Ирина Гольмгрейн - Миллион просмотров. Как увеличить охваты коротких видео

В книге приходилось торопиться читать подробные характеристики Косого переулка, прежде чем вернуться к основному сюжету. В фильме главные герои идут по переулку, события развиваются, а зритель попутно изучает архитектуру локации и местные нравы.

В экранизациях не требуется долгое описание происходящего эпитетами и метафорами. Зачем тратить страницу на портрет персонажа, если его внешность можно разглядеть за пару секунд?

Неуместны затянутые введение и заключение. Короткий жанр позволяет сразу начать с сути. Детали не воспринимаются в устной форме. Достаточно сказать главное, а подробности дать надписями и субтитрами. Кому интересно, поставят на паузу и прочитают.

К тому же с помощью мимики, жестов и интонаций можно передать эмоциональную часть сообщения, не нагружая речь дополнительными оборотами.

Как бы ни хотелось подробно и развернуто вещать о событии или продукте, придется выбирать: короткий рассказ на большую аудиторию или детали, которые не увидит никто.

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.

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.

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] https://www.tiktok.com/@khaby.lame . 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.