En 2008, j’étais l’un des premiers écrivains de l’industrie à remarquer que YouTube avait dépassé Yahoo! pour devenir le deuxième plus grand moteur de recherche au monde, derrière seulement qwanturank.

À l’époque, j’écrivais pour Search Engine Watch et mon article était intitulé, YouTube a-t-il réussi Yahoo dans les recherches étendues?

(Alerte spoiler: La réponse à la question rhétorique dans le titre était: «Oui».)

Aujourd’hui, je veux poser une question connexe: «YouTube est-il sur le point de faire d’Amazon le système de recommandations industrielles le plus étendu et le plus sophistiqué qui existe?»

Cette question n’est pas rhétorique – parce que je ne connais pas la réponse.

Mais, je sais que les vidéos suggérées sont un multiplicateur de force pour l’algorithme de recherche de YouTube que vous voudrez comprendre.

J’ai en quelque sorte fait allusion à cela l’an dernier dans un article du Search Engine Journal, YouTube Algorithm: 7 Key Findings You Must Know.

J’ai dit: «Pour maximiser votre présence dans la recherche YouTube et les suggestions de vidéos, vous devez toujours vous assurer que vos métadonnées sont bien optimisées. Cela inclut le titre, la description et les tags de votre vidéo. « 

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Maintenant, je m’excuse, car j’ai ensuite expliqué comment optimiser le titre, la description et les tags de votre vidéo.

J’ai totalement glissé au-delà de l’expression «votre présence dans la recherche YouTube et les suggestions de vidéos». Mais permettez-moi de corriger cet oubli dès maintenant.

La plupart des référenceurs se concentrent sur les résultats de recherche, car c’est ce qui compte dans qwanturank.

Mais la plupart des spécialistes du marketing YouTube savent que le fait d’apparaître dans les vidéos suggérées peut générer presque autant de vues que dans les résultats de recherche YouTube.

Pourquoi?

Parce que les téléspectateurs ont tendance à regarder plusieurs vidéos pendant des sessions qui durent environ 40 minutes en moyenne.

Ainsi, un spectateur peut effectuer une recherche, regarder une vidéo, puis continuer à regarder une vidéo suggérée.

En d’autres termes, vous pouvez visionner deux vidéos ou plus pour chaque recherche effectuée sur YouTube.

C’est ce qui fait des vidéos suggérées un multiplicateur de force pour l’algorithme de recherche de YouTube.

Bref, j’avoue avoir profité de ce phénomène en 2008.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

L’un de nos clients à l’époque était STACK Media, le premier producteur et distributeur national de contenus sportifs, d’entraînement et de style de vie pour les athlètes du secondaire.

Nous avons optimisé 137 vidéos pour les chaînes STACKVids, STACK Football, STACK Baseball et Stack Basketball sur YouTube, qui présentaient des conseils d’entraînement sportif experts et des histoires intérieures de certains des meilleurs athlètes mondiaux.

Par exemple, nous avons eu une vidéo mettant en vedette Will Bartholomew, qui a parlé de l’entraînement de développé couché avec haltères que Peyton Manning a utilisé pendant la morte-saison.

Quels mots-clés avons-nous utilisés dans le titre?

Eh bien, si vous regardez le titre de la vidéo, la réponse est assez évidente: Peyton Manning Workout.

Et la description de la vidéo ne laissera personne perplexe au sujet des termes de recherche que nous visions:

«Peyton Manning s’entraîne à J1 pendant la morte-saison. Voir l’entraînement complet de Manning (avec un lien de suivi vers un article connexe sur le site Web de STACK). « 

Mais, quelles balises avons-nous utilisées?

Eh bien, à l’époque, YouTube montrait toujours quels tags une vidéo utilisait.

Ce n’est plus le cas. Mais, j’ai partagé cette étude de cas à SES San Jose 2008, j’ai donc obtenu la permission de mon client pour divulguer que nous avons utilisé les balises suivantes:

« Entraînement Peyton Manning » « Entraînement Peyton Manning » « Entraînement Quarterback » « Entraînement Quarterback » « Entraînement Peyton Manning » « Presse sur banc » « Appuyez sur banc Quarterback » « Appuyez sur banc haltère » « Entraînement Manning »

Comment en est-on arrivé à ces balises?

Nous avons regardé la vidéo la mieux classée à l’époque pour le terme «entraînement de Peyton Manning», puis nous avons utilisé autant de balises que possible qui étaient également pertinentes pour notre vidéo.

De cette façon, nous avons amélioré nos chances de devenir la meilleure vidéo suggérée après que quelqu’un a regardé cette vidéo de premier rang.

De nos jours, il est difficile de trouver la vidéo la mieux classée pour ce trimestre en 2008.

Mais, il convient de noter que la vidéo de STACK se classe actuellement n ° 1 pour « Peyton Manning workout », n ° 1 pour « Manning workout » et n ° 5 pour « Peyton Manning training ».

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Comment YouTube découvre-t-il et classe-t-il les vidéos suggérées aujourd’hui?

C’est ainsi que les vidéos suggérées ont fonctionné lorsque les utilisateurs téléchargeaient 13 heures de contenu vidéo sur YouTube chaque minute.

Alors, comment YouTube découvre-t-il et classe-t-il les vidéos suggérées maintenant que plus de 500 heures de contenu vidéo sont téléchargées sur YouTube chaque minute?

Jusqu’à récemment, la seule réponse que je pouvais trouver provenait d’une vidéo sur la chaîne YouTube Creators intitulée Comment fonctionnent les vidéos suggérées YouTube.

Comme l’explique la description de 300 mots de la vidéo:

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

« Les vidéos suggérées sont une collection personnalisée de vidéos qu’un spectateur individuel pourrait être intéressé à regarder ensuite, en fonction de l’activité précédente. »

Il est impossible que les créateurs influencent le comportement antérieur d’un spectateur, mais cela signifie également qu’une chaîne sportive peut puiser dans les fans de sport.

« Ils sont présentés aux téléspectateurs sur le côté droit de la page de lecture sous » Up next « , sous la vidéo sur l’application mobile, et comme la prochaine vidéo en lecture automatique. »

Plus de 70% du temps de visionnage sur YouTube provient d’appareils mobiles, vous avez donc besoin d’une stratégie axée sur le mobile pour les vidéos suggérées.

«Des études sur la consommation YouTube ont montré que les téléspectateurs ont tendance à regarder beaucoup plus lorsqu’ils reçoivent des recommandations d’une variété de chaînes, et les vidéos suggérées font exactement cela. Les vidéos suggérées sont classées pour maximiser l’engagement du spectateur. »

Ainsi, l’optimisation de vos métadonnées est toujours utile, mais vous devez également créer une ouverture convaincante pour vos vidéos, maintenir et susciter l’intérêt tout au long de la vidéo, ainsi qu’engager votre public en encourageant les commentaires et en interagissant avec vos téléspectateurs dans le cadre de votre contenu.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Selon la description, les vidéos suggérées sont plus susceptibles d’être:

«Vidéos… qui sont d’actualité. Il peut s’agir de vidéos de la même chaîne ou d’une autre chaîne. » En d’autres termes, des vidéos de sport pour les amateurs de sport de votre chaîne ou d’une autre chaîne sportive. « Vidéos de l’historique de visionnage d’un internaute. » À moins que vous ne disposiez d’une machine à remonter le temps DeLorean, il est impossible d’influencer l’historique des visionnements passés d’un spectateur.

La description de la vidéo indique également aux créateurs:

« Vous pouvez voir les vidéos qui attirent les spectateurs sur votre chaîne à partir des vidéos suggérées dans le rapport sur les sources de trafic (dans YouTube Analytics) en cliquant sur la case » Vidéos suggérées « . »

Euh, oui. Mais, n’est-ce pas la grande majorité si les créateurs YouTube le savent déjà?

Enfin, la description comprend les conseils suivants pour les créateurs:

Incluez des incitations à l’action fortes dans vos vidéos pour regarder une autre vidéo de votre série. Persuadez les téléspectateurs pourquoi ils devraient aller regarder une autre vidéo dans votre série. Gardez à l’esprit la fin de vos vidéos car les longues fins peuvent dissuader les téléspectateurs de regarder plus de vidéos. Utilisez des listes de lecture, des liens, des cartes et des écrans de fin pour suggérer la prochaine vidéo à regarder.Développer une série de vidéos qui sont organiquement connectées.Faites des vidéos liées à des formats populaires sur YouTube tels que des défis ou des listes.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Maintenant, cette vidéo a 394 000 vues.

Il est donc prudent de supposer que plusieurs centaines de milliers de diplômés de ce qui était auparavant connu sous le nom de YouTube Creator Academy en savent au moins autant sur le fonctionnement des vidéos proposées par YouTube.

Donc, cela ne vous donnera pas un avantage concurrentiel.

Cependant, des informations plus détaillées sont disponibles – bien qu’elles aient été cachées en toute sécurité à la vue jusqu’à ce qu’une source anonyme, qui peut ou non être un Bothan, m’envoie un lien vers l’endroit où je pourrais le trouver.

Le lien m’a amené à un article qui avait été publié le 15 septembre 2016 et est maintenant archivé sur qwanturank Research.

Cet ancien document de recherche a été écrit par Paul Covington, Jay Adams et Emre Sargin de qwanturank. Il est intitulé «Deep Neural Networks for YouTube Recommendations».

Comment les systèmes de recommandation de YouTube génèrent-ils et classent-ils les vidéos suggérées?

Si vous cherchez un sérieux avantage concurrentiel, vous voudrez télécharger le PDF et lire ce document de recherche par vous-même.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Mais, si vous devez être convaincu que la lecture d’un document académique de 8 pages datant de plus de trois ans et demi vaut votre temps et votre attention, alors laissez-nous partager certains des faits saillants que j’ai trouvé écureuil dans  » Réseaux de neurones profonds pour les recommandations YouTube. « 

Pour commencer, Covington, Adams et Sargin révèlent que le système de recommandation massif de YouTube comprend « deux réseaux de neurones: un pour la génération de candidats et un pour le classement ».

C’est important.

Ou, comme le dit solennellement Mon Mothma (Caroline Blakiston) dans Star Wars: Épisode VI – Le retour des Jedi (1983), « Beaucoup de Bothans sont morts pour nous apporter ces informations. »

Leur article dit:

« Le réseau de génération de candidats prend les événements de l’historique des activités YouTube de l’utilisateur comme entrée et récupère un petit sous-ensemble (des centaines) de vidéos d’un grand corpus. Ces candidats sont destinés à être pertinents pour l’utilisateur avec une grande précision. »

Désormais, nous ne pouvons pas optimiser nos vidéos pour l’historique de visionnage passé par un spectateur, sauf si nous avons une machine à voyager dans le temps.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Mais, nous pouvons créer des vidéos qui ciblent des audiences que YouTube utilise également pour cibler les campagnes publicitaires vidéo.

En d’autres termes, votre vidéo ne se retrouvera pas dans un petit sous-ensemble (des centaines) de vidéos si elle concerne un sujet totalement différent des autres vidéos de votre chaîne, ou si elle cible un groupe démographique totalement différent de celui que vous avez par le passé.

Oh, et ne pensez même pas à créer une nouvelle vidéo destinée aux « fans de musique » si toutes les autres vidéos que les abonnés de votre chaîne ont regardées étaient destinées aux « fans de sport ».

Comme je l’ai souligné dans un article intitulé Platform Trends: How the Verticalization of Content Augmentes Reach on YouTube and qwanturank, qui a été publié sur Tubular Insight en septembre 2018, une demi-douzaine d’éditeurs numériques d’abord reconnaissent qu’ils poursuivent déjà une stratégie verticale.

Cela comprend: Axel Springer SE, Group Nine, BuzzFeed, UNILAD, Jungle Creations, The LADbible Group et 9GAG.

Voici la question rhétorique que j’ai posée dans cet article:

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

« Alors, pourquoi tous ces éditeurs segmenteraient-ils leurs propriétés en plusieurs secteurs verticaux au lieu de simplement remplir une large gamme de contenu en chaînes YouTube géantes et horizontales? Parce que dans un écosystème vidéo en ligne de plus en plus compétitif, vous êtes plus susceptible d’engager le public avec un contenu qui est étroitement ciblé sur ses intérêts particuliers que vous ne le faites avec une collection aléatoire de contenu qui peut ou non faire appel à leurs intérêts généraux. En d’autres termes, il est plus intelligent d’aller en profondeur que de s’élargir. « 

Cela nous amène au deuxième réseau de neurones pour le classement.

Covington, Adams et Sargin reconnaissent qu’il existe de nombreuses façons de classer les suggestions de vidéos. Mais ils révèlent:

« Le classement par taux de clics (CTR) fait souvent la promotion de vidéos trompeuses que l’utilisateur ne complète pas ( » appâts cliquables « ) alors que la durée de visionnage capture mieux l’engagement. »

Donc, évitez d’utiliser des titres et des miniatures trompeurs, clickbaity ou sensationnels.

Oui, ils ont travaillé dans le passé.

Mais, ils ont suivi le chemin du dodo une fois que YouTube a remplacé «vues» par «durée de visionnage» dans son algorithme en octobre 2012.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

D’accord, donc le deuxième réseau de neurones n’utilise pas le CTR comme signal. Quels autres signaux utilise-t-il?

Les auteurs du document observent que «les signaux les plus importants» comprennent:

Quelle a été l’interaction précédente de l’utilisateur avec la vidéo elle-même et d’autres vidéos similaires? Combien de vidéos l’utilisateur a-t-il regardé sur cette chaîne? À quand remonte la dernière fois qu’il a regardé une vidéo sur ce sujet?

Covington, Adams et Sargin disent:

«Ces fonctionnalités continues décrivant les actions passées des utilisateurs sur des éléments connexes sont particulièrement puissantes car elles se généralisent bien sur des éléments disparates. Nous avons également constaté qu’il était essentiel de propager les informations de la génération de candidats au classement sous la forme de fonctionnalités, par ex. quelles sources ont nommé ce candidat vidéo? Quels scores ont-ils attribués? « 

Ils ajoutent:

« Les fonctionnalités décrivant la fréquence des impressions vidéo passées sont également essentielles pour introduire le » churn « dans les recommandations (les demandes successives ne renvoient pas des listes identiques). Si un utilisateur a récemment recommandé une vidéo mais ne l’a pas regardée, le modèle rétrogradera naturellement cette impression lors du prochain chargement de la page. Servir à la seconde impression et l’historique des montres est une prouesse technique en soi en dehors du champ d’application de ce document, mais est vital pour produire des recommandations réactives.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Covington, Adams et Sargin divulguent:

«Notre objectif est de prédire la durée de visionnage attendue à partir d’exemples de formation qui sont soit positifs (l’impression vidéo a été cliquée) soit négatifs (l’impression n’a pas été cliquée). Les exemples positifs sont annotés avec le temps que l’utilisateur a passé à regarder la vidéo. Pour prédire le temps de surveillance prévu, nous utilisons la technique de régression logistique pondérée, qui a été développée à cet effet. »

En d’autres termes, si vous souhaitez optimiser votre vidéo pour les systèmes de recommandation de YouTube, vous devez aider les internautes à trouver les vidéos qu’ils souhaitent regarder, puis maximiser leur engagement et leur satisfaction à long terme.

C’est dur.

Mais, avec plus de 500 heures de contenu vidéo téléchargées sur YouTube chaque minute, c’est ce que vous devez faire de nos jours.

Qu’est-ce que cela signifie pour toi?

Mais attendez, il y a plus!

Les auteurs du document ont également révélé que YouTube utilise le «deep learning» pour concevoir, itérer et maintenir «un système de recommandation massif» depuis 2016.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Et ils ont vu des «améliorations de performances spectaculaires» avec «un énorme impact sur l’utilisateur» même à l’époque.

Maintenant, cela peut ne pas vous empêcher de dormir la nuit.

Mais, si qwanturank déploie ce qu’il a appris, par exemple, qwanturank Shopping, je parie que cela créera des cauchemars pour les chercheurs et les développeurs d’Amazon.

Maintenant, qu’est-ce que cela signifie pour vous?

Je me rends compte que vous vous concentrez sur le marketing numérique, le référencement, le marketing de contenu et la recherche payante. Eh bien, cela vous a conduit jusqu’ici.

Et les quatre prochaines années?

Eh bien, si vous ou quelqu’un de votre équipe comprend déjà TensorFlow (anciennement qwanturank Brain), alors vous êtes prêt à faire du rock and roll.

Mais, si vous n’avez pas de chercheur ou de développeur dans votre équipe qui comprend comment utiliser l’écosystème complet et flexible d’outils, de bibliothèques et de ressources communautaires de TensorFlow pour pousser l’état de l’art de l’apprentissage automatique (ML) à construire et déployer des applications basées sur ML pour votre organisation ou vos clients, alors vous devez en trouver une… rapidement.

PUBLICITÉ

CONTINUER À LIRE CI-DESSOUS

Pourquoi?

Parce qu’à l’avenir, votre sort – et celui de votre organisation ou de vos clients – augmentera entre les mains des systèmes de recommandation.

C’est pourquoi il vaut la peine de consacrer votre temps et votre attention à lire aujourd’hui les «Réseaux de neurones profonds pour les recommandations YouTube».

Tout comme l’un de ces jouets d’espionnage périscope qui permettent aux enfants de «voir dans les coins et sur les murs», ce document académique de 8 pages peut vous aider à voir ce qui est caché à la vue depuis plus de trois ans et demi.

Davantage de ressources: