Analýza metrík a faktorov virality YouTube kanálu

Cílem této práce je analyzovat metriky a faktory ovlivňující viralitu videí na YouTube, konkrétně na základě dat z autorova vlastního YouTube kanálu. Teoretická část poskytuje přehled o platformě YouTube, jejím doporučujícím algoritmu a klíčových metrikách používaných pro hodnocení úspěšnosti videí. Věnuje se také technikám analýzy sentimentu a její použitelnosti v kontextu YouTube. Analytická část využívá deskriptivní metody, korelační analýzy a regresní modely k odhalení klíčových prediktorů výkonnosti videa. Výsledky naznačují, že zatímco délka videa a frekvence zveřejňování významně ovlivňují sledovanost, sentiment názvu má zanedbatelný vliv nejen na sledovanost, ale také na metriky zapojení publika, jakými je míra prokliků po zobrazení a míra udržení publika. Bylo zjištěno, že přítomnost placeného sponzorství pozitivně ovlivňuje míru zapojení, což naznačuje, že dobře integrované sponzorované příspěvky mohou zvýšit interakci s diváky. Kromě toho regresní modely odhalily, že délka videa a frekvence zveřejňování videí jsou významnými prediktory sledovanosti videí. Praktická doporučení pro tvůrce obsahu na YouTube zdůrazňují význam vyvážené obsahové strategie, která kombinuje konzistentnost, optimalizaci délky videa, efektivní zapojení diváků a vysokou kvalitu obsahu. Tyto poznatky mohou tvůrcům obsahu pomoci zvýšit úspěšnost jejich videí a také přispět k širšímu pochopení doporučujícího algoritmu platformy YouTube a analytiky sociálních sítí.

The aim of this thesis is to analyse the metrics and factors influencing the virality of YouTube videos, specifically using data from the author's own YouTube channel. The theoretical part provides a comprehensive overview of the YouTube platform, its recommendation algorithm, and the key performance metrics used to evaluate video success. It also delves into sentiment analysis techniques and their applicability in the context of YouTube. The analytical part employs both descriptive and inferential statistical methods, including correlation analysis and regression models, to uncover the key predictors of video performance. The results indicate that while video length and posting frequency significantly impact video views, title sentiment has a negligible influence on engagement metrics like click-through rates and audience retention. The presence of paid sponsorships was found to positively affect engagement rates, suggesting that well-integrated sponsorships can enhance viewer interaction. Furthermore, multiple regression models revealed that video length and frequency of posting videos are significant predictors of video views. The practical recommendations for YouTube content creators emphasize the importance of a balanced content strategy that combines consistency, video length optimization, effective audience engagement and content quality. These insights can help content creators enhance their video performance and also contribute to the broader understanding of YouTube's algorithm and social media analytics.