成長学習
YouTubeの外れ値動画：それらから学ぶ方法
外れ値は、アップロードのどの部分が本当に異なっていたかを理解してからのみ有用です。
YouTubeの異常値は、適切な参照グループと大きく異なるアップロードです。それは、そのクリエイターにとって異常に高いまたは低いビュー数を持ち、YouTube全体で異常に大きいまたは小さいわけではありません。
この記事では
始める前に
得られること
- すべての将来の動画を一つのブレイクアウトのコピーにしないでください。
- 転送可能なパターンを特定する。
- 外れ値を類似の非外れ値と比較する。
- 教訓を仮説として使用する。
クリエイターに対して異常なパフォーマンスを見つける
この区別は、小さなクリエイターが有用な例を研究するのに役立ちます。20,000ビューのチュートリアルは、通常3,000ビューのチャンネルにとって大きな逸脱になる可能性がありますが、100万ビューの動画は他の場所では通常かもしれません。結果がそのコンテキスト内でどれほど驚くべきものであるかが問題です。
バッジの前に基準を理解する
どのアップロードが比較を形成しているか、形式が一致しているか、年齢がどのように異なるかを確認してください。ライブストリーム、発表、および短いチュートリアルを基にした参照は、詳細なコースを評価するには不適切かもしれません。
クリエイター相対の乗数は、観察された結果を選択した参照で割ります。これは記述的であり、再度そのアイデアが機能する確率ではありません。基準がゼロ、欠落している、または薄すぎる時、誠実な結果は利用できないか、不確実であるのが正しい結果です。
ポジティブおよびネガティブの異常値をレビューする
強い結果は探求する価値のある質問を明らかにできます。弱い結果は、約束と観客の不整合を明らかにするか、単に特別な状況を示すことができます。どちらも学習履歴に含めて、チャンネルの通常の範囲が視覚化されるようにします。
動画の作品として検査する
観客の問題、タイトルの約束、オープニングの構造、そしてペイオフを書きます。タイミング、外部プロモーション、コラボレーター、または異常なアクセスに注意してください。最も明白な特徴が結果を説明するとは限らず、特に複数の要素が一緒に変わった場合はそうです。
同様の特徴を持つ隣接するアップロードを見てください。多くの通常の動画が同じタイトル構造を使用している場合、その構造だけでは完全な説明にはなりません。有用なレビューは、どの組み合わせの観 audience、質問、実行が再度テストされるにふさわしいかを尋ねます。
発見を独自の実験に変える
原則を借りるが、独特の表現は借りないでください。早い段階で結果を可視化するデモは、あなたのトピックのための構造的テストを示唆するかもしれません。他のクリエイターのサムネイル、文言、表現をコピーすることは正当化されません。
信頼できると答えられる単一の観客の質問を選択します。異常値がどのように関連するか、そして状況がどこで異なるかを述べてください。その後、適切な歴史と比較して新しいアップロードを比較するのではなく、参照クリエイターの結果を狙いとして使用してはいけません。
乗数を超えて異常なアップロードを調査する
一つの明らかな異常値を選択し、比較のコンテキストとともに元の動画を開きます。乗数は開始の信号です。あなたの仕事は、アップロードがどのように貢献しているか、基準がどのように関連しているか、そしてどのレッスンが自分の観客に役立つかを理解することです。高い相対的結果が原因を特定したり、他のチャンネルに主題が転送されることを保証したりすることはありません。
ステップ1: 勝者の前に基準を検査する
利用可能な比較アップロード、形式、公開年齢をチェックしてください。小さな参照グループや不一致のグループは、結果をより特別に見せる可能性があります。異常に弱い参照動画や欠落した履歴を探してください。ツールが現在の累積カウントを表示している場合、比較を検証された同年齢のパフォーマンス履歴として読み取ってはいけません。候補との制限を記録し、後でノートから削除しないでください。
ステップ2: 独自の貢献を説明する
動画の十分な部分を視聴して、その約束と証拠を理解してください。それは異常なアクセス、独自のデモンストレーション、タイムリーな回答、またはクリエイターの普通の仕事よりも明確な比較を提供する可能性があります。観察したものを記録してください。「サムネイルが結果を引き起こした」は公に閲覧できる観察ではなく、「サムネイルがテストされた制約を伝えている」は調べることができるクリエイティブな詳細です。
ステップ3: 横や後ろを見据える
同じ質問に答える他のアップロードや、クリエイターによる以前の試みをレビューしてください。似たようなアイデアが時折通常のパフォーマンスを示しますか？異常な結果はイベントと一致していますか？複数の明らかな例が同じシリーズやプロモーションの一部ですか？このコンテキストは、漠然としたブレイクアウトストーリーをより具体的な研究仮説に変えることができ、私的な配信についての確実性を主張することなくできます。
参照を独自の実験に変える
例えば、修理チャンネルの異常なアップロードが単純な診断シーケンスで一般的な故障を示しているとします。あなたの観客は、同じ原則から利益を得る別の故障に直面する可能性があります：症状を示し、可能性を分離し、修正を示すことです。あなたはその説明的な構造を使用し、自分の問題、証拠、および結論を提供できます。表面的なパッケージをコピーすることは同じオリジナルの価値を提供しません。
ステップ4: 移転可能な原則を定義する
競争相手の名前やタイトルなしで原則を書きます。それがまだ意味をなすなら—例えば、解決策を推奨する前に決定基準を可視化すること—有用な編集の教訓がある可能性があります。そのアイデアが、あのクリエイターのアクセスや権威のためだけに機能するなら、それをレシピとして再現できるという必要はないとみなしてください。
ステップ5: 公開後に研究の足跡を保持する
元の参照、あなたの仮説、および試みの結果を保持してください。適切な年齢で自分の関連する歴史と新しいアップロードを比較します。小さな結果が参照に関するすべての観察を無効化するわけではありませんが、移転の主張を弱めるかもしれません。異常値対バイラルガイドは、相対的な異常性と幅広い人気が異なる特性である理由と、両方にコンテキストが必要な理由を説明しています。
証拠が進展するにつれて分類を再訪する
新しい動画や不完全な履歴は比較を変えることができます。観察日とラベルを持つ参照グループを保持してください。後の更新は乗数を変えるかもしれませんが、元のアイデアが突然良くなったり悪くなったりしたわけではないことを証明することはできません。
Kolliqの異常値ファインダーは、利用可能な公共の比較と信頼を明らかにします。支持する証拠を開き、サンプルを確認し、焦点を絞った次の質問を保存してください。有用な結果は、あなたが理解するテストであり、あなたの判断を置き換えるバッジではありません。
次のレビューのチェックリスト
- 基準の持ち上げ
- トピックの違い
- パッケージングの違い
- 維持パターン
- フォローアップのアングル
クリエイターがよく尋ねる質問
すぐに全てのブレイクアウトの続編を作るべきですか？
オーディエンスの質問に有用な次のレイヤーがある場合のみ。新しい約束なしの繰り返しは疲労を引き起こす可能性があります。
読むことから行動に移る
その外れ値が機能した理由を見つける
Kolliqを使って外れ値のコンテンツをベースラインと競合の動きと比較します。
チャンネルの外れ値を見つける