الگوریتم یوتیوب واقعاً چگونه بین نرخ کلیک و زمان تماشا تعادل ایجاد می‌کند؟

از هر یوتیوبر تازه‌کاری بپرسید مهم‌ترین چیز در یوتیوب چیست، بدون معطلی می‌گوید: «تامنیل». در فروم‌های تولیدکنندگان محتوا، آژانس‌های تبلیغاتی و بین گوروهای رشد شبکه‌های اجتماعی، این باور رایج است که نرخ کلیک (CTR) پادشاه بلامنازع الگوریتم است. منطقشان هم ظاهراً مو لای درزش نمی‌رود: اگر بیننده روی ویدیو کلیک نکند، نمی‌تواند آن را ببیند؛ پس کلیک اولیه، بزرگ‌ترین خوانی است که باید از آن گذشت. اما داده‌های تیم‌های مهندسی خود پلتفرم و شرکت‌های مستقل تحلیل داده، داستان متفاوت و بسیار پیچیده‌تری از نحوه اندازه‌گیری توجه انسان روایت می‌کنند.[2][3]

واقعیت موتور پیشنهادگر در سال ۲۰۲۶ این است که مثل یک بندباز ماهر، بین دو مرحله کاملاً مجزا از رفتار کاربر تعادل ایجاد می‌کند: «وعده» و «عمل». وعده با نرخ کلیک سنجیده می‌شود؛ یعنی چند درصد از آدم‌هایی که تامنیل ویدیو را در فید خود دیده‌اند، روی آن کلیک کرده‌اند. اما عمل، با زمان تماشا و میزان حفظ مخاطب اندازه‌گیری می‌شود؛ یعنی این بیننده‌ها واقعاً چقدر پای تماشای محتوا نشسته‌اند. وقتی این دو معیار با هم همخوانی نداشته باشند، الگوریتم مثل یک ناظم سخت‌گیر وارد عمل می‌شود.[3][5]

این سیستم دوگانه از دل یک بحران متولد شد. تا پیش از سال ۲۰۱۲، الگوریتم یوتیوب به شدت روی تعداد خام کلیک‌ها متمرکز بود؛ چیزی که ناخواسته به فرهنگ طعمه‌کلیک‌های (Clickbait) اعصاب‌خردکن دامن زد. تولیدکنندگان محتوا خیلی زود یاد گرفتند که یک تصویر جنجالی در کنار یک تیتر فریبنده می‌تواند میلیون‌ها بازدید بیاورد، حتی اگر خود ویدیو فقط ده ثانیه باشد یا اصلاً ربطی به تیتر نداشته باشد. در آن زمان، پلتفرم به «کلیک» پاداش می‌داد، نه به «تجربه کاربری».[2]

برای حل این افتضاح، یوتیوب معماری هسته خود را از بیخ و بن بازنویسی کرد تا زمان تماشا را در اولویت قرار دهد. همان‌طور که وبلاگ رسمی یوتیوب در کالبدشکافی سیستم خود در سال ۲۰۲۱ به صراحت اشاره می‌کند: «سیستم پیشنهادگر ما برای کلیک‌ها بهینه‌سازی نمی‌شود، بلکه برای رضایت کاربر بهینه‌سازی می‌شود.» هدف از صرفاً ترغیب کاربر به باز کردن یک ویدیو، به نگه داشتن او در پلتفرم برای طولانی‌ترین زمان ممکن تغییر کرد. یک ویدیوی ۱۵ دقیقه‌ای که بتواند ۱۰ دقیقه توجه مخاطب را جلب کند، برای الگوریتم بسیار ارزشمندتر از یک ویدیوی ۲ دقیقه‌ای شد که تا آخر دیده شده است.[2]

با این حال، پاندول کاملاً از سمت کلیک اولیه دور نشده است. بر اساس تحلیل سال ۲۰۲۶ شرکت ThumbnailCreator، یک نرخ کلیک سالم همچنان کاتالیزوری حیاتی برای آزمایش‌های الگوریتمی است. در میان میلیون‌ها ویدیوی بررسی‌شده، میانگین نرخ کلیک چیزی بین ۲ تا ۱۰ درصد در نوسان است. وقتی ویدیوی جدیدی منتشر می‌شود، سیستم آن را به گروه کوچکی از مخاطبان اولیه (مشترکین وفادار و بینندگان همیشگی) نشان می‌دهد. اگر نرخ کلیک در این گروه آزمایشی قوی باشد (معمولاً بالای ۸ درصد)، الگوریتم دسترسی ویدیو را به مخاطبان گسترده‌تر و مرتبط‌تر بسط می‌دهد.[5]

درست همین‌جاست که تنش بین این دو معیار حیاتی می‌شود. وقتی ویدیو به سمت مخاطبان وسیع‌تر و ناآشناتر هل داده می‌شود، نرخ کلیک به طور طبیعی افت می‌کند. ویدیویی که با نرخ کلیک ۱۲ درصدی در بین طرفداران دوآتشه شروع شده، وقتی به عموم مردم نشان داده می‌شود ممکن است به ۴ درصد سقوط کند. الگوریتم انتظار این افت را دارد. اما چیزی که در این فاز گسترش با دقت زیر نظر می‌گیرد، نمودار حفظ مخاطب است: یعنی این بینندگان جدید دقیقاً چند درصد از ویدیو را تماشا می‌کنند.[3][5]

داده‌های پلتفرم تحلیلی PrePublish دقیقاً نشان می‌دهد که الگوریتم چگونه نسخه مدرن طعمه‌کلیک را نقره‌داغ می‌کند. محققان آن‌ها دریافتند که ترکیب نرخ کلیک بالا با ریزش شدید مخاطب در ۳۰ ثانیه اول، قوی‌ترین سیگنال منفی است که یک ویدیو می‌تواند ارسال کند. اگر ویدیویی به نرخ کلیک خیره‌کننده ۱۵ درصدی برسد اما ۷۰ درصد مخاطبانش را در همان دقیقه اول از دست بدهد، موتور پیشنهادگر این را به عنوان یک «وعده دروغین» تفسیر می‌کند. به قول معروف، تامنیل چکی کشیده که محتوای ویدیو در پاس کردن آن ناتوان بوده است.[3]

وقتی این «جریمه طعمه‌کلیک» فعال می‌شود، الگوریتم به سرعت ترمز توزیع ویدیو را می‌کشد و عملاً جلوی رشد آن را می‌گیرد. در نقطه مقابل، ویدیویی با نرخ کلیک متوسط ۳ درصد اما میانگین زمان تماشای استثنایی (مثلاً حفظ ۶۰ درصد مخاطبان تا بعد از دقیقه پنجم)، اغلب رشد آهسته اما پیوسته‌ای را تجربه می‌کند. سیستم متوجه می‌شود که هرچند شاید بسته‌بندی ویدیو برای همه جذاب نباشد، اما خود محتوا برای کسانی که روی آن کلیک کرده‌اند به شدت رضایت‌بخش است.[3][6]

تحقیقات آکادمیک هم مهر تاییدی بر این پویایی می‌زنند. مطالعه‌ای که در ژورنال بین‌المللی محاسبات و ارتباطات فراگیر منتشر شده، اهمیت نسبی این معیارها را بررسی کرده و به این نتیجه رسیده که اگرچه نرخ کلیک، شتاب اولیه رشد یک ویدیو را تعیین می‌کند، اما این زمان تماشاست که سرعت نهایی و ماندگاری آن را رقم می‌زند. ویدیوهایی که به موفقیت‌های بلندمدت و همیشه‌سبز می‌رسند، تقریباً همیشه در حفظ مستمر مخاطب نمره بالاتری نسبت به نرخ کلیک اولیه می‌گیرند.[1]

در سال‌های اخیر، این چشم‌انداز حتی پیچیده‌تر هم شده است. بر اساس گزارش سال ۲۰۲۶ موسسه OutlierKit، یوتیوب به طور فزاینده‌ای معیارهای کیفی را روی معیارهای کمی سوار کرده و به سمت یک مدل جامع از «رضایت بیننده» حرکت کرده است. این مدل شامل نظرسنجی‌های پس از تماشا، لایک‌ها، اشتراک‌گذاری‌ها و دکمه «علاقه‌مند نیستم» می‌شود. ویدیویی که زمان تماشای بالایی دارد اما باعث می‌شود کاربر بلافاصله پس از آن اپلیکیشن را ببندد، امتیاز کمتری نسبت به ویدیویی می‌گیرد که کاربر را ترغیب می‌کند در همان نشست، سه ویدیوی دیگر را هم تماشا کند.[4]

برای تولیدکنندگان محتوا، این واقعیت ریاضی به معنای یک تغییر اجباری در استراتژی تولید بوده است. موفق‌ترین کانال‌ها دیگر تامنیل و ویدیو را به چشم دو موجودیت جداگانه نگاه نمی‌کنند. در عوض، آن‌ها ۳۰ ثانیه اول ویدیو (همان قلاب) را طوری مهندسی می‌کنند که مستقیماً پاسخگوی وعده بصری و متنی تامنیل باشد. اگر تامنیل یک انفجار را نشان می‌دهد، آن انفجار باید در همان لحظات ابتدایی رخ دهد یا حداقل به وضوح وعده داده شود.[3][5]

همین همسویی است که باعث شده تست A/B روی تامنیل‌ها به یک استاندارد در این صنعت تبدیل شود. با آزمایش چند گزینه مختلف برای بسته‌بندی ویدیو در همان ساعات اولیه انتشار، یوتیوبرها می‌توانند تصویری را پیدا کنند که بدون فریب دادن بیننده و لطمه زدن به حفظ مخاطب، نرخ کلیک را به حداکثر برساند. این یک تنظیم و کالیبراسیون دائمی بین «جذابیت گسترده» و «بازنمایی دقیق» است.[5]

علاقه الگوریتم به زمان تماشا، دلیل گرایش کلی پلتفرم به سمت محتواهای طولانی‌تر را هم توضیح می‌دهد. ده سال پیش، میانگین زمان یک ویدیوی وایرال زیر چهار دقیقه بود. اما امروز، جستارهای ویدیویی، ویدیوهای تحلیلی عمیق و پادکست‌های طولانی به راحتی از مرز یک ساعت عبور می‌کنند و فیدهای پیشنهاد را قبضه کرده‌اند. حساب و کتابش ساده است: نرخ حفظ مخاطب ۱۰ درصدی برای یک ویدیوی دو ساعته، باز هم ۱۲ دقیقه زمان تماشا به همراه دارد؛ چیزی که برای پلتفرمی که توجه کاربران را به تبلیغ‌دهندگان می‌فروشد، به شدت ارزشمند است.[2][4]

با این وجود، این سیستم یکپارچه و خشک نیست. وزن دادن به نرخ کلیک در برابر زمان تماشا، بسته به اینکه کاربر کجای پلتفرم قرار دارد، تغییر می‌کند. در صفحه اصلی یوتیوب، جایی که کاربران بی‌هدف در حال چرخیدن هستند، نرخ کلیک بالا وزن زیادی دارد تا توجه‌های سرگردان را شکار کند. اما در نوار کناری «ویدیوی بعدی»، جایی که کاربر از قبل درگیر تماشاست، الگوریتم به ویدیوهایی اولویت می‌دهد که سابقه زمان تماشای بالایی دارند و از نظر موضوعی به ویدیوی فعلی مرتبط هستند.[2][3]

دوران دور زدن سیستم با ترفندهای روان‌شناختی ارزان‌قیمت تا حد زیادی به سر آمده است. الگوریتم مدرن یوتیوب یک دروغ‌سنج به شدت حساس است که مدام فاصله بین وعده تولیدکننده محتوا و چیزی که واقعاً ارائه می‌دهد را اندازه می‌گیرد. در نهایت، ریاضیات به شدت به نفع کسانی است که اعتماد واقعی مخاطبانشان را جلب می‌کنند؛ و این ثابت می‌کند که در بزرگ‌ترین پلتفرم ویدیویی اینترنت، بالاخره «محتوای اصیل» به پیش‌شرطی برای «دیده شدن» تبدیل شده است.[4][6]