Verwendung von Pandas zur Optimierung des YouTube-Kanalwachstums

Was macht einen erfolgreichen Programmierkanal auf YouTube aus? Lassen Sie uns die Daten von erfolgreichen Programmkanälen analysieren, um das herauszufinden.

Was macht einen erfolgreichen Programmierkanal auf YouTube aus? Lassen Sie uns die Daten einiger der erfolgreichsten Programmkanäle analysieren, um das herauszufinden. Wir untersuchen Metriken wie Aufrufe pro Like und Engagement-Muster, um herauszufinden, was am besten funktioniert.

Prozess der Datenanalyse

Anfängliche Datenaufbereitung:
– Sammeln von Kanaldaten, einschließlich Videotitel, Aufrufe, Likes und Kommentare
– Bereinigen der Daten durch Entfernen irrelevanter Spalten
– Konvertieren von Metriken (wie “1.5K” in 1500) in numerische Werte
– Herausfiltern von Videos mit null Likes oder Kommentaren

Wichtige Leistungsmetriken

Es wurden zwei Hauptmetriken analysiert:
– Aufrufe pro Like: Wie viele Aufrufe sind nötig, um ein Like zu erhalten
– Aufrufe pro Kommentar: Wie viele Aufrufe braucht es für einen Kommentar

Diese Metriken helfen dabei, wirklich ansprechende Inhalte von Videos zu unterscheiden, die zwar angesehen werden, aber nicht zur Interaktion anregen.

Wichtigste Ergebnisse

1. Kanal-Vergleiche:
– Free Code Camp: 400,000 durchschnittliche Aufrufe
– Programming with Mosh: 900,000 durchschnittliche Aufrufe
– NeuralNine: 36,000 durchschnittliche Aufrufe

2. Einblicke in den Inhalt:
– Inhalte für Anfänger dominieren die Aufrufe (Top 3 Videos: 44M, 39M, 17M Aufrufe)
– Langformatige Videos (1+ Stunden) schneiden erstaunlich gut ab
– Inhalte für Fortgeschrittene erhalten deutlich weniger Aufrufe (ca. 3M)

3. Engagement-Muster:
– Kleinere Kanäle haben oft bessere Engagement-Raten
– Aufrufe korrelieren nicht immer mit Likes und Kommentaren
– Einige Videos mit weniger Aufrufen haben höhere Engagement-Raten

Überraschende Entdeckungen

Langes vs. kurzes Format:
– Die besten Videos sind meist langformatig (1-15 Stunden)
– Videos in Kurzform (<60 Sekunden) schafften es nicht in die Top-Rankings, wenn sie nach Aufrufen gefiltert werden
– Dies ist unerwartet, da die Aufmerksamkeitsspanne immer kürzer wird (Berichten zufolge niedriger als die eines Goldfisches im Jahr 2015)

Praktische Tipps und Tricks

Für Content-Ersteller:
– Inhalte für Anfänger haben das größte Potenzial
– Langformatige, umfassende Anleitungen können gut funktionieren
– Konzentrieren Sie sich auf Engagement, nicht nur auf Aufrufe
– Berücksichtigen Sie den Abfall zwischen Inhalten für Anfänger und für Fortgeschrittene

Laden Sie die Analyse-Skripte herunter:
Möchten Sie Ihre eigene Analyse durchführen? Laden Sie die Python-Skripte hier herunter: YouTube Datenanalyse-Skripte


Möchten Sie Ihre Kenntnisse in der Datenanalyse mit Python verbessern? Schauen Sie sich unsere Kurse bei Training Scientists an, wo Sie ausführliche Tutorials zum wissenschaftlichen Rechnen und zur Datenanalyse finden.

Teilen:

Mehr Beiträge

Senden Sie uns eine Nachricht

Nach oben scrollen