Миллион просмотров. Как увеличить охваты коротких видео

Помните про досматриваемость. Ролик с парой лишних деталей зрители жестоко свайпнут, потому что скучно. Он не попадет в «реки», и никто его не увидит. Пусть будет короче и максимально упрощенно, зато завирусится и получит широкий охват.

У вас целый канал: можно каждую ценную деталь упаковывать отдельным материалом. Это даст больше единиц контента. Рекомендательные системы любят краткость и регулярность. Регулярные публикации повышают шансы на просмотры.

1.4. Резюме

Короткое видео – это не подвид длинного, а абсолютно новый жанр, который сейчас активно развивается.

Спрос на вертикальные клипы превышает предложение – сегодня у вас есть шанс попасть в категорию «раннее большинство» и занять нишу.

В клип можно превратить какой угодно инфоповод, а 60 секунд – это вечность.

Количество подписчиков перестает играть ключевую роль. В коротком формате пока функционируют «социальные лифты». Любой желающий способен с нуля заработать миллионную аудиторию. Обратная сторона этого эффекта: расслабиться не получится, придется работать над качеством каждого выпуска.

2. Как работают рекомендации?

2.1. Как понять предпочтения зрителя, не вникая в суть ролика?

Нейросети в YouTube.Shorts, VK.клипы, Zen.Ролики, SnapChat, Likee, TikTok, Reels анализируют взаимодействие зрителей с медиапродуктом. Оценивая совокупность факторов, машина решает, что рекомендовать посетителю.

Зарегистрировавшись, новый пользователь увидит нечто универсальное, популярное из Сети.

Практически каждому при первом заходе в TikTok показывается один из приколов Хаби Лейма[5]. У блогера более 135 миллионов подписчиков. Он почти никогда не произносит ни одного слова, играя мимикой, движениями тела, предметами. Такой подход сделал юмор Хаби доступным для людей любого возраста со всего мира.

После реакции пользователя на Хаби Лэйма и другие клипы появляется первая статистика, на которой машина обучается. Причем учитывается любая реакция: спешное пролистывание или досматривание с удовольствием и репост маме. Система начинает догадываться, как задерживать пользователя в соцсети дольше.

Точность рекомендаций увеличивается с накоплением полученных знаний о:

– поведении пользователя,

– взаимодействии других пользователей с медиапродуктом.

Рекомендации точнее, когда о зрителе накоплено большое досье, машина обучилась и знает его предпочтения. Популярные ролики при этом становятся еще популярнее, потому что об их зрителях также собрана приличная база данных.

В какой-то степени этот эффект – слабое место рекомендательных систем. «Богатые богатеют», а неудачные ролики болтаются в пустых аккаунтах с нулями. Мы будем пользоваться этой слабостью и знать: чем больше показов, тем легче раскручиваться дальше. Пробив некий порог просматриваемости, можно безгранично далеко продвинуться. Потолка нет. Для начала давайте хотя бы поверхностно разберемся, что же такое «машинное обучение». В одном из курсов Google.Developers объясняют: в алгоритмах обучения нейросетей используются переменные. Это Label – вещь, которую мы предсказываем, Feature – изучаемые машиной свойства (их могут быть десятки), Example – конкретный набор данных, Model – демонстрирует взаимосвязь между Label и Feature.

Простыми словами, машинное обучение – это когда компьютер, изучая большое количество ситуаций, видит между ними взаимосвязь и повторяющиеся модели поведения. На основе выявленных из опыта закономерностей машина предсказывает поведение объекта в будущем.

Для «эффекта чтения мыслей» нейросети даже не должны понимать суть видео.

Вот как они к этому пришли.

Контекстная реклама – это первое поколение рекомендательных систем. Они анализируют суть и содержание текста с помощью алгоритмов, заданных человеком. В онлайн-курсе Яндекса по контекстной рекламе сообщается: поисковая система анализирует семантику интернет-страниц, а рекламодатель задает ключевые слова для показа объявлений. Исходя из контекста веб-страницы, рекламная сеть подбирает подходящую по тематике рекламу или советует к прочтению статью. Алгоритм не учитывает никакие параметры, кроме контекста.

Контекстный подход для программирования рекомендаций по видеоконтенту оказался неприменимым. Для понимания сути и содержания роликов недостаточно расшифровать звук и затем проанализировать текст. На смысл влияют также эмоции, интонации и визуальные образы. Программисты пошли дальше, пытаясь сканировать надписи и распознавать лица и объекты. Но и это не помогало определять контекст, не говоря уже о точном попадании в несформулированные желания пользователя. Поэтому пришлось решать задачу: «Как понять предпочтения зрителя, не вникая в суть ролика?» Решение этой задачи нашлось благодаря нейросетям и большому количеству накопленных паттернов поведения пользователей.