YouTubeチャンネルを運営していると、「この動画は伸びた」「今回はあまり再生されなかった」と感覚的に判断することが多くあります。
しかし、複数の動画を継続的に投稿していると、感覚だけでは原因を判断するのが難しくなります。
そこで役立つのが、YouTube Analyticsのデータを整理して、動画ごとの傾向を比較する方法です。
この記事では、プログラミングやデータ分析に興味がある人向けに、YouTubeチャンネルのデータを見るときに注目したいポイントを整理します。
- 再生回数だけでは動画の評価はできない
最初に確認しやすいのは再生回数です。
例えば、
動画A：50,000回再生
動画B：15,000回再生
という結果だった場合、多くの人は動画Aの方が成功していると考えるでしょう。
しかし、これだけでは十分な比較になりません。
動画の長さや平均視聴時間、クリック率、登録者の増加数などを一緒に見る必要があります。
例えば動画Aが短時間で大量の再生を獲得した一方で、動画Bは視聴者が長時間視聴し、登録者も多く増えている可能性があります。
そのため、動画を評価するときは複数の指標を組み合わせることが重要です。
- 最低限チェックしたいデータ
YouTubeチャンネルを分析する場合、次のような項目を表にまとめると比較しやすくなります。
項目 確認するポイント
Views どの動画が多く再生されたか
Watch Time 視聴者がどれだけ長く見たか
Average View Duration 1回の視聴で平均何分見られたか
CTR サムネイルやタイトルがクリックされた割合
Subscribers 動画から登録者がどれだけ増えたか
Traffic Source 視聴者がどこから来たか
Audience Retention 動画のどこで離脱したか
このデータを動画単位で保存しておけば、後から傾向を比較できます。
- Pythonでデータを整理すると分かりやすい
動画数が少ないうちは手作業でも問題ありません。
しかし、100本、200本と動画が増えてくると、ExcelやCSVにデータを保存してPythonで分析する方法が便利になります。
例えば、CSVファイルに次のようなデータがあるとします。
title,views,watch_time,ctr,subscribers
動画A,50000,4200,6.8,420
動画B,15000,3900,8.2,380
動画C,28000,5100,7.4,510
PythonのPandasを利用すれば、データを読み込んで簡単に比較できます。
import pandas as pd
df = pd.read_csv("youtube_data.csv")
print(df.head())
print("平均再生回数:", df["views"].mean())
print("平均CTR:", df["ctr"].mean())
top_videos = df.sort_values(
by="views",
ascending=False
).head(10)
print(top_videos)
このようにすると、手作業で1本ずつ確認するよりも効率的に動画を比較できます。
- 「再生数が高い動画」を探すだけでは不十分
データ分析で面白いのは、単純なランキングではありません。
例えば、
再生数は高い
↓
しかし登録者増加は少ない
という動画があれば、その動画は「多くの人に見られたが、チャンネルへの興味にはつながりにくかった」と考えることができます。
逆に、
再生数は平均的
↓
登録者増加が非常に高い
という動画があれば、その動画はチャンネルのコア視聴者を作るコンテンツかもしれません。
つまり、
Viewsだけではなく、ViewsとSubscribersの関係を見る
ことが重要です。
- CTRと視聴維持率を組み合わせる
もう一つ面白い分析方法があります。
それがCTRと視聴維持率の比較です。
例えば、
CTRが高い・維持率も高い
タイトルとサムネイルが興味を引き、さらに動画内容も期待に応えている可能性があります。
このタイプの動画は、今後のコンテンツ企画を考える際の参考になります。
CTRが高い・維持率が低い
タイトルやサムネイルによってクリックはされたものの、動画の内容が視聴者の期待と一致していない可能性があります。
CTRが低い・維持率が高い
動画自体は良いのに、タイトルやサムネイルが十分にクリックされていない可能性があります。
この場合は、コンテンツを作り直すよりも、タイトルやサムネイルの改善を試す価値があります。
もちろん、実際の原因は動画ごとに異なるため、これらはあくまで分析の出発点です。
- 時系列データを見る
1日単位の数字だけを見ると、偶然の変動に影響されることがあります。
そこで、
7日間
30日間
90日間
などの期間でデータを比較すると、チャンネル全体のトレンドを把握しやすくなります。
例えば、30日間の再生数を記録して、
df["date"] = pd.to_datetime(df["date"])
monthly = (
df.groupby(df["date"].dt.to_period("M"))["views"]
.sum()
)
print(monthly)
のように集計すれば、月ごとの変化を確認できます。
さらにグラフ化すれば、急激に伸びた時期や、パフォーマンスが落ちた時期も見つけやすくなります。
- Shortsと長尺動画を分けて分析する
YouTubeではShortsと長尺動画を同じ基準で比較しない方がよい場合があります。
Shortsは短時間で大量の視聴を集めることがあります。
一方、長尺動画では視聴時間や継続的なチャンネル視聴が重要になるケースがあります。
そのため、データセットに、
video_type
という列を追加して、
Shorts
Long-form
のように分類すると分析しやすくなります。
例えばPythonでは、
shorts = df[df["video_type"] == "Shorts"]
longform = df[df["video_type"] == "Long-form"]
print("Shorts平均再生数:", shorts["views"].mean())
print("Long-form平均再生数:", longform["views"].mean())
のように比較できます。
- チャンネルを評価するときもデータを確認する
YouTubeチャンネルを自分で育てる場合だけでなく、既存チャンネルを研究したり、チャンネルの購入を検討したりする場合にもデータ確認は重要です。
登録者数だけを見ると、チャンネルの現在の状態を正確に判断できないことがあります。
例えば、
最近の再生数
動画投稿の頻度
コンテンツジャンル
視聴者との関連性
過去と現在のパフォーマンス
収益化状況
チャンネルの運営履歴
などを総合的に確認する必要があります。
既存のチャンネルを比較したい場合は、TubeYtの日本語ページのようなチャンネルマーケットプレイスを参考にして、掲載情報を比較する方法もあります。
ただし、購入を検討する場合は、掲載情報だけで判断せず、実際のデータや取引条件、チャンネル移行に関する手順などを事前に確認することが大切です。
まとめ
YouTube Analyticsは、単に「再生数を見るための画面」ではありません。
データを蓄積して分析すると、
どの動画が伸びているのか
どの動画が登録者を増やしているのか
CTRに問題があるのか
視聴者がどこで離脱しているのか
Shortsと長尺動画のどちらが目的に合っているのか
といったことを考えるための材料になります。
特にPythonやPandasなどを使える人であれば、CSVや分析データを整理して、自分専用のYouTube分析ダッシュボードを作ることもできます。
YouTube運営を「感覚」だけで行うのではなく、
データ → 分析 → 仮説 → 改善 → 再分析
というサイクルにすると、コンテンツ改善の方向性が見えやすくなります。
YouTubeを本格的に運営している方は、一度自分のチャンネルデータを表にまとめて、動画ごとの違いを比較してみることをおすすめします。