Algoritmo do YouTube explicado

Como crescer rapidamente seu canal do YouTube trabalhando com em vez de contra o algoritmo do YouTube

Muitos pequenos YouTubers lutam para crescer seu canal.

Embora existam muitos motivos pelos quais seu canal do YouTube não está crescendo, um dos mais comuns é não entender como o algoritmo do YouTube funciona.

Neste artigo, mostrarei como o algoritmo do YouTube funciona nos bastidores.

Você aprenderá como o algoritmo de aprendizado de máquina determina o tópico de cada vídeo, como agrupa canais semelhantes do YouTube, como entende o interesse de cada espectador e como recomenda novos vídeos e canais nos quais os espectadores não estão inscritos.

Se você estiver menos interessado nos detalhes do algoritmo do YouTube, também pode ler meu guia mais tático sobre como quebrar o algoritmo do YouTube.

Como o algoritmo do YouTube entende o tópico dos vídeos do YouTube

Uma das principais prioridades do YouTube é ter a capacidade de entender o conteúdo de cada vídeo, para que possa recomendar o vídeo certo para a pessoa certa.

O YouTube usa uma ampla variedade de técnicas para analisar cada vídeo.

Ele usa metadados diretos e indiretos para extrair dados de palavras-chave de vídeos e análise de vídeo e áudio por meio de algoritmos complexos de aprendizado de máquina.

Análise baseada em texto

A análise mais direta é baseada na extração de palavras-chave baseada em texto.

Para isso, o YouTube analisa uma variedade de atributos baseados em texto diretos e indiretos para extrapolar palavras-chave descritivas que refletem com precisão o conteúdo de seu vídeo.

Análise de palavras-chave de título, descrição e tags de vídeo

Os usuários podem adicionar um título de vídeo, descrição de vídeo, tags de vídeo e categoria de vídeo aos seus vídeos.

Tal como acontece com todos os metadados gerados pelo usuário, o problema é que muitas vezes são propensos a erros, ambiguidades e incompletude.

Por isso, o YouTube deve primeiro higienizar e aprimorar todos os metadados escritos para torná-los utilizáveis ​​em seu algoritmo de recomendação.

Exemplo:

Alguém poderia escrever Instagram, Insta, Gram ou IG, todos se referindo ao mesmo aplicativo de mídia social. O YouTube resolve essa ambiguidade agrupando internamente sinônimos com a mesma nomenclatura.

Em seguida, ele usa dados contextuais para entender o contexto da palavra-chave "Instagram". Alguém está falando sobre o Instagram da empresa, o impacto cultural do Instagram, como usar o aplicativo Instagram como usuário ou sobre aumentar o público no Instagram como criador de conteúdo?

Os metadados unificados e aprimorados são salvos para cada vídeo para análise posterior.

Eu recomendo conferir meus artigos sobre como dar títulos aos seus vídeos do YouTube e como otimizar os títulos dos seus vídeos para obter mais detalhes.

Análise de legendas

As transcrições de vídeo na forma de legendas são de longe a melhor fonte de metadados de vídeo para análise de conteúdo.

Se transcritos com precisão, eles representam uma conversão individual da palavra falada para a palavra escrita, tornando-a acessível para as ferramentas de análise de aprendizado de máquina do YouTube.

Em essência, o YouTube pode usar as mesmas tecnologias avançadas que sua empresa-mãe, o Google, usa para analisar bilhões de sites, páginas e postagens de blog para SEO.

Inicialmente, o YouTube dependia dos usuários para fazer upload ou transcrever suas próprias legendas.

Como esse era um trabalho tedioso, apenas um punhado de usuários extremamente comprometidos do YouTube realmente adicionavam legendas ao vídeo.

Embora as legendas fossem muito melhores para análise de texto, elas eram meio inúteis se apenas 1 em 100.000 tivesse legendas.

O YouTube resolveu isso investindo pesadamente em seu próprio software de reconhecimento de voz que transcreveu automaticamente cada upload de vídeo e os converteu em legendas.

O problema com as transcrições do YouTube é que às vezes elas não são 100% precisas.

Muitas vezes ele não entende o que as pessoas dizem nos vídeos e depois usa palavras erradas em suas legendas, principalmente se o equipamento de áudio for de qualidade inferior, o ruído de fundo for muito alto ou se alguém tiver sotaque.

Isso tem algumas consequências potencialmente muito perigosas para qualquer criador de conteúdo do YouTube.

Na melhor das hipóteses, o YouTube não associa uma palavra-chave importante para a qual você deseja classificar seu vídeo.

Na pior das hipóteses, uma palavra inofensiva pode ser interpretada como um insulto ruim, resultando em desmonetização ou um ataque automático à comunidade.

Se você deseja obter os melhores resultados possíveis para suas transcrições e legendas, incluindo capitalização e pontuação adequadas, recomendo verificar Descript e Otter para obter os melhores resultados.

Análise da lista de reprodução

O YouTube também usará metadados contextuais indiretos para entender do que se trata um determinado YouTube.

Um vídeo específico está incluído em uma ou mais listas de reprodução de vídeos criadas por seu canal ou por outras pessoas? Em caso afirmativo, quais palavras-chave estão incluídas no título e na descrição da playlist?

O YouTube pode então analisar cada lista de reprodução mesclando todos os títulos de vídeo em cada lista de reprodução e, em seguida, usar algoritmos de reconhecimento de padrões para identificar palavras-chave mútuas que descrevam com precisão os pontos em comum entre todos os vídeos.

Esses pontos em comum nas listas de reprodução podem servir como informações contextuais adicionais para cada vídeo incorporado.

Se uma lista de reprodução específica contiver dados incoerentes e ruídos, por exemplo, o YouTube ignorará os dados porque alguém reúne vídeos não relacionados.

Você pode organizar rapidamente as listas de reprodução existentes com a Ferramenta de Ação de Listas de Reprodução do TubeBuddy.

Análise de comentários

Outra fonte de metadados de vídeo são os comentários do YouTube. Isso é mais relevante para canais maiores que recebem consistentemente um alto volume de comentários para cada vídeo.

O YouTube pode pesquisar palavras-chave e padrões específicos que indicam declarações descritivas.

Exemplo:

"Muito obrigado. Seu vídeo realmente me ajudou a entender como fazer com que mais pessoas se inscrevam no meu canal do YouTube".

Nesse caso, um dos padrões de pesquisa pode ter "como..."

Mais uma vez, é importante mencionar que o YouTube não aceita comentários pelo valor nominal. Caso contrário, seria fácil para atores desonestos burlar o sistema para obter uma vantagem injusta.

Em vez disso, o YouTube usa todos os dados para aumentar seu nível de confiança, confirmando a congruência em todos os pontos de dados.

Se você quiser ver um vislumbre do que o YouTube está vendo, confira o TubeBuddy Comments Word Cloud.

Cartões de informações e análise de telas finais

As últimas fontes de metadados de vídeo são Cartões de Informações e Telas Finais.

Algum dos cartões incorporados tem links para vídeos, listas de reprodução ou sites externos específicos?

Em caso afirmativo, que texto está incluído no título e na descrição de cada cartão?

No caso de vídeos do YouTube, quais metadados e clusters de conteúdo estão vinculados a cada vídeo? Existem semelhanças e sobreposições entre os vídeos ou playlists de origem e de destino?

No caso de sites, qual é o URL de cada página, o título da página e o conteúdo HTML?

A ferramenta de processamento em massa TubeBuddy para cartões de informações e telas finais economizará muito tempo.

Análise visual

O YouTube usa uma ferramenta de análise de fotos baseada em IA para analisar miniaturas de vídeo e quadros de vídeo individuais com base na IA Cloud Vision do Google.

A coisa notável sobre o Cloud Vision AI do Google é que você pode acessá-lo abertamente para avaliar suas próprias miniaturas de vídeo.

Você pode conferir meu artigo sobre como criar a miniatura perfeita do YouTube para um tutorial passo a passo.

Aqui estão alguns dos objetos que o YouTube e o Cloud Vision podem reconhecer:

• Pessoas
• Rostos
• Emoções
• Gestos
• Confecções
• Objetos e atributos
• Cores dominantes
• Estilo
• Logos
• Reconhecimento de texto
• Classificação de pesquisa segura
  • Adulto
  • Paródia
  • Médico
  • Violência
  • atrevido

Para ser honesto, é quase um pouco assustador como a IA se tornou precisa ao longo dos anos.

O YouTube está usando a mesma tecnologia para analisar cada vídeo quadro a quadro.

Principalmente para identificar conteúdo protegido por direitos autorais e qualquer conteúdo que possa resultar em uma violação das diretrizes da comunidade.

Como benefício secundário, o YouTube está identificando pessoas e objetos em cada um de seus vídeos.

Se o título do seu vídeo fosse "Como fazer a salada de tomate perfeita", faria muito sentido "ver" alguns tomates reais em seus vídeos.

Isso não apenas ajuda o YouTube a combater títulos falsos de clickbait, mas também é uma ótima fonte de metadados extras que podem ser difíceis de expressar em texto.

Digamos que você tenha um vídeo com o título "3 locais subestimados em Londres" e os três locais que você mostrou em seu vídeo foram "Borough Market", "Thames Barrier Park" e "Richmond Park".

Se a IA do YouTube pudesse reconhecer locais específicos puramente com base no reconhecimento visual, por exemplo, convertendo um sinal em texto por meio da tecnologia OCR.

O YouTube recomendaria seu vídeo para alguém que estivesse procurando por "melhor mercado de alimentos em Londres".

Isso funciona em muitos casos, mesmo que você não os inclua em seu título, descrição, tags ou legendas.

Análise de áudio

O YouTube também está analisando cada momento de música, sons e palavras faladas de todos os vídeos.

A razão mais óbvia é, novamente, identificar músicas protegidas por direitos autorais para o sistema Content ID do YouTube.

Os dados de áudio adicionais também fornecem informações valiosas sobre o que está acontecendo em cada vídeo.

Músicas específicas estão vinculadas a artistas específicos, gênero de música e outras músicas que podem funcionar bem juntas.

Sons e efeitos sonoros geralmente comunicam eventos específicos. Por exemplo, um som de "miau" indicaria a presença de um gato.

As palavras faladas podem indicar a presença de uma pessoa específica em seu vídeo.

Análise de contexto

O YouTube também usa dados contextuais mais amplos para entender melhor o tópico de cada vídeo.

Canal

• O que sabemos sobre o canal do YouTube que está enviando um vídeo?
• A quais clusters de conteúdo o canal do YouTube está associado?
• O que sabemos sobre os usuários que assistem a vídeos deste canal?
• Quais grupos de público-alvo maiores estão assistindo a vídeos deste canal?
• Quais grupos demográficos estão assistindo a vídeos deste canal?

Sites externos

• Este vídeo foi incorporado em sites externos?
• Em caso afirmativo, o que podemos extrapolar informações adicionais do conteúdo da página da Web em que um vídeo específico foi incorporado?
• O que mais este site está publicando?
• Quem é o autor do artigo específico?
• Por quais tópicos este autor é conhecido?
• Qual é a pontuação de autoridade do site?

Análise do visualizador

• Como os espectadores interagiram com este vídeo?
• Quais intervalos de tempo foram observados e com que frequência?
• Quais intervalos de tempo foram ignorados e com que frequência?
• Qual é a taxa de cliques de cada espectador nas impressões de vídeo?
• Qual é o tempo de exibição do espectador em minutos/porcentagem?
• O que sabemos sobre o coletivo de espectadores com baixa porcentagem de tempo de exibição?
• O que sabemos sobre o coletivo de espectadores com uma alta porcentagem de tempo de exibição?

Como o algoritmo do YouTube encontra canais semelhantes do YouTube para recomendar

Como o algoritmo do YouTube vincula os canais do YouTube a tópicos, categorias e clusters de conteúdo individuais?

Quando você vê os vídeos postados no canal da CNN no YouTube, provavelmente entende que eles se concentram principalmente na produção de conteúdo de notícias.

Mas como o YouTube pode determinar o mesmo para seus milhões de canais do YouTube em escala?

A abordagem mais direta seria pedir a cada canal do YouTube para se autoclassificar.

Basta selecionar a categoria certa em uma longa lista de categorias de canais e tudo ficará bem?

Bem, não tão rápido...

O problema com a autoclassificação é que ela é propensa a erros.

Um criador de conteúdo do YouTube pode não ter uma direção clara do canal ou estratégia de conteúdo. Assim, eles podem não saber qual categoria selecionar.

Os criadores também podem ficar confusos sobre qual categoria escolher se não entenderem a definição ou o significado de cada categoria.

Às vezes, eles também podem ficar sobrecarregados, especialmente se a lista de categorias for muito longa.

A solução?

Eles estão determinando a categoria do canal do YouTube por meio de algoritmos!

Veja como o YouTube pode entender o que são os canais do YouTube.

Eles analisam três fatores diferentes.

• Qual é o conteúdo de cada um de seus vídeos?
• Quais são os tópicos e temas mais populares em todos os seus vídeos?
• Que traços, características e interesses os espectadores de seus vídeos compartilham?

As três informações se complementam.

Quanto mais harmoniosos os dados, maior a pontuação de confiança do YouTube de que um determinado canal pertence a uma determinada categoria e nicho. É mais provável que o YouTube recomende seus vídeos na seção Vídeos sugeridos dos canais do YouTube no mesmo nicho.

É por isso que é tão importante desenvolver uma estratégia clara de conteúdo do YouTube para todos os seus vídeos. Você pode saber mais sobre como criar uma estratégia de conteúdo do zero em meu artigo sobre estratégia de cluster de conteúdo do YouTube.

Como o algoritmo do YouTube determina o interesse de cada usuário

O YouTube está rastreando tudo o que os usuários fazem em seu site.

Cada movimento do mouse. Cada clique em uma miniatura do YouTube.

Quanto por cento de uma miniatura estava visível em cada página.

Se um vídeo estiver sendo reproduzido em primeiro ou segundo plano.

Quais miniaturas e títulos de vídeo foram promovidos para cada usuário e quantas vezes?

Qual foi a taxa de cliques de cada impressão de vídeo?

Quantas visualizações tem cada vídeo do YouTube?

Qual foi o tempo de exibição do vídeo em minutos e porcentagem após clicar em um vídeo? Qual é a porcentagem típica de tempo de visualização de vídeo desse usuário? O tempo de exibição deste vídeo está acima ou abaixo da média?

O que alguém fez depois de assistir a um vídeo específico pela primeira vez?

Eles se envolveram? Eles apertaram o botão curtir para não gostar? Eles escreveram um comentário? Foi uma declaração de comentário positivo ou negativo com base na análise de sentimentos?

O usuário expandiu a descrição do vídeo?

Um espectador compartilhou o vídeo? Se sim, em qual plataforma? E qual foi o motivo mais provável para compartilhar?

Eles se inscreveram em um canal do YouTube? Se sim, em que página? Se na página do vídeo, quantos por cento do vídeo eles assistiram?

Eles exploraram canais específicos do YouTube? Quais títulos de vídeo eram visíveis para eles? Em qual eles clicaram?

Eles adicionaram vídeos a listas de reprodução específicas? Qual era o título desta playlist? Quais eram os temas e tópicos de outros vídeos na mesma playlist?

Eles apertaram o botão de assistir mais tarde?

Quais são os clusters de conteúdo, temas e tópicos associados a este vídeo? Este usuário se interessou por algum desses clusters de conteúdo com base no comportamento anterior e no histórico de exibição? Normalmente, há interesses sobrepostos entre dois clusters de conteúdo, por exemplo, Linux e software em desenvolvimento?

O YouTube usa todos esses pontos de dados para alimentar seus algoritmos de aprendizado de máquina para encontrar padrões em vários usuários.

Para resumir.

O YouTube primeiro classifica os vídeos para entender do que se trata cada vídeo.

Em seguida, agrupa os tópicos em grupos e nichos de conteúdo mais amplos.

Se alguém assistir a um vídeo específico, seus clusters de conteúdo associados serão vinculados ao perfil do usuário como interesses.

Quanto mais vídeos alguém assistir do mesmo cluster de conteúdo, maior a probabilidade de recomendar vídeos da mesma categoria para esse usuário.

Essa análise permite que o YouTube entenda o interesse de cada usuário, mas não se limita apenas à análise de vídeos.

O YouTube também usa dados de co-assistir para refinar ainda mais os interesses de usuários individuais.

Para um guia tático sobre como implementar essas lições, confira meu artigo sobre como quebrar o algoritmo do YouTube.

O algoritmo do YouTube cria grupos demográficos e de interesse distintos com base no que as pessoas assistem

Como o algoritmo do YouTube vincula espectadores individuais a clusters de conteúdo mais amplos?

O YouTube agrupa usuários com base em interesses comuns e clusters de conteúdo associados, para que possa fazer recomendações com base no histórico de outros usuários e novos vídeos que foram adicionados a clusters de conteúdo específicos.

Esse recurso é muito semelhante ao algoritmo de recomendação da Amazon para sugestões frequentemente compradas e os públicos semelhantes do Facebook.

O YouTube está registrando o histórico de exibição de todos os usuários conectados em sua plataforma.

Em seguida, ele analisa o histórico de exibição de todas as pessoas simultaneamente e calcula a distância média entre dois vídeos na mesma sessão. Quanto menor a distância se alguém assistir os dois vídeos consecutivos, maior a distância se assistir a alguns outros vídeos entre eles.

Depois que o YouTube calcula a distância média entre dois vídeos, ele pode vincular usos com histórico de exibição semelhante e recomendar novos vídeos com base em usuários com interesses comuns.

Um sistema mais avançado pode combinar ainda mais fontes de dados.

Qual é o processo do algoritmo do YouTube para identificar novos tópicos e clusters de conteúdo

Categorias de vídeo do YouTube

Nos primeiros dias, o YouTube tentou definir manualmente uma lista de possíveis categorias de vídeo e pediu aos usuários que selecionassem um dos seguintes tópicos para cada um de seus vídeos:

• Filme e animação
• Automóveis e veículos
• Música
• Animais de estimacao
• Esportes
• Viagens e eventos
• Jogos
• Pessoas e blogues
• Comédia
• Entretenimento
• Notícias e política
• Como estilizar
• Educação
• Tecnologia científica
• Organizações sem fins lucrativos e ativismo

Você ainda pode encontrar a configuração da categoria de vídeo em sua página de configurações de vídeo, embora seja irrelevante e ignorada hoje.

A autoclassificação causou vários problemas porque os criadores de vídeo não entendiam como cada categoria deveria funcionar e como as categorias deveriam ser diferentes umas das outras.

O resultado foi uma rotulagem inconsistente.

Gráfico de conhecimento de base livre

O YouTube percebeu rapidamente as limitações dessas 15 categorias e começou a trabalhar em uma abordagem mais holística com base no banco de dados de gráficos de conhecimento Freebase.

O Freebase era uma grande base de conhecimento colaborativa com mais de 39 milhões de entidades de dados estruturados.

Foi organizado em torno de "entidades", também conhecidas como tópicos. Cada entidade foi vinculada a um ou mais "tipos". Cada tipo tinha um conjunto único de "atributos".

Por exemplo, uma entidade "carro" estava vinculada, entre outras, ao tipo "motor", que possuía um atributo "cavalo de força".

Semelhante à Wikipedia, os nomes de entidades, tipos e atributos do Freebase foram traduzidos para diferentes idiomas, o que foi uma ótima notícia para a expansão internacional do YouTube.

O YouTube usou o banco de dados Freebase como base para desenvolver seu sistema proprietário de categorias.

O Google já havia desenvolvido vários sistemas de taxonomia para classificar o conteúdo das páginas da web para seu mecanismo de busca e fins publicitários.

O YouTube usou os algoritmos de classificação do Google para processar cada entidade, tipo e atributo do banco de dados Freebase para vinculá-lo ao sistema de taxonomia do Google.

O modelo resultante foi ainda mais enriquecido ao vincular tópicos específicos a páginas dedicadas do portal da Wikipédia.

Passar de 15 para mais de 39 milhões de categorias de tópicos foi um grande passo para o YouTube, mas ainda tinha inúmeras limitações.

O maior problema era sua dependência da classificação humana e a abordagem hierárquica de cima para baixo para organizar os tópicos.

Isso ficou mais evidente com a ascensão explosiva de novas tecnologias e ideias.

As categorias manuais eram muito inflexíveis e muito lentas para se adaptar às mudanças.

Hoje, a maioria das ideias e conceitos não tem definições em preto e branco, muitas vezes são ambíguos e fluidos em significado e evoluem constantemente ao longo do tempo.

Um iPhone é um dispositivo de telecomunicações, um computador móvel, um telefone, uma câmera de vídeo ou um smartphone? E se considerarmos os aplicativos? É uma calculadora, um processador de texto, um console de jogos?

E se tivermos conceitos e ideias mais complexos com 20 níveis de hierarquia? Como organizamos isso?

O YouTube decidiu aposentar o Freebase em 2015 em favor de um novo algoritmo classificador algorítmico que não exigia nenhuma forma de classificação e curadoria humana.

Geração de clusters de conteúdo algorítmico

Como um computador pode gerar um mapa superpreciso de todos os tópicos imagináveis ​​do mundo e depois estruturar esse mapa em grupos de conteúdo claramente definidos?

Isso pode ser alcançado por algoritmos avançados de aprendizado de máquina que analisam bilhões de pontos de dados de metadados de vídeo e históricos de exibição de usuários.

Primeiro, cada vídeo é convertido em metadados de texto extraindo o título do vídeo, descrição, tags e comentários e convertendo a faixa de áudio em legendas com algoritmos de reconhecimento de texto.

As informações irrelevantes são descartadas.

Os dados de texto combinados de cada vídeo são analisados ​​e agrupados com base em palavras-chave e frases.

As palavras-chave e frases identificadas são então classificadas e ponderadas por relevância e frequência.

As palavras-chave são então vinculadas com base nos dados de exibição do vídeo.

O YouTube analisa cada palavra-chave ou frase, uma de cada vez

Em seguida, ele compila uma lista de todos os vídeos que contêm a palavra-chave ou frase específica.

E, em seguida, identifica todos os usuários que assistiram a pelo menos dois vídeos diferentes com a mesma palavra-chave ou frase na mesma sessão.

O YouTube analisa o histórico de exibição de todas as sessões e calcula a distância média de exibição entre todos os vídeos que contêm a palavra-chave ou frase de destino.

Digamos que temos três vídeos com a mesma palavra-chave, A, B e C.

Se Jane começou com A, então f, depois B e, por último, C.

A distância entre A e B seria 2, enquanto A a C seria 3 e assim por diante.

Quanto menor a distância entre dois vídeos, mais relevantes são os vídeos e, por proxy, as palavras-chave vinculadas.

A combinação de milhões de vídeos e dados de exibição de usuários oferece uma boa representação da relevância das palavras-chave.

Agora, vamos fazer uma loucura.

Vamos criar um gigantesco mapa mental multidimensional e combinar todas as palavras-chave com a distância média de observação.

Você acaba com um gráfico gigantesco com milhões de pontos de dados interconectados.

O YouTube primeiro pré-processa o gráfico com um algoritmo externo para encontrar vídeos de sementes e palavras-chave para dividir o gráfico em clusters de conteúdo.

O YouTube está procurando por bordas naturais com sobreposição mínima e uma distância média de exibição maior.

Depois que o YouTube identifica os clusters de conteúdo em potencial, ele seleciona dois vídeos de sementes aleatórios de cada cluster para iniciar uma análise de cluster de conteúdo local e detalhada.

Esse algoritmo funciona de dentro para fora e tenta desenvolver um gráfico de cluster de conteúdo local com bordas claramente definidas, identificando o caminho mais curto entre os dois vídeos de sementes e, em seguida, vinculando vídeos vizinhos relevantes com palavras-chave semelhantes.

No processo final, o YouTube remove os vídeos com a pontuação de similaridade mais baixa, geralmente das bordas do cluster, para maior clareza.

Às vezes, o YouTube pode perceber que o cluster de conteúdo identificado pode ser dividido em subclusters adicionais.

O benefício dessa abordagem de geração de cluster de conteúdo algorítmico é que ela não requer ou requer apenas uma intervenção humana mínima.

Esse algoritmo identifica constantemente novos grupos de conteúdo e tópicos que geralmente são relevantes apenas para um pequeno número de usuários.

Bastam alguns YouTubers que fazem vídeos sobre uma nova palavra-chave e um monte de pessoas que assistem seus vídeos.

Et voila, um novo cluster de conteúdo foi criado.

Leia este artigo sobre como vincular sua estratégia de conteúdo do YouTube aos clusters de conteúdo do YouTube.

E como o YouTube conhece o histórico de exibição de todos, agora ele pode recomendar esse novo cluster de conteúdo para um público semelhante de pessoas semelhantes àquelas que assistiram a esses vídeos primeiro.

Recursos de descoberta do YouTube

Algoritmo de feed da página inicial do YouTube

A página inicial do YouTube mudou muito ao longo dos anos.

A página inicial do YouTube exibia apenas recomendações de vídeo para canais em que os usuários se inscreveram.

O feed da página inicial agora é 100% personalizado com recomendações de vídeo com base no histórico de exibição de cada usuário.

O YouTube usa uma mistura de vídeos com base em tópicos familiares que o usuário assistiu recentemente e novos vídeos de categorias totalmente diferentes com base em usuários semelhantes para manter as sugestões atualizadas e interessantes.

Por que o feed da página inicial não se concentra exclusivamente em tópicos familiares? Por que arriscar "ofender" meu bom gosto com alguém que nunca assisti antes?

Isso pode parecer contra-intuitivo, mas acontece que o frescor é um fator crucial para manter as pessoas na plataforma do YouTube por mais tempo.

As pessoas só podem assistir a tantos vídeos sobre um tópico antes de se sentirem mentalmente exaustas. Novos tópicos de vídeo dão uma saída e evitam que o tédio aconteça.

Para aparecer no feed da página inicial, você precisa melhorar sua taxa de cliques e retenção de público, pois isso o ajudará a alcançar públicos maiores.

Algoritmo de feed de inscrições do YouTube

O feed de assinatura é bastante autoexplicativo. Ele se concentra exclusivamente em vídeos de canais nos quais os usuários já se inscreveram.

Embora este feed se concentre em suas assinaturas, não é um feed cronológico.

O YouTube ainda está tentando mostrar o melhor conteúdo possível que acredita que o manterá na plataforma por mais tempo.

Aqui está o que você verá no feed de assinatura.

Vídeos enviados recentemente de canais nos quais você se inscreveu, com foco em tópicos semelhantes aos que você já assistiu e vídeos que já têm um histórico comprovado em termos de alta taxa de cliques e alto tempo de exibição.

Algoritmo de vídeos sugeridos do YouTube

O algoritmo de feed "Sugerido" do YouTube, que também inclui vídeos "Próximos", é um fator significativo a ser considerado pelos criadores.

Esse recurso seleciona vídeos para a área sugerida abaixo do vídeo atual em dispositivos móveis ou na barra lateral direita em computadores desktop.

O que o YouTube está considerando para sugerir ou não um de seus vídeos?

A primeira etapa é garantir que os metadados dos seus vídeos correspondam aos metadados dos vídeos pelos quais você espera ser recomendado.

Isso inclui títulos semelhantes, palavras-chave, descrições e o próprio vídeo expresso por suas legendas.

É mais provável que seu conteúdo seja recomendado aqui se mantiver os espectadores assistindo em vez de sair do YouTube.

A IA também procura vídeos e canais complementares aprofundados, bem como quebradores de gosto para assistir a outra coisa, para que nunca fiquem sobrecarregados ao assistir a muitos vídeos sobre um determinado tópico.

Os quebradores de sabor não são aleatórios. Eles ainda são baseados em recomendações pessoais com base no histórico de exibição de cada usuário e dados de co-assistir de usuários semelhantes.

Algoritmo de feed de tendências do YouTube

A maioria das pessoas acredita que a seção "tendências" do YouTube contém apenas vídeos populares no momento.

Essa suposição está errada.

Trending topics são tópicos sobre os quais as pessoas estão falando atualmente em notícias e mídias sociais.

É tudo sobre o que é relatado nas notícias, nas mídias sociais, sites, blogs e em outros lugares.

O recurso de tendências é "geográfico específico", o que significa que o YouTube exibe vídeos diferentes dependendo da localização do espectador.

Algoritmo de feed de notificação do YouTube

Os usuários também recebem recomendações de vídeo personalizadas por meio de notificações do YouTube.

Para obter seus vídeos no feed de notificação, os usuários primeiro precisam se inscrever no seu canal do YouTube, seguido de um clique no ícone do sino.

Depois, o YouTube notificará os inscritos em tempo real sobre quaisquer novos vídeos que você enviar para seu canal.

Os inscritos recebem a notificação por meio do aplicativo do YouTube ou das notificações na área de trabalho.

Normalmente, as notificações de vídeo aparecem sequencialmente sem discriminação, o que significa que o YouTube exibirá todas as notificações de todos os canais, independentemente da contagem de inscritos.

A única exceção é quando um usuário ativa muitas notificações para muitos canais. Nesse caso, o YouTube usa seu algoritmo de relevância com base no que o usuário provavelmente assistirá em seguida.

Algoritmo de resultados de pesquisa do YouTube

A pesquisa do YouTube coloca uma forte ênfase no SEO do YouTube, incluindo a otimização de palavras-chave do título, descrição, tags de vídeo e palavras-chave encontradas nas legendas de cada vídeo.

Além disso, leva em consideração a contagem de inscritos do canal e o tempo de exibição do vídeo quando se trata de decidir qual canal aparecerá na pesquisa e quais vídeos serão colocados no topo.

A frescura é outro importante fator de classificação que permite recomendar conteúdos novos e atualizados, dando chance a canais menores.

Para tirar proveito disso, os novos vídeos precisam otimizar seus títulos e miniaturas para obter uma alta taxa de cliques; caso contrário, os novos vídeos serão rebaixados ao longo do tempo se ninguém clicar neles.

O YouTube também lançou capítulos de vídeo que permitem que um vídeo seja "cortado em seções" para que os espectadores possam identificar facilmente respostas específicas para perguntas específicas. Você pode optar por ativar essa opção em seu vídeo ou criar seus próprios capítulos de vídeo com palavras-chave que se alinhem ao seu tópico de vídeo. Isso é benéfico para ajudar o YouTube a exibir seus vídeos nos resultados de pesquisa.

Próximos passos

Uau, o algoritmo do YouTube é uma peça notável de tecnologia.

Agora que você entende todos os aspectos de como o algoritmo do YouTube funciona, o que mais você pode fazer para aumentar rapidamente seu canal do YouTube (de sucesso)?

Eu recomendo ler meu guia muito tático para o crescimento do YouTube para ajudá-lo a quebrar o algoritmo do YouTube.

Ele deixa de fora muitos dos detalhes técnicos do algoritmo do YouTube que abordamos neste artigo para dar conselhos práticos e recomendações sobre como implementar as principais lições sobre o algoritmo do YouTube.

Depois, você pode conferir alguns dos meus artigos de crescimento do YouTube abaixo.

• Como encontrar o nicho perfeito para o seu canal do YouTube selecionando os clusters de conteúdo certos para o seu canal.
• Como otimizar o título do seu vídeo, e também aqui.
• Como criar miniaturas incríveis para o seu vídeo que recebem cliques.
• Como melhorar sua taxa de cliques de impressão no YouTube.
• Como chegar aos seus primeiros 1.000 inscritos no YouTube.
• Como acumular 4.000 horas de tempo de exibição rapidamente para monetizar seu canal do YouTube.
• Como você pode ganhar dinheiro com seu canal do YouTube, também aqui, aqui e aqui.
• Por último, mas não menos importante, minha análise completa da melhor ferramenta de crescimento do YouTube TubeBuddy.