데이터를 사용하여 YouTube 가시성을 높이는 방법

최상위 키워드 데이터로 훌륭한 주제와 효과적인 제목 찾기

이 데이터 유형은 아이디어, 제목 및 비디오 요약을 위한 것입니다.

이 데이터를 얻으려면 좋은 키워드 조사 프로세스와 유사한 프로세스를 따르되 YouTube 데이터를 수집할 수 있는 도구를 사용하십시오. Ahrefs 또는 keywordtool.io를 시작하는 것이 좋습니다.

모든 키워드를 수집했으면 더 큰 분석을 위해 더 큰 주제로 분류해야 합니다. 이 작업도 수행하지만 더 큰 컨텍스트를 추가하기 위해 다음과 같이 다른 측정항목을 오버레이하고 모든 것을 거품형 차트로 표시합니다.

여기에 표시한 세 가지 측정항목은 다음과 같습니다.

1. 검색량 - 이것은 거품의 크기로 표시됩니다. 우리는 이것을 Ahrefs로부터 얻습니다.
2. 참여 – 이 키워드에 대한 동영상이 달성한 평균 동영상 조회수입니다.
3. 난이도 – 이 영역에서 순위를 매기는 것이 얼마나 어려운지 알려주는 맞춤 스크립트입니다.

이와 같이 그래프를 그리면 작업해야 할 영역과 피해야 할 영역이 명확해집니다. 그것은 또한 항상 좋은 보너스인 클라이언트와 잘 어울립니다.

참여도가 높고 난이도가 낮은 카테고리이므로 빠른 승리를 위해 왼쪽 상단부터 시작합니다. 반대로 오른쪽 하단의 영역은 참여도가 낮고 난이도가 높기 때문에 피합니다.

이러한 메트릭을 대규모로 수집하는 것은 상당한 시간이 소요될 수 있습니다. 우리는 기계 학습 도구인 솔로몬을 사용하여 이 작업을 수행하지만 손으로 ​​수행할 수도 있습니다.

모든 데이터를 수집하고 그래프를 그린 후에는 각 범주로 드릴다운하고 유사하고 단일 비디오에서 함께 그룹화할 수 있는 쿼리를 보는 간단한 작업이 됩니다. 그러면 비디오 제목과 요약에 입력됩니다.

우리는 이 데이터를 Croud에서 통합하는 방식으로 상당히 구조화되어 있습니다. 일반적으로 이러한 유형의 데이터를 사용하는 비디오 타이틀의 경우 다음 구조를 사용합니다.

개별 요소는 다음과 같습니다.

• 후크 – 후크는 대부분의 사람들이 관심을 가질 것이며 가장 창의적인 감각을 제공합니다. 짧고 펀치감 있게 유지하고 가장 중요한 것은 앞쪽에 두는 것입니다. 클릭할 가능성이 가장 높은 제목 부분이며 순위를 매기려는 키워드도 포함해야 합니다. 타이틀 전반에 걸쳐 사용하는 5가지 유형의 후크가 있습니다.
• Explainer – Explainer는 태그라인 또는 나쁜 영화 제목에서 콜론 뒤에 오는 것과 같습니다. 이를 통해 시청자에게 여전히 관심이 있는 몇 가지 키워드를 추가하고 추가 세부정보를 제공할 수 있습니다.
• 정보 표시 – 정보 표시는 검색 엔진에 더 유용하지만 특히 단일 채널에 여러 개의 다른 프로그램이 있거나 스토리텔링에 대한 에피소드 구조가 있는 경우 사용자에게도 중요한 정보를 제공할 수 있습니다.
• 채널 정보 – 프로그램 정보와 마찬가지로 채널 정보는 검색 엔진에 더 많은 정보를 제공하지만 사용자에게도 안심할 수 있습니다. 채널이 여러 개인 경우 일반적으로 브랜드 이름 또는 브랜드 채널 이름입니다.

세분화된 키워드 데이터를 사용하여 방탄 스크립트 생성

이 유형의 데이터는 스크립트 및 비디오 설명을 위한 것입니다.

스크립트를 생성할 때 스크립트를 페이지 사본처럼 취급하고 현재 사용 중인 방법을 사용하여 최적화된 사본을 생성해야 합니다. 여기서 바퀴를 재발명할 필요가 없습니다.

Croud에서는 신뢰할 수 있는 Google 문서도구용 SEMRush Writing Assistant 플러그인을 사용하여 스크립트를 만든 다음 관련 LSI 키워드를 포함하여 수집한 모든 키워드 데이터에 대해 이를 검토합니다.

하지만 여기서 제가 정말 강조하고 싶은 것은 대본의 중요성입니다. 모든 비디오에는 스크립트가 필요합니다 . 아무리 강조해도 지나치지 않습니다. 호스트가 약간 벗어난 비디오(내가 호스팅하는 비디오라고도 함)에도 스크립트가 필요합니다. 이것은 비디오의 시작 지점으로 사용할 수 있지만 모든 주제가 충분히 자세하게 다루어지고 적절한 키워드가 언급되고 있는지 확인할 수 있도록 반드시 사용해야 합니다.

이것이 매우 중요한 이유가 있습니다. Google과 마찬가지로 YouTube 순위 알고리즘이 어떻게 작동하는지 전혀 이해하지 못하지만 다른 Google 자산에서 추론할 수 있습니다. 예를 들어; Google Cloud Speech 제품은 Google이 동영상의 음성을 텍스트로 변환하여 분석할 수 있는 기술을 보유하고 있음을 보여줍니다.

이것은 Google이 스크립트에서 키워드를 찾고 있다는 것을 의미합니까? 대부분의 가능성이 있습니다. 이것이 당신의 스크립트가 중요한 이유입니다. 순위를 매길 수 있을 만큼 충분히 깊이 있고 세부적으로 주제를 다루고 있는지 확인하십시오.

이 유형의 데이터를 사용해야 하는 다른 위치는 비디오 설명에 있습니다. YouTube 설명의 최적 길이는 300~350단어이며 아래 구조를 사용합니다.

1. 소개 문장 – 2-3개의 주의를 끄는 문장이어야 합니다.
2. 자세한 비디오 설명 – 비디오를 더 자세히 설명하기 위한 200단어
3. CTA – 추가 읽기 자료, 리소스 등을 포함한 모든 관련 클릭 유도문안
4. 링크 – 소셜 미디어 프로필 등에 대한 링크

잘 조사된 시각적 데이터로 성공을 위한 스토리보드 만들기

이 유형의 데이터는 스토리보드(필요한 경우 크리에이티브 브리프/비즈니스 사례)용입니다.

이것은 종종 간과되는 단계이지만 카테고리 또는 틈새 시장의 상위 비디오에 어떤 공통 테마와 요소가 있는지 조사하는 것은 매우 중요합니다. 이렇게 하려면 비디오를 보고 본 내용을 메모하기만 하면 됩니다.

예를 들어; 위의 이미지에서 우리는 4개의 주요 객체가 존재함을 알 수 있습니다.

1. 텍스트 – 제품 이점에 대해 설명합니다.
2. 제품 – 이것은 샷입니다.
3. 손 - 제품이 사용되고 있음을 나타내며 이는 YouTube의 기술 제품에 중요합니다.
4. 건물 – 우리는 이것들이 도시 건물임을 알 수 있습니다.

가능한 한 많은 비디오를 살펴보고 이러한 주제를 조사하고 이를 사용하여 자신의 비디오 스토리보드를 구축해야 합니다. 이것은 엄청나게 시간 집약적인 작업일 수 있지만 확장할 수 있는 방법이 있습니다.

이를 수행하기 위해 찾은 한 가지 방법은 Google Video AI 도구를 사용하여 대규모로 동영상을 분석하는 것입니다. (그것이 그들이 당신이 그들의 제품을 구매하도록 하는 방법입니다!) Google Video AI에는 비디오의 물체, 장소 및 동작을 자동으로 인식하는 기계 학습 모델이 있습니다.

즉, 비디오를 대규모로 확인하고 존재하는 요소를 분석하는 데 사용할 수 있습니다. Google이 기본적으로 동영상의 모든 요소를 ​​인식할 수 없다고 생각한다면 오산입니다. 그들은 할 수 있습니다.

다음은 Video AI가 비디오에서 식별할 수 있는 개체 중 일부입니다. 이제 대규모로 이 작업을 수행하고 순위를 결정할 때 동영상에 이러한 태그를 적용한다고 상상해 보세요. 지금 시각적 데이터의 중요성을 알고 계십니까?

우리는 이 데이터를 실행하고 개체를 함께 집계하여 분석을 제공한 다음 비디오를 구성합니다. 예를 들어; 데이터를 집계하고 '손' 개체와 텍스트가 모두 비디오의 많은 부분에 대해 화면에 표시되는 것을 확인하면 두 '손'의 높은 화면 시간으로 인해 비디오가 설명/제품 정보 비디오일 가능성이 있음을 압니다. 개체와 텍스트.

이 모든 데이터를 함께 집계한 후에는 이를 사용하여 스토리보드나 크리에이티브 브리프를 구성할 수 있습니다. 그러나 데이터를 염두에 두십시오. 알고리즘이 80%의 시간 동안 화면에서 제품을 볼 것으로 예상한다면 스토리보드에서 그렇게 하는 것을 목표로 해야 합니다.

"알고리즘"이 비디오에 포함해야 할 내용을 결정하고 창의적인 자유를 제한하는 것에 대해 논쟁이 있을 수 있지만 불행히도 오늘은 이에 대해 논의할 시간이 없습니다. 그러나 내가 말하고자 하는 것은 특히 예산을 놓고 전체 팀을 하와이로 보내 로케이션 촬영을 하려는 경우에는 이것이 양날의 검이 될 수 있다는 것입니다.

요약하자면

요약하자면, 우리는 무엇을 배웠습니까? 글쎄요, YouTube 가시성을 최대화하려면 데이터가 우선되어야 합니다. 비디오가 완료된 후 비디오 태그를 최적화하는 것만으로는 충분하지 않습니다. 데이터를 사용하여 처음부터 비디오를 빌드해야 합니다.

위에서 강조한 세 가지 유형의 데이터를 수집, 통합 및 사용하는 것을 목표로 하면 잘못될 수 없습니다.