Припущення про те, що змістовний аналіз конкурентів вимагає доступу до приватних даних, є одним із найстійкіших міфів у спільноті творців YouTube. Творці дивляться на свої панелі керування YouTube Studio, бачать багаті приватні метрики, доступні там (дохід за відео, коефіцієнти кліків, демографія аудиторії, розбиття джерел трафіку), і припускають, що без подібного доступу до панелі конкурента, будь-який аналіз конкурентів буде поверхневим в найкращому випадку. Це припущення хибне. Обсяг інформації, яка може бути отримана з загальнодоступних даних YouTube, екстраординарний, і цього більш ніж достатньо, щоб приймати обґрунтовані стратегічні рішення щодо контенту, розкладу та позиціонування. Аналіз, описаний тут, був проведений на чотирьох прямих конкурентах в одній ніші, використовуючи лише дані, видимі на їх публічному каналі та сторінках відео, обробленої через аудит каналу та API теги відео.

Чотири конкуренти були обрані за простим критерієм: це були канали, які найчастіше з'являлися на бічній панелі "рекомендовані" при перегляді відео з каналів в одній ніші. Алгоритм рекомендацій YouTube виводить канали, які мають перекриття аудиторії, що робить бічну панель надійним показником того, хто насправді є конкурентами, на відміну від каналів, які здаються конкурентами на основі темі, але насправді служать іншому сегменту аудиторії. Двоє з чотирьох були більшими каналами з кількістю підписників понад 500 000. Один мав приблизно такий же розмір, як канали, якими керували. Четвертий був меншим каналом, який швидко зростав і здавалась виконує гідну вивчення стратегію.

Наступним був систематичний аналіз за чотирма вимірами: закономірності завантаження, метрики залучення, стратегії тегів та ключових слів, і виявлення прогалин у контенті. Кожен вимір аналізувався за допомогою загальнодоступних даних, які може отримати будь-хто, оброблених через API, які автоматично обчислюють похідні метрики. Весь аналіз, охоплюючи всі чотири канали, був завершений менш ніж за годину. Виконання такої ж роботи вручну, відвідуючи кожну сторінку каналу, натискаючи через кожне відео та записуючи метрики в електронну таблицю, зайняло б добру частину двох днів.

Закономірності завантаження та те, що вони розкривають про виробничу потужність

Першим вимірюванням аналізу була частота завантаження та послідовність. API аудиту каналу отримує дати публікації недавніх відео, і з цих даних він обчислює середню частоту завантаження, розподіл дня тижня, закономірності часу доби та метрики послідовності (наскільки змінюється розклад завантаження від тижня до тижня). Ці метрики набагато більш розкривають, ніж вони можуть здаватися на перший погляд, оскільки закономірності завантаження є прямим відбиттям виробничої потужності каналу, стратегії контенту та обсягу інвестицій.

Конкурент A, найбільший із чотирьох з понад 800 000 підписниками, публікував з метрономічною послідовністю: три відео на тиждень, кожен понеділок, середу та п'ятницю, приблизно в один і той же час доби. Цей закономірність був підтриманий протягом більш ніж вісімнадцяти місяців без жодного розриву. Такий рівень послідовності передбачає команду виробництва, а не одиночного творця, календар контенту, запланований на тижні або місяці наперед, та значне вкладення в підтримку розкладу завантаження. Конкурування з цим каналом за частоту завантаження вимагало б відповідності їх виробничій потужності, що було неможливо або навіть небажано. Натомість інсайт полягав в тому, щоб уникнути завантаження в ті ж дні, оскільки алгоритм подавав би свіжий контент від більшого конкурента до спільного сегменту аудиторії на ці конкретні дні.

Конкурент B показав абсолютно іншу картину: спалахи щоденного завантаження, за якими слідують тижні мовчання. Чотири відео протягом одного тижня, потім нічого протягом дванадцяти днів, потім шість відео протягом десяти днів, потім трьохтижневий перерва. Цей закономірність передбачає одиночного творця, який працює порціями, ймовірно записуючи та редагуючи кілька відео за один сеанс і планує їх протягом наступних днів. Стратегічне значення було інше від Конкурента A. Перерви Конкурента B представляли вікна, де спільна аудиторія була недостатньо обслужена, і часове вирівнювання завантаження із цими перервами могло захопити увагу, яка в іншому випадку залишилася б невиконаною. Часова візуалізація API зробила ці прогалини негайно очевидними, тоді як ручний аналіз вимагав би прокручування через список відео каналу та психічного картування дат публікації.

Конкурент C підтримував стійкий графік два на тиждень, але недавно прискорив до чотирьох на тиждень. Це прискорення, видиме в даних за останні вісім тижнів порівняно з попередніми дванадцятьма місяцами, сигналізувало про стратегічний зсув. Або вони найняли додаткову допомогу, змінили формат контенту на щось швидше для вироблення, або тестували, чи прискорить збільшена частота завантаження зростання. Моніторинг цієї зміни протягом наступних тижнів розкрив би, чи працювала стратегія (підтверджено збереженням або поліпшенням кількості переглядів на відео) або вигоранням (підтверджено зниженням переглядів, що пропонує втому аудиторії або падіння якості). Невеликий, але швидкозростаючий Конкурент D публікував раз на тиждень, але з помітно довгими відео (середньо тридцять хвилин порівняно з середньою нішею дванадцять). Це передбачало "глибину на частоту" стратегія, яка надавала пріоритет часу перегляду на одне відео над загальною кількістю відео, що є дійсним підходом, враховуючи вагу алгоритму YouTube на загальний час перегляду.

Показники залучення та обман розміру

Сирові показники підписників та переглядів є найбільш видимими метриками на YouTube і також найбільш оманливими для аналізу конкурентів. Канал з мільйоном підписників, отримуючи 20 000 переглядів на відео, знаходиться в принципово слабшій позиції, ніж канал з 50 000 підписниками, отримуючи 15 000 переглядів на відео, навіть якщо перший канал "виглядає" більшим за кожною поверхневою метрикою. API статистики каналу обчислює показники залучення, які нормалізують продуктивність за розміром каналу, розкриваючи дійсну здоров'я та імпулс кожного каналу незалежно від його кількості підписників.

Розрахунок показника залучення ділить середні недавні переглади на кількість підписників, виробляючи відсоток, який вказує на яку частку від нової бази підписників каналу насправді дивиться нові завантаження. Галузеві середні значення варіюються залежно від ніші, але зазвичай падають між 2% і 10% для встановлених каналів. Вищі ставки пропонують активну, залучену аудиторію, яка реагує на нові завантаження. Нижчі ставки пропонують базу підписників, яка значною мірою перестала звертати увагу, можливо, отриманої під час вірусного моменту або через стратегію (як подарунки або sub4sub), яка виробляла підписників без справжнього інтересу.

Серед чотирьох конкурентів Конкурент D (найменший канал) мав найвищий показник залучення на 18,7%. Майже один з п'яти його підписників дивився кожне нове відео, що є винятково сильним сигналом про інтерес аудиторії. Конкурент A, незважаючи на те, що був найбільшим на сьогоднішній день, мав показник залучення всього 3,2%. Це не катастрофічно низько за галузевими стандартами, але це означає, що 96,8% їх бази підписників ігнорує будь-яке завантаження. Показник залучення Конкурента B коливався дико між 5% і 25%, коригуючись з тим, чи відповідала тема відео їх основної ніші або представляла експериментальний відхід. Конкурент C тримав стійкість близько 8%, здоровий і послідовний.

Стратегічне значення було суттєвим. Конкурент D був справжньою загрозою, незважаючи на те, що був найменшим каналом. Їх високий показник залучення означав, що алгоритм YouTube агресивно просував їх контент для не-підписників, спираючи швидке зростання, видиме в їх лінії тенденції підписників. Їх стратегія "глибина на частоту" явно резонувала з аудиторією. Конкурент A, незважаючи на розмір, прибиральася на великій, але незацікавленій базі підписників. Їх послідовні завантаження підтримували базовий розмір переглядів через трафік, керований повідомленнями, а не алгоритмічне просування. Це означало, що конкурування з Конкурентом A за алгоритмічні рекомендації насправді було простішим, ніж припускав би їх номер підписників, оскільки алгоритм просуває залучення, а не історичні кількості підписників.

Стратегії тегів та ключові слова, які насправді працюють

Теги відео YouTube приховані від стандартного інтерфейсу сторінки відео. Глядачі не можуть їх побачити. Але вони є публічно доступні через API даних YouTube, та API теги відео видобуває їх з будь-якого публічного відео. Теги впливають на те, як YouTube категоризує та рекомендує контент, і аналіз стратегій тегів успішних конкурентів забезпечує прямий погляд на їх підхід SEO. Це не спекуляція про те, які ключові слова вони можуть бути мету. Це фактичний перелік точних термінів, які вони говорять YouTube, щоб асоціюватися з їх контентом.

Аналіз охоплював двадцять найновіших відео від кожного із чотирьох конкурентів, всього вісімдесят відео. Повний набір тегів кожного відео був витягнутий та теги були агреговані для визначення повторюваних закономірностей. Конкурент A використовував середньо 28 тегів на відео, послідовно включаючи широкі теги категорії (назва ніші, загальні ключові слова теми), теги конкретної теми (точна тема відео), та теги бренду (назва каналу, назви серій). Їх стратегія тегів була підручником та методичною, явно керованою кимось, хто розумів основи YouTube SEO. Конкурент B використовував набагато менше тегів, середньо лише 8 на відео, і вони часто були загальними однослівними термінами, а не довгохвостіми фразами ключових слів, які, як правило, краще виконуються в пошуку. Це була явна слабкість в їх стратегії, і це пояснювало, чому їх відео добре виконувалися через підписників (які знаходили контент через повідомлення), але погано в пошуку відкриття.

Конкурент C використовував унікальний підхід: їх теги включали назви каналів конкурентів та назви відео конкурентів як ключові слова. Це суперечливі, але ефективні тактики, які позиціонують їх відео для з'явлення на бічній панелі "пропоновано", коли глядачі дивляться контент конкурентів. API виявив цей закономірність у 90% недавніх відео Конкурента C, що робить ясно, що їх стратегія зростання значною мірою спиралася на захоплення трафіку від інших каналів в нішу. Конкурент D використовував найдовші та найконкретніші фрази тегів, середньо 35 тегів на відео з багатьма з них, є повні запитання або фрази довжини речення, які відповідають тому, як користувачі вводять запити пошуку. Ця стратегія довгого хвоста узгоджувалася з їх підходом контенту щодо створення всебічних, поглиблених відео, які відповідають на конкретні питання. Разом, ці чотири стратегії тегів намалювали повну картину того, як кожен конкурент позиціонував свій контент в системі відкриття YouTube, все з публічно доступних метаданих.

Прогалини у контенті та можливості, які конкуренти пропускають

Найбільш дієвим результатом всього аналізу був виявлення прогалин у контенті. Шляхом картування тем, висвітлених усіма чотирма конкурентами протягом їх недавніх відео, прогалини, де жодна з них не публікувала контент, стали видимими. Ці прогалини представляють теми, в яких спільна аудиторія, ймовірно, цікавиться (на основі актуальності ніші), але наразі не може знайти адресовану жодним з встановлених каналів. Публікування контенту, який заповнює ці прогалини, створює можливість займати рейтинг в пошуку та отримувати рекомендацію без безпосередньої конкуренції з існуючими відео від каналів з більшою авторитетом.

Процес був прямолінійним. Назви відео та описи з всіх вісімдесяти проаналізованих відео були просканковані на повторювані теми та ключові слова. Результуюча карта тем показала щільні кластери (теми, яких охопили всі чотири конкуренти, часто кілька разів) та розріджені регіони (теми, які з'явилися в одному або двох відео більше всього, або взагалі). Щільні кластери вказували на добре встановлені категорії контенту, де конкуренція за виміри була інтенсивною. Розріджені регіони вказували або на теми, які конкуренти ще не розповіли, теми, які вони навмисно уникали (можливо, через низьке сприйняття попиту), або теми, які вони планували охопити в майбутньому, але ще не досягли.

Кілька справжньо перспективних прогалин виникли з цього аналізу. Один кластер тем, який повторювався в аналізі тегів (що пропонує попит на пошук аудиторії), був висвітлений лише Конкурентом D в одному відео, і це відео переважало середнім значенням каналу на 3x. Це поєднання сигналів (високий попит на пошук плюс доведена продуктивність плюс мінімальна конкуренція) було найсильнішим можливим показником для можливості контенту. Три відео, що спрямовані на варіації цього кластеру тем, були виробленні та опубліковані протягом наступних тижнів, і їх продуктивність затвердила аналіз: всі три перевищили середнім значенням каналу, з одним стаючи найкращим виконавцем відео за квартал.

Весь аналіз, від виявлення конкурентів через збір даних, обчислення метрик, видобування тегів та картування прогалин контенту, був проведений за допомогою загальнодоступних даних, оброблених через API. Жодна приватна аналітика не були доступні, ніяких реквізитів входу не потрібні, ніякі умови надання послуг не були порушені. Конкуренти, які аналізуються, не мають способу дізнатися, що аналіз стався, і інсайти, здобуті, були як детальні та дієві, як будь-який внутрішній огляд аналітики. Міф про те, що аналіз конкурентів вимагає доступу до приватних даних, це саме: міф. Дані є публічні. Інструменти для обробки існують. Єдине запитання полягає в тому, чи їх використовувати.

Часто задавані запитання

Чи законно аналізувати конкурентні канали YouTube, використовуючи їх публічні дані?

Так. Усі дані, використані в цьому аналізі, є загальнодоступними на YouTube. Кількість підписників, кількість переглядів, назви відео, описи, теги та дати публікації видимі кожному, хто відвідує сторінку каналу або відео. Обробка цих публічних даних через API не порушує умови надання послуг YouTube, оскільки дані доступні законним способом і не задіяні приватні метрики.

Як можна переглядати теги відео, якщо вони приховані від інтерфейсу YouTube?

Хоча YouTube не відображає теги на стандартній сторінці відео, вони доступні через API даних YouTube та через інструменти, як API теги відео, які видобувають ці метаінформацію. Теги є публічні дані, які YouTube робить доступними програмно, навіть якщо інтерфейс користувача не виводить їх для випадкових глядачів.

Який показник залучення вважається здоровим для каналу YouTube?

Показники залучення (середні переглади на відео, поділено на кількість підписників) зазвичай коливаються від 2% до 10% для встановлених каналів. Ставки вище 10% вказують на винятково залучену аудиторію, часто бачену в новіших або нішевих каналах. Ставки нижче 2% пропонують незацікавлену базу підписників. Ці еталони варіюються залежно від ніші, віку каналу та типу контенту, тому вони повинні використовуватися як опорні точки, а не як абсолютні стандарти.

Чи може аналіз часу завантаження насправді поліпшити продуктивність відео?

Час завантаження впливає на початкове залучення, що впливає на те, наскільки агресивно алгоритм YouTube просуває відео на критичних першим годинам після публікації. Публікування, коли цільова аудиторія є найбільш активною, збільшує ймовірність ранніх переглядів, лайків та коментарів, який сигналізує алгоритму, що відео варто рекомендувати ширше. У той час як час самотужки не врятує поганий відео, він може змістовно поліпшити продуктивність хорошого контенту.

Як часто слід повторювати аналіз конкурентів?

Комплексний аналіз кожного квартала достатній для більшості каналів. Щомісячні точкові перевірки ключових метрик (зміни частоти завантаження, тенденції показника залучення, нові теми контенту) допомагають виявити стратегічні зміни рано. API робить ці періодичні перевірки швидкими та недорогими, тому немає причин дозволити конкурентній розвідці залишатися застарілою місяцями.

Чи працює цей тип аналізу для невеликих каналів з кількома підписниками?

Так, хоча дані більш змінні. Невеликі канали мають меншу кількість точок даних, що означає, що окремі видео з викидом мають більший вплив на середні метрики. Аналіз все ще цінний для розуміння стратегії конкурентів, виявлення прогалин у контенті та вивчення підходів до тегів, все з яких актуальні незалежно від розміру каналу.