basis gratis

YouTube dengan cepat menyadari keterbatasan 15 kategori ini dan mulai mengerjakan pendekatan yang lebih holistik berdasarkan basis data grafik pengetahuan Freebase.

Freebase adalah basis pengetahuan kolaboratif besar dengan lebih dari 39 juta entitas data terstruktur.

Itu diatur di sekitar "entitas", juga dikenal sebagai topik. Setiap entitas ditautkan ke satu atau lebih "jenis". Setiap jenis memiliki seperangkat "atribut" yang unik.

Misalnya, entitas "mobil" ditautkan, antara lain, ke jenis "mesin", yang memiliki atribut "tenaga kuda".

Mirip dengan Wikipedia, nama Freebase entitas, jenis, dan atribut diterjemahkan ke dalam bahasa yang berbeda, yang merupakan berita bagus untuk ekspansi internasional YouTube.

YouTube menggunakan database Freebase sebagai dasar untuk mengembangkan sistem kategori miliknya.

Google telah mengembangkan beberapa sistem taksonomi untuk mengklasifikasikan konten halaman web untuk mesin pencari dan tujuan periklanannya.

YouTube menggunakan algoritme pengklasifikasi Google untuk memproses setiap entitas, jenis, dan atribut database Freebase untuk menautkannya dengan sistem taksonomi Google.

Model yang dihasilkan semakin diperkaya dengan menautkan topik tertentu ke halaman portal Wikipedia khusus.

Beralih dari 15 menjadi lebih dari 39 juta kategori topik merupakan langkah maju yang besar bagi YouTube, tetapi masih memiliki banyak keterbatasan.

Masalah terbesarnya adalah ketergantungannya pada klasifikasi manusia dan pendekatan top-down hierarkis untuk mengatur topik.

Ini menjadi lebih jelas dengan munculnya ledakan teknologi dan ide-ide baru.

Kategori manual terlalu tidak fleksibel dan terlalu lambat untuk beradaptasi dengan perubahan.

Saat ini, sebagian besar ide dan konsep tidak memiliki definisi hitam putih, sering kali ambigu dan maknanya cair, dan terus berkembang seiring waktu.

Apakah iPhone adalah perangkat telekomunikasi, komputer seluler, telepon, kamera video, atau smartphone? Bagaimana jika kita mempertimbangkan aplikasi? Apakah itu kalkulator, prosesor teks, konsol game?

Bagaimana jika kita memiliki konsep dan ide yang lebih kompleks dengan 20 tingkat hierarki? Bagaimana kita mengatur ini?

YouTube memutuskan untuk menghentikan Freebase pada tahun 2015 demi algoritme pengklasifikasi algoritmik baru yang tidak memerlukan klasifikasi dan kurasi manusia dalam bentuk apa pun.

Pembuatan kluster konten algoritmik

Bagaimana komputer dapat menghasilkan peta super presisi dari setiap topik yang dapat dibayangkan di dunia dan kemudian menyusun peta ini ke dalam kelompok konten yang terdefinisi dengan jelas?

Hal ini dapat dicapai dengan algoritme pembelajaran mesin canggih yang melihat miliaran titik data metadata video dan riwayat tontonan pengguna.

Pertama, setiap video diubah menjadi teks meta-data dengan mengekstrak judul video, deskripsi, tag, dan komentar dan mengubah trek audio menjadi sub judul dengan algoritma pengenalan teks.

Informasi yang tidak relevan dibuang.

Data teks gabungan dari setiap video dianalisis dan dikelompokkan berdasarkan kata kunci dan frasa.

Kata kunci dan frasa yang teridentifikasi kemudian diurutkan dan diberi bobot berdasarkan relevansi dan frekuensi.

Kata kunci kemudian dihubungkan bersama berdasarkan data tontonan video.

YouTube melihat setiap kata kunci atau frasa satu per satu

Kemudian mengkompilasi daftar semua video yang berisi kata kunci atau frase tertentu.

Dan kemudian mengidentifikasi semua pengguna yang telah menonton setidaknya dua video berbeda dengan kata kunci atau frasa yang sama dalam sesi yang sama.

YouTube kemudian menganalisis riwayat tontonan semua sesi dan menghitung jarak tonton rata-rata antara semua video yang berisi kata kunci atau frasa target.

Katakanlah kita memiliki tiga video dengan kata kunci yang sama, A, B, dan C.

Jika Jane mulai dengan A, lalu f, lalu B, dan terakhir C.

Jarak antara A dan B adalah 2, sedangkan A ke C adalah 3 dan seterusnya.

Semakin pendek jarak antara dua video, semakin relevan video tersebut, dan dengan proxy, kata kunci yang ditautkan.

Menggabungkan jutaan video dan data tontonan pengguna memberi Anda representasi relevansi kata kunci yang cukup bagus.

Sekarang, mari kita lakukan sesuatu yang gila.

Mari buat peta pikiran multidimensi raksasa dan gabungkan semua kata kunci dengan jarak menonton rata-rata.

Anda berakhir dengan grafik raksasa dengan jutaan titik data yang saling berhubungan.

YouTube pertama-tama memproses grafik dengan algoritme luar-dalam untuk menemukan video benih dan kata kunci untuk membagi grafik menjadi kelompok konten.

YouTube mencari batas alami dengan tumpang tindih minimal dan jarak tonton rata-rata yang lebih besar.

Setelah YouTube mengidentifikasi kluster konten potensial, YouTube akan memilih dua video benih acak dari setiap kluster untuk memulai analisis kluster konten lokal yang mendalam.

Algoritme ini bekerja dari dalam ke luar dan mencoba menumbuhkan grafik klaster konten lokal dengan tepi yang jelas dengan mengidentifikasi jalur terpendek antara dua video benih dan kemudian menautkan bersama video tetangga yang relevan dengan kata kunci yang serupa.

Dalam proses terakhir, YouTube kemudian menghapus video dengan skor kesamaan terendah, biasanya dari tepi cluster, untuk kejelasan tambahan.

Terkadang, YouTube mungkin menyadari bahwa kluster konten yang teridentifikasi dapat dibagi lagi menjadi subkluster tambahan.

Manfaat dari pendekatan pembuatan klaster konten algoritmik ini adalah tidak memerlukan atau hanya intervensi manusia yang sangat minim.

Algoritme ini terus-menerus mengidentifikasi grup konten dan topik baru yang seringkali hanya relevan untuk sejumlah kecil pengguna.

Yang diperlukan hanyalah beberapa YouTuber yang membuat video tentang kata kunci baru dan sekelompok orang yang menonton video mereka.

Dan voila, cluster konten baru telah dibuat.

Baca artikel ini tentang cara menautkan strategi konten YouTube Anda ke kluster konten YouTube.

Dan karena YouTube mengetahui riwayat tontonan semua orang, kini YouTube dapat merekomendasikan kluster konten baru ini kepada pemirsa serupa dari orang-orang yang serupa dengan mereka yang menonton video ini terlebih dahulu.

Fitur Penemuan YouTube

Algoritme umpan beranda YouTube

Beranda YouTube telah banyak berubah selama bertahun-tahun.

Beranda YouTube hanya menampilkan rekomendasi video untuk saluran yang telah dilanggani pengguna.

Umpan beranda sekarang 100% dipersonalisasi dengan rekomendasi video berdasarkan histori tontonan setiap pengguna.

YouTube menggunakan campuran video berdasarkan topik umum yang baru saja ditonton pengguna dan video baru dari kategori yang sama sekali berbeda berdasarkan pengguna yang mirip untuk menjaga saran tetap segar dan menarik.

Mengapa umpan beranda tidak secara eksklusif berfokus pada topik yang sudah dikenal? Mengapa mengambil risiko "menyinggung" selera saya dengan seseorang yang belum pernah saya tonton sebelumnya?

Ini mungkin tampak berlawanan dengan intuisi, tetapi ternyata kesegaran adalah faktor penting untuk membuat orang bertahan di platform YouTube lebih lama.

Orang-orang hanya dapat menonton begitu banyak video tentang satu topik sebelum mereka merasa lelah secara mental. Topik video segar memberikan jalan keluar dan mencegah kebosanan terjadi.

Untuk ditampilkan di feed beranda, Anda perlu meningkatkan rasio klik-tayang dan retensi audiens karena ini akan membantu Anda menjangkau audiens yang lebih besar.

Algoritme umpan berlangganan YouTube

Umpan berlangganan cukup jelas. Ini berfokus secara eksklusif pada video dari saluran yang telah dilanggani pengguna.

Meskipun umpan ini berfokus pada langganan Anda, ini bukan umpan kronologis.

YouTube masih berusaha menunjukkan kepada Anda konten terbaik yang diyakini akan membuat Anda bertahan di platform lebih lama.

Inilah yang akan Anda lihat di umpan berlangganan.

Video yang baru saja diunggah dari saluran langganan Anda, dengan fokus pada topik serupa dengan apa yang telah Anda tonton dan video yang telah memiliki rekam jejak yang terbukti dalam hal rasio klik-tayang yang tinggi dan waktu tonton yang tinggi.

Algoritme video yang disarankan YouTube

Algoritme umpan "Disarankan" YouTube, yang juga menyertakan video "Berikutnya", merupakan faktor penting yang perlu dipertimbangkan bagi pembuat konten.

Fitur ini memilih video untuk area yang disarankan di bawah video saat ini di perangkat seluler atau di bilah sisi kanan di komputer desktop.

Apa yang dipertimbangkan YouTube untuk menyarankan salah satu video Anda atau tidak?

Langkah pertama adalah memastikan bahwa metadata video Anda cocok dengan metadata video yang ingin Anda rekomendasikan.

Ini termasuk judul, kata kunci, deskripsi, dan video yang serupa yang diungkapkan oleh subtitelnya.

Konten Anda kemungkinan besar akan direkomendasikan di sini jika membuat penonton tetap menonton daripada meninggalkan YouTube.

AI juga mencari video dan saluran yang saling melengkapi, serta pemecah selera untuk menonton sesuatu yang lain, sehingga mereka tidak pernah kewalahan dengan menonton terlalu banyak video tentang topik tertentu.

Pemecah rasa tidak acak. Mereka masih didasarkan pada rekomendasi pribadi berdasarkan riwayat tontonan setiap pengguna dan data tontonan bersama dari pengguna serupa.

Algoritme umpan tren YouTube

Kebanyakan orang percaya bahwa bagian "tren" YouTube hanya berisi video yang sedang populer.

Anggapan ini salah.

Trending topik adalah topik yang sedang dibicarakan orang-orang di berita dan media sosial.

Ini semua tentang apa yang dilaporkan dalam berita, di media sosial, situs web, blog, dan di tempat lain.

Fitur trending adalah "geo-specific", yang berarti YouTube menampilkan video yang berbeda tergantung pada lokasi pemirsa.

Algoritme umpan notifikasi YouTube

Pengguna juga menerima rekomendasi video yang disesuaikan melalui notifikasi YouTube.

Untuk mendapatkan video Anda di umpan notifikasi, pengguna harus berlangganan saluran YouTube Anda terlebih dahulu, diikuti dengan mengklik ikon lonceng.

Setelah itu, YouTube akan memberi tahu pelanggan secara real-time tentang setiap video baru yang Anda unggah di saluran Anda.

Pelanggan menerima notifikasi melalui aplikasi YouTube atau notifikasi desktop mereka.

Biasanya notifikasi video muncul secara berurutan tanpa diskriminasi, artinya YouTube akan menampilkan semua notifikasi dari semua channel, terlepas dari jumlah subscriber.

Satu-satunya pengecualian adalah ketika pengguna mengaktifkan terlalu banyak notifikasi untuk terlalu banyak saluran. Dalam hal ini, YouTube menggunakan algoritme relevansinya berdasarkan apa yang kemungkinan besar akan ditonton pengguna selanjutnya.

Algoritme hasil penelusuran YouTube

Pencarian YouTube sangat menekankan pada SEO YouTube, termasuk pengoptimalan kata kunci judul, deskripsi, tag video, dan kata kunci yang ditemukan di subtitle setiap video.

Selain itu, jumlah pelanggan saluran dan waktu tonton video diperhitungkan saat memutuskan saluran mana yang akan muncul dalam pencarian dan video mana yang akan didorong ke atas.

Kesegaran adalah faktor peringkat penting lainnya yang memungkinkan konten baru dan yang diperbarui untuk direkomendasikan, memberi kesempatan pada saluran yang lebih kecil.

Untuk memanfaatkan ini, video baru harus mengoptimalkan judul dan gambar mini video untuk mendapatkan rasio klik-tayang yang tinggi; jika tidak, video baru akan diturunkan peringkatnya dari waktu ke waktu jika tidak ada yang mengkliknya.

YouTube juga telah meluncurkan Bab Video yang memungkinkan video untuk "dipotong menjadi beberapa bagian" sehingga pemirsa dapat dengan mudah mengidentifikasi jawaban spesifik untuk pertanyaan spesifik. Anda dapat memilih untuk mengaktifkan opsi ini di video Anda atau Anda dapat membuat bab video Anda sendiri dengan kata kunci yang sesuai dengan topik video Anda. Ini bermanfaat untuk membantu YouTube memunculkan video Anda di hasil penelusuran.

Langkah selanjutnya

Wow, algoritma YouTube adalah bagian dari teknologi yang luar biasa.

Sekarang setelah Anda memahami setiap aspek tentang cara kerja algoritme YouTube, apa lagi yang dapat Anda lakukan untuk mengembangkan saluran YouTube (sukses) Anda dengan cepat?

Saya sarankan membaca panduan saya yang sangat taktis untuk pertumbuhan YouTube untuk membantu Anda memecahkan algoritme YouTube.

Ini meninggalkan banyak detail teknis dari algoritme YouTube yang kami bahas dalam artikel ini untuk memberikan saran dan rekomendasi praktis tentang cara menerapkan pelajaran utama tentang algoritme YouTube.

Setelah itu Anda dapat melihat beberapa artikel pertumbuhan YouTube saya di bawah ini.

• Cara menemukan ceruk yang sempurna untuk saluran YouTube Anda dengan memilih kluster konten yang tepat untuk saluran Anda.
• Cara mengoptimalkan judul video Anda, dan juga di sini.
• Cara mendesain gambar mini yang luar biasa untuk video Anda yang mendapatkan klik.
• Cara meningkatkan rasio klik-tayang tayangan Anda di YouTube.
• Cara mendapatkan 1000 pelanggan YouTube pertama Anda.
• Cara membangun 4000 jam waktu tonton dengan cepat untuk memonetisasi saluran YouTube Anda.
• Bagaimana Anda dapat menghasilkan uang dengan saluran YouTube Anda, juga di sini, di sini, dan di sini.
• Last but not least, ulasan lengkap saya tentang alat pertumbuhan YouTube terbaik TubeBuddy.