یک دوست در یک استودیوی تولید محتوا از آزمایشی صحبت می‌کرد که تیمش روی ۵۰,۰۰و ویدیو وایرال شده انجام داده بود تا پیش‌بینی کند چه چیزی وایرال می‌شود. این مدل هوش مصنوعی نسبتاً پیشرفته بود و ویژگی‌های متنی، بصری، صوتی، معیارهای سازنده، زمان انتشار، سیگنال‌های پلتفرم و زمینه تاریخی را در بر می‌گرفت.
پس از شش ماه استفاده از مدل، آن‌ها تحلیل را انجام دادند. پیش‌بینی‌های مدل با وایرال شدن همبستگی حدود r=0.31 داشت که معنادار بود اما فاصله زیادی با قطعیت داشت. حدود ۱۸٪ از محتوایی که مدل امتیاز وایرال بالایی به آن داده بود واقعاً وایرال شد. حدود ۸٪ از محتوایی که مدل امتیاز وایرال پایینی داده بود نیز وایرال شد. این مدل مفید بود اما هیچ شباهتی به پیشگویی نداشت.
این آزمایش خلاصه خوبی از جایگاه واقعی پیش‌بینی محتوای وایرال در سال ۲۰۲۶ است. مقداری از وایرال شدن قابل پیش‌بینی است و بیشتر آن نه. مدل‌ها کمک می‌کنند اما جادو نیستند. تیم‌هایی که انتظار هیچ چیز یا همه چیز را از مدل‌های داده دارند، هر دو ضرر می‌کنند؛ تیم‌هایی از این رویکرد نتیجه می‌گیرند که چارچوب مشخصی داشته باشند.
بخش‌های قابل پیش‌بینی وایرال شدن
برخی سیگنال‌ها واقعاً با پتانسیل وایرال شدن همبستگی دارند. آن‌ها قطعی نیستند اما شانس را تغییر می‌دهند.
کیفیت قلاب (۳ ثانیه اول برای ویدیو، ۸ کلمه اول برای متن)
در تقریباً هر پلتفرمی، شروع یک محتوا همبستگی قوی با تعامل دارد. مدل‌هایی که کیفیت قلاب را امتیازدهی می‌کنند، پتانسیل وایرال شدن را با نرخ‌های معناداری پیش‌بینی می‌کنند:
- شروع‌های ساختارشکنی: محتوایی که با چیزی غیرمنتظره (شگفتی بصری، ادعای مخالف، سوال تند) شروع می‌شود، به طور مداوم عملکرد بهتری نسبت به شروع‌های عادی دارد.
- خاص بودن به جای کلی‌گویی: قلاب‌ها با اعداد خاص، موجودیت‌های نام‌گذاری شده یا تصاویر ملموس، شروع‌های مبهم را شکست می‌دهند.
- وعده به اضافه تنش: قلاب‌هایی که پاداش را ضمنی می‌کنند و کنجکاوی فوری ایجاد می‌کنند، عملکرد بهتری از قلاب‌های خلاصه کننده دارند.
مدل‌سازی قدرت قلاب یکی از قابل اعتمادترین سیگنال‌های پیش‌بینی است. یک قطعه محتوا با قلاب قوی معمولاً ۳ تا ۱۰ برابر بهتر از یک قطعه مشابه با قلاب ضعیف عمل می‌کند.
تطابق فرمت و پلتفرم
پلتفرم‌های مختلف پاداش‌های متفاوتی به فرمت‌ها می‌دهند. یک ایده محتوایی مشابه می‌تواند به عنوان یک تیک‌تاک وایرال شود، به عنوان یک یوتیوب شورت شکست بخورد و در اینستاگرام ناپدید شود. پیش‌بینی تطابق فرمت پلتفرم بسیار ارزشمند است.
برای مثال، نمایش‌های بسیار بصری همه‌جا کار می‌کنند اما در تیک‌تاک و اینستاگرام ریلز عالی ظاهر می‌شوند. محتوای آموزشی روی یوتیوب کار می‌کند اما در اینستاگرام با مشکل مواجه می‌شود.
تطابق سازنده و محتوا
یک سازنده خاص فرمت و مخاطب ثابت شده‌ای دارد. محتوایی که با الگوی تثبیت شده آن‌ها مطابقت دارد، به شکلی قابل پیش‌بینی عمل می‌کند. محتوایی که الگو را می‌شکند می‌تواند یا شکست بخورد (مخاطب سردرگم شود) یا به طور چشمگیری موفق شود (رشد الگوریتمی از سوی مخاطبان جدید درگیر).
زمان‌بندی و رقابت
محتوایی که در پنجره‌های کم‌رقابت‌تر منتشر می‌شود، عملکرد بهتری دارد. محتوایی که در جریان رویدادهای مهم متناسب با موضوعش منتشر شود، با علاقه پیرامونی تقویت می‌شود.
بار عاطفی
محتوایی که احساسات قوی (مثبت یا منفی) برمی‌انگیزد، عملکرد بهتری نسبت به محتوا با احساسات ضعیف دارد. مدل‌هایی که طبقه‌بندی احساسات را ادغام می‌کنند دائماً این سیگنال را می‌بینند. محتوای احساسی قوی ۲ تا ۴ برابر بهتر از محتوای احساسی ضعیف عمل می‌کند.
اثر انگشت‌های بصری یا صوتی منطبق با موفقیت‌های اخیر
محتوایی که از نظر بصری یا صوتی شبیه به محتوای موفق اخیر است تمایل دارد عملکرد خوبی داشته باشد. الگوریتم به آنچه کار می‌کند پاداش می‌دهد.
بخش‌های غیرقابل پیش‌بینی
سایر جنبه‌ها واقعاً تصادفی یا پیچیده‌تر از آن هستند که بتوان پیش‌بینی کرد:
- وایرال شدن قو سیاه: مقداری محتوا به دلایلی وایرال می‌شود که هیچ مدلی نمی‌تواند پیش‌بینی کند؛ مانند توییتی که به میم تبدیل می‌شود یا ویدیویی که یک لحظه فرهنگی را جذب می‌کند.
- تقویت اثر شبکه: وقتی یک محتوا به اینفلوئنسری می‌رسد که آن را به اشتراک می‌گذارد، می‌تواند ۱۰ تا ۱۰۰ برابر تکثیر شود.
- ویژگی‌های خاص فرهنگی: محتوایی که به زیرفرهنگ‌های خاص، لطیفه‌های درونی یا دانش خاص جامعه می‌پردازد.
- وایرال شدن ضد شهودی: گاهی اوقات محتوای عمدتاً بد، طعنه‌آمیز یا ضد الگو وایرال می‌شود زیرا انتظارات را می‌شکند.
مدل‌ها واقعاً برای چه چیزی خوب هستند؟
با در نظر گرفتن این موارد، کاربرد عملی مدل‌های پیش‌بینی وایرال چیست؟
- فیلتر کردن محتوا پیش از انتشار: پیش از انتشار ۱۰ قطعه محتوا، آن‌ها را از طریق مدل امتیازدهی کنید. تلاش بیشتری برای صیقل دادن موارد با امتیاز بالا صرف کنید.
- تست A/B واریانت‌ها: برای یک قطعه محتوا، نسخه‌های مختلفی تولید کنید و نسخه‌های با بالاترین امتیاز را تست کنید.
- اولویت‌بندی تولید: وقتی ۵۰ ایده و زمان ساخت ۵ مورد را دارید، مدل‌ها به شما کمک می‌کنند انتخاب کنید روی کدام ۵ مورد سرمایه‌گذاری کنید.
- شناخت ناهنجاری‌ها: مدلی که روی تاریخچه یک سازنده آموزش دیده می‌تواند قطعاتی که با الگوی آن‌ها مطابقت ندارد را پرچم‌گذاری کند.
برای اطلاعات بیشتر در زمینه بررسی عملکرد گذشته، می‌توانید ابزارهای تحلیلی مانند پست‌های اینستاگرام، ویدیوهای تیک‌تاک و ویدیوهای کانال یوتیوب را بررسی کنید تا داده‌های پایه‌ای خود را استخراج کنید.
چگونه این را در جریان کاری خود بسازیم؟
برای تیم‌های محتوایی و سازندگانی که می‌خواهند از داده‌ها استفاده کنند:
- پایه‌های خود را مشخص کنید: پیش از پیش‌بینی، وضعیت عادی خود را بدانید. نرخ تعامل در پست‌های معمولی شما چقدر است؟
- پیش‌بینی‌کننده‌های قابل اعتماد خود را شناسایی کنید: برای نوع محتوا و مخاطب خاص خود، کدام سیگنال‌های پیش‌بینی‌کننده عملکرد را پیش‌بینی می‌کنند؟
- سیستم امتیازدهی سبک بسازید: شما به هوش مصنوعی نیازی ندارید. یک جدول امتیازدهی ساده اغلب به خوبی یک مدل پیشرفته عمل می‌کند.
- عدم قطعیت را بپذیرید: بپذیرید که امتیاز بالا تضمین وایرال شدن نیست و امتیاز پایین تضمین شکست نیست.
- بر اساس آنچه واقعاً کار می‌کند تکرار کنید: پس از ۳ تا ۶ ماه استفاده از سیستم امتیازدهی، بررسی کنید چه چیزی واقعاً وایرال شده است.
بهترین تیم‌ها در عمل چه می‌کنند؟
- آن‌ها بیشتر تولید می‌کنند، نه کمتر. حجم بالا به جبران تصادفی بودن کمک می‌کند.
- آن‌ها به سرعت تکرار می‌کنند و در عرض ۲۴ ساعت روی موارد موفق سرمایه‌گذاری مجدد می‌کنند.
- آن‌ها داده‌های خودشان را بیشتر از ترندهای صنعت مطالعه می‌کنند.
- آن‌ها می‌پذیرند که مقداری محتوا شکست خواهد خورد.
- آن‌ها از هوش مصنوعی به عنوان ایده پرداز استفاده می‌کنند نه پیش‌بینی‌کننده.
- آن‌ها ارزش شبکه‌های توزیع را در کنار کیفیت محتوا ارزیابی می‌کنند.
منبع: sociavault