En 2008, j’ai été l’un des premiers rédacteurs du secteur à remarquer que YouTube avait dépassé Yahoo! devenir le deuxième plus grand moteur de recherche au monde, juste derrière Google.

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

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

Aujourd’hui, je souhaite poser une question connexe : « Est-ce que YouTube est sur le point de dépasser Amazon en tant que système de recommandation industrielle 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’année dernière 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 vidéos suggérées, vous devez toujours vous assurer que vos métadonnées sont bien optimisées. Cela inclut le titre, la description et les balises de votre vidéo. »

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

J’ai totalement glissé au-delà de la phrase « votre présence dans la recherche YouTube et les vidéos suggérées ». 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 Google.

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 d’apparaître dans les résultats de recherche de YouTube.

Pourquoi?

Car les spectateurs ont tendance à regarder plusieurs vidéos lors de 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 voir 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.

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

L’un de nos clients à l’époque était STACK Media, le premier producteur et distributeur national de contenu sur les performances sportives, l’entraînement et le 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’experts en matière d’entraînement sportif et des histoires d’intérieur de certains des meilleurs athlètes du monde.

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 saison morte.

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 quant aux termes de recherche que nous ciblons :

« Peyton Manning s’entraîne en D1 pendant l’intersaison. 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 encore les balises utilisées par une vidéo.

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 de divulguer que nous avons utilisé les balises suivantes :

  • « Peyton Manning »
  • « Séance d’entraînement de Peyton Manning »
  • « entraînement de quart-arrière »
  • « formation de quart-arrière »
  • « Formation Peyton Manning »
  • « Banc de Presse »
  • « développé couché quart-arrière »
  • « développé couché avec haltères »
  • « Manning workout »

Comment avons-nous trouvé ces balises ?

Nous avons regardé la vidéo la mieux classée à l’époque pour le terme « Peyton Manning workout », 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 vidéo la plus suggérée après que quelqu’un ait regardé cette vidéo la mieux classée.

Ces jours-ci, il est difficile de trouver la vidéo qui était 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 ».

Comment YouTube génère &  Vidéos suggérées

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

C’est ainsi que les vidéos suggérées fonctionnaient 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 How YouTube’s Suggested Videos Work.

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

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

Les créateurs ne peuvent en aucun cas influencer le comportement antérieur d’un téléspectateur, 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 » Suivant « , sous la vidéo sur l’application mobile et en tant que vidéo suivante en lecture automatique. »

Plus de 70 % du temps de visionnage de 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 de YouTube ont montré que les téléspectateurs ont tendance à regarder beaucoup plus lorsqu’ils reçoivent des recommandations de diverses chaînes, et c’est exactement ce que font les vidéos suggérées. 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.

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

  • « Des vidéos… qui sont liées à l’actualité. Il peut s’agir de vidéos de la même chaîne ou d’une chaîne différente. » En d’autres termes, des vidéos de sport pour les fans de sport provenant de votre chaîne ou d’une autre chaîne de sport.
  • « Vidéos de l’historique de visionnage d’un spectateur. » À moins que vous n’ayez une machine à remonter le temps DeLorean, vous ne pouvez en aucun cas influencer l’historique des visionnages passés d’un spectateur.

La description de la vidéo indique également aux créateurs :

« Vous pouvez voir quelles vidéos amènent les téléspectateurs 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 la grande majorité des créateurs de YouTube ne le savent-ils pas ?

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

  • Incluez de puissants appels à l’action dans vos vidéos pour regarder une autre vidéo de votre série.
  • Persuadez les spectateurs de la raison pour laquelle ils devraient regarder une autre vidéo de votre série.
  • Faites attention à la fin de vos vidéos, car les fins longues peuvent décourager les spectateurs 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.
  • Développez une série de vidéos qui sont organiquement connectées.
  • Créez des vidéos liées à des formats populaires sur YouTube, tels que des défis ou des listes.

Maintenant, cette vidéo a 394 000 vues.

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

Donc, cela ne vous donnera pas beaucoup d’avantage concurrentiel.

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

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

Cet ancien document de recherche a été rédigé par Paul Covington, Jay Adams et Emre Sargin de Google. Il s’intitule « Deep Neural Networks for YouTube Recommendations ».

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

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

Mais, si vous avez besoin d’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 quelques-uns des faits saillants que j’ai trouvés dans  » Réseaux de neurones profonds pour les recommandations YouTube. »

Pour commencer, Covington, Adams et Sargin révèlent que le système de recommandation massif de YouTube est composé de « 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 du Jedi (1983), « De nombreux Bothans sont morts pour nous apporter cette information.

Leur journal dit :

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

Désormais, nous ne pouvons pas optimiser nos vidéos en fonction de l’historique des visionnages passés d’un spectateur, à moins d’avoir une machine à voyager dans le temps.

Mais nous pouvons créer des vidéos ciblées sur des audiences que YouTube utilise également pour cibler des campagnes publicitaires vidéo.

En d’autres termes, votre vidéo ne se retrouvera pas dans un petit sous-ensemble (des centaines) de vidéos si elle porte sur un sujet totalement différent des autres vidéos de votre chaîne, ou si elle cible un groupe démographique totalement différent de celui que vous aviez 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 Tendances de la plate-forme : comment la verticalisation du contenu augmente la portée sur YouTube et Facebook, qui a été publié sur Tubular Insight en septembre 2018, une demi-douzaine d’éditeurs axés sur le numérique poursuivent déjà une stratégie verticale.

Cela inclut : 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 :

« Alors, pourquoi tous ces éditeurs segmenteraient-ils leurs propriétés en plusieurs secteurs verticaux au lieu de simplement intégrer une large gamme de contenus dans des 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 étroitement ciblé sur leurs intérêts particuliers qu’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 qu’en large.

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 vidéos suggérées. Mais ils dévoilent :

« Le classement par taux de clics (CTR) favorise souvent les vidéos trompeuses que l’utilisateur ne termine pas (« clickbait ») alors que le temps de visionnage capture mieux l’engagement. »

Donc, évitez d’utiliser des titres et des vignettes 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 « temps de visionnage » dans son algorithme en octobre 2012.

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

Les auteurs de l’article 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 visionnées sur cette chaîne ?
  • À quand remonte la dernière fois que l’utilisateur 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 à des éléments disparates. Nous avons également trouvé qu’il était crucial de propager les informations de la génération de candidats dans le classement sous la forme de fonctionnalités, par exemple, quelles sources ont nommé ce candidat vidéo ? Quelles notes ont-ils attribuées ? »

Ils ajoutent :

« Les fonctionnalités décrivant la fréquence des impressions vidéo passées sont également essentielles pour introduire le » désabonnement « dans les recommandations (les requêtes successives ne renvoient pas de listes identiques). Si un utilisateur s’est vu récemment recommander une vidéo mais ne l’a pas regardée, le modèle rétrogradera naturellement cette impression lors du prochain chargement de la page. Servir jusqu’à la seconde impression et l’historique des montres est une prouesse technique en soi en dehors de la portée de cet article, mais est essentiel pour produire des recommandations réactives.

Covington, Adams et Sargin divulguent :

« Notre objectif est de prédire le temps de visionnage attendu à partir d’exemples de formation positifs (l’impression vidéo a été cliquée) ou négatives (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 visionnage attendu, nous utilisons la technique de régression logistique pondérée, qui a été développée à cette fin. »

En d’autres termes, si vous souhaitez optimiser votre vidéo pour les systèmes de recommandation de YouTube, vous devez aider les spectateurs 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 ces jours-ci.

Qu’est-ce que cela signifie pour toi?

Mais attendez, il y a plus !

Les auteurs de l’article ont également révélé que YouTube utilise « l’apprentissage en profondeur » pour concevoir, itérer et maintenir « un système de recommandation massif » depuis 2016.

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

Maintenant, cela ne vous empêchera peut-être pas de dormir la nuit.

Mais, si Google déploie ce qu’ils ont appris, oh, Google Shopping par exemple, alors 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 amené jusqu’ici.

Qu’en est-il des quatre prochaines années ?

Eh bien, si vous ou un membre de votre équipe comprenez déjà TensorFlow (anciennement connu sous le nom de Google Brain), alors vous êtes prêt à basculer.

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

Pourquoi?

Parce que plus tard, votre destin – et le sort de votre organisation ou de vos clients – sera de plus en plus entre les mains des systèmes de recommandation.

C’est pourquoi cela vaut la peine de lire « Deep Neural Networks for YouTube Recommendations » aujourd’hui.

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

Davantage de ressources:

  • 6 conseils de référencement YouTube basés sur l’article publié par Google
  • Comprendre les biais dans les systèmes de recherche et de recommandation
  • Une nouvelle ère de recherche Google : ce que cela signifie pour le référencement

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici