⚡Introducción:
La construcción y desarrollo de un canal de YouTube poderoso comienza con la comprensión de tu audiencia. Esto implica responder a una serie de preguntas cruciales:
✅¿Tus videos atraen a tu audiencia?
✅¿Estás generando interés entre los espectadores?
✅¿De dónde provienen tus espectadores?
✅¿Deseas monetizar tu canal de YouTube, pero no sabes en qué contenido invertir más esfuerzos?
Estas son solo algunas de las interrogantes que surgen cuando buscas construir una presencia efectiva en YouTube. Una de las mejores herramientas para obtener respuestas a estas preguntas es la analítica de YouTube.
La herramienta de análisis de YouTube ofrece una gran cantidad de datos que pueden proporcionarte información valiosa sobre el rendimiento de tu canal y su contenido. Sin embargo, para los recién llegados, esta herramienta puede resultar abrumadora.
Algunos profesionales del marketing tienden a obsesionarse con métricas, realizando un seguimiento de una multitud de ellas. Existen numerosos KPIs, algunos de los cuales ofrecen información esencial, pero elegir las métricas adecuadas es crucial para evitar sentirte abrumado por el exceso de datos.
En este artículo, te invito a explorar un análisis detallado de los datos de YouTube y aprender cómo trabajar con las métricas para beneficiar tu estrategia.
Si sabes cómo analizar tus datos, no solo te mantendrás a flote en el vasto océano de YouTube, sino que también nadarás con confianza hacia el éxito.
Empezamos de inmediato con nuestro análisis:
Sección 1: Análisis de Sentimientos en Comentarios
🔵Subtítulo 1.1: Estructura de la tabla de Datos en análisis:
El conjunto de datos con el que trabajaremos consta de 4 columnas y alrededor de 691,375 filas. Vamos a centrarnos en las siguientes columnas:
🔵Subtítulo 1.2: Análisis de Sentimientos
Nuestro objetivo aquí es analizar los sentimientos de los usuarios al visualizar los videos. Queremos determinar si experimentan emociones positivas o negativas, como amor, alegría, odio o tristeza. Utilizaremos dos métricas clave: POLARITY (que mide el grado de emoción de una frase, variando de negativo a positivo) y SUBJECTIVITY (que refleja la subjetividad de una frase).
Conclusión del Análisis de Sentimientos:
Hemos identificado dos tipos de sentimientos en los comentarios de los usuarios: negativos y positivos. Los comentarios negativos se asocian a palabras como "horrible", "terrible" e "insane", mientras que los positivos están relacionados con términos como "perfect", "best" y "awesome".
Este gráfico que es un wordcloud respecto a los comentarios negativos:
Este gráfico que es un wordcloud respecto a los comentarios positivos:
El análisis de sentimientos es una poderosa herramienta que permite comprender las emociones de los clientes, que es un factor bastante importante cuando se trata del reconocimiento del producto y la marca, la lealtad del cliente, la satisfacción del cliente, el éxito de la publicidad y la promoción, y la aceptación del producto.
🔵Subtítulo 1.3: Análisis de Emojis en Comentarios (Analizar los Emojis que utilizan los users en sus comentarios)
Los emojis, aunque no pueden clasificarse con precisión, pueden proporcionar información valiosa sobre el sentimiento general. Este análisis nos permitirá comprender cómo se siente la audiencia en relación con los videos y si las publicaciones generan emociones positivas o negativas.
En el data hemos llegado algunas conclusiones:
Los Top 10 emojis más utilizados son:
La frecuencia de emojis TOP 10:
Conclusión del Análisis de Emojis:
Hemos identificado los 10 emojis más utilizados en los comentarios, con el emoji de "Risas con lágrimas" siendo el más frecuente. Estos emojis proporcionan insights sobre la psicología de la audiencia y ayudan a comprender su percepción de los videos.
🔵Subtítulo 1.4: Análisis de Categorías con Mayor Cantidad de "Likes"
En este análisis, exploraremos las categorías de videos con la mayor cantidad de "likes", lo que nos permitirá identificar las preferencias de la audiencia y entender qué tipos de contenido generan más engagement.
Conclusión del Análisis de Categorías:
La categoría de "Música" lidera en términos de "likes" con más de 5 millones, seguida de "Entretenimiento" y "Sin fines de lucro y Activismo (Nonprofits & Activism)". Por otro lado, las categorías con menos "likes" son "Trailers", "Movies" y "Shows".
La categoría con más likes es categoría Music con más de 5 millones de Likes, seguida de la categoría de Entertainment e Nonprofits & Activism.
Las categorías con menos likes son Trailers, Movies y Shows.
🔵Subtítulo 1.5: Medición del Compromiso de la Audiencia (si la audiencia está o no comprometida con el canal)
Hemos calculado la tasa de "likes" y hemos identificado las categorías con mayor engagement, como "Música", "Comedia", "Entretenimiento" y "Sin fines de lucro y Activismo".
🔵Subtítulo 1.6: Correlación entre "Views", "Likes" y "Dislikes"
Todos los indicadores muestran correlaciones positivas, destacando la alta correlación entre "likes" y "views".
LA CORRELACION ES ALTA Y DIRECTA, o sea, cuanto mayor es el numero views mayor será el número de likes.
🔵Subtítulo 1.7: Canales con Mayor Número de Videos Tendencia
He utilizado la variable channel_title, he agrupado mi dataset por esta variable y he contado todos los títulos que tenemos dentro del dataset y el resultado ha sido el siguiente Dataframe:
He identificado los canales con la mayor cantidad de videos que se vuelven tendencia, siendo "The Late Show with Stephen Colbert" el líder con 984 videos.
El segundo canal WWE tiene es el segundo canal con el segundo máximo de número de vídeos que son tendencia 804.
Gráficamente podemos ver los 20 Top canales de Youtube cuyos los vídeos son tendencia:
🔵Subtítulo 1.8: Relación entre Puntuaciones en el Título y las Interacciones
¿Las puntuaciones en el título y las etiquetas tienen alguna relación con las opiniones, los gustos y los comentarios?
Analizamos si las puntuaciones en el título de los videos están relacionadas con las interacciones, como "views", "likes" y "dislikes".
Tenemos que extraer del texto que está subido a las etiquetas del canal la puntuación, utilizaré el módulo string para que me ayude con esta tarea.
Vamos a usar la variable df[‘title’] y obtendremos lo siguiente:
Ejemplo de dos frases que están dentro de nuestro dataframe y el resultado de contar la puntuación ha sido:
Representamos el resultado de contar la puntuación y su relación con la variable Views:
Presento a continuación los resultados del análisis de la puntuación y su relación con la variable "Views" (visualizaciones):
Este grafico indica que, al utilizar 2 puntuaciones, observamos un aumento en las visualizaciones y al incluir 3 puntuaciones, experimentamos un incremento aún mayor, alcanzando un total de 137.8 millones de visualizaciones.
Para validar la relación entre el número de puntuaciones y las visualizaciones, calculamos la correlación entre ambas variables:
Correlación entre el total de puntuaciones y visualizaciones: df['count_punc'].corr(df['views']) = 0.06510009783044877
Este resultado confirma una correlación lineal positiva y directa entre el número de puntuaciones y las visualizaciones. En otras palabras, existe un 7% de probabilidad de que un aumento en el número total de puntuaciones se traduzca en un aumento en la cantidad de visualizaciones.
✔️Resumiendo:
En resumen, el análisis de datos en YouTube puede proporcionar información valiosa para adelantarse a las tendencias, superar obstáculos y optimizar el rendimiento de tu canal. La personalización de datos te permite centrarte en lo esencial y comprender lo que funciona, lo que te ayudará a alcanzar tus objetivos. Si estás interesado en el análisis de datos para tus redes sociales, blogs, e-commerce u otras plataformas, este artículo te brinda una propuesta para aprovechar al máximo tus datos y obtener información relevante para tu estrategia.
Comments