5 分で読了
0 views

YouTubeにおけるコラボレーションの定量解析

(Collaborations on YouTube: From Unsupervised Detection to the Impact on Video and Channel Popularity)

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下から「YouTubeでコラボしろ」と言われて困っているんですよ。そもそもコラボがどれだけ効果があるのか、定量的な話を聞いたことがなくて。これって本当に投資に見合うんですか?

AIメンター拓海

素晴らしい着眼点ですね!大丈夫、一緒に整理しましょう。要点は三つです。第一に、今回の研究は大規模にコラボを検出して、その効果を数値で示した点です。第二に、どのようなチャネル同士が組むか(パートナー選定)を分析しています。第三に、コラボ動画が動画単位とチャネル単位でどれだけ成長を生むかを示しているんですよ。

田中専務

なるほど。でも、どうやって「コラボしてるか」を自動で見つけるんですか。タイトルや説明に書いてないことも多いでしょう?現場はそこが一番不安なんです。

AIメンター拓海

良い質問ですよ。ここは顔認識のアイデアを使っています。身近な例で言うと、会議の写真から誰が参加しているかを名簿で確認するような作業です。動画のフレームから出演者の顔を検出し、顔の特徴を数値(ベクトル)化して、複数チャネルで同じ人物が出ているかを照合しています。専門用語は出しましたが、要するに「顔の一致でコラボを見つける」仕組みです。

田中専務

これって要するに、顔が一致したら「AさんがBさんのところに出ている」と判断する、ということですか?そうだとすると、マスクや暗い照明だとどうなるんですか?

AIメンター拓海

その通りです。ただし実運用では光の変化や角度、被り物といったノイズがあるため、研究ではYouTube向けに耐性のある顔検出と照合の工夫を行っています。どうしても誤認が出るので、しきい値を調整して精度と網羅性のバランスを取り、結果を統計的に扱うのが肝心です。現場導入では小さな誤差は受け入れて、全体の傾向から判断する方法が現実的ですよ。

田中専務

投資対効果の話に戻しますが、実際どれくらい増えるんですか。登録者とか視聴回数がどの程度改善するのか、ざっくりでも教えてください。

AIメンター拓海

素晴らしい着眼点ですね!研究では、コラボ動画が非コラボ動画に比べて視聴者の増加や登録者の増加で大きな差を示すことが報告されています。具体的には、あるケースで登録者数が100%以上増えることも珍しくないとされています。ただし効果は一様ではなく、チャネルの規模やMCN(Multi-Channel Network、マルチチャネルネットワーク)の関与、視聴者層の重なりによって差が出ます。

田中専務

MCNっていうのは業界のプレーヤーですね。うちはそこまでやらないと思いますが、パートナー選びのコツみたいなものはありますか。無駄な投資は避けたいものでして。

AIメンター拓海

素晴らしい着眼点ですね!パートナー選定では三つの観点が有効です。第一に視聴者層の重なり度合い、第二にチャネル規模の相性(あまりに差があると効果が偏る)、第三に過去のコラボ頻度や成功実績です。研究はこれらをデータで示しており、特に視聴者層の重なりが高い組み合わせほど効率良く登録者増加に繋がる傾向を示しています。

田中専務

要するに、顔認識でコラボを検出して、データで効く組み合わせを見つけるということですね。わかりました。最後に、うちの現場で取り組むときの第一歩を教えてください。

AIメンター拓海

大丈夫、必ずできますよ。まず小さく始めて観測することが大切です。具体的には自社の既存動画から出演者の顔や出演パターンを整理し、過去投稿の変化から基準となるKPI(Key Performance Indicator、主要業績評価指標)を決めます。それから、近い属性のチャネルと1回だけの試験的コラボを行って数値を比較するのが安全です。

田中専務

なるほど。まずは社内データから傾向を掴んで、低コストで試してみるわけですね。了解しました。では私の言葉でまとめます。顔ベースの自動検出でコラボを特定し、視聴者層やチャネル相性を見て小さく試行し、得られたデータで本格展開を判断する、という流れで間違いないでしょうか。

AIメンター拓海

その通りです!素晴らしい着眼点ですね。短期的な効果と長期的なブランド適合の両方を見ながら進めれば、リスクを抑えて効果を最大化できますよ。

監修者

阪上雅昭(SAKAGAMI Masa-aki)
京都大学 人間・環境学研究科 名誉教授

論文研究シリーズ
前の記事
Twitterが明かす抗議行動予測
(Twitter Reveals: Using Twitter Analytics to Predict Public Protests)
次の記事
深く正規化された深度画像による堅牢な顔認識
(Robust Face Recognition with Deeply Normalized Depth Images)
関連記事
コンピュータネットワークにおける敵対的攻撃の転送性の解明
(Unscrambling the Rectification of Adversarial Attacks Transferability across Computer Networks)
合成表形式データ生成の再構想 — Reimagining Synthetic Tabular Data Generation through Data-Centric AI
Enhancing Arterial Blood Flow Simulations through Physics-Informed Neural Networks
(物理拘束ニューラルネットワークによる動脈血流シミュレーションの強化)
誤り訂正符号トランスフォーマ:非統一から統一へ
(ERROR CORRECTION CODE TRANSFORMER: FROM NON-UNIFIED TO UNIFIED)
四種類のSAT問題を統一的に解く整数計画と強化学習の枠組み
(General Method for Solving Four Types of SAT Problems)
非線形リカレントニューラルネットワークの逆近似理論
(Inverse Approximation Theory for Nonlinear Recurrent Neural Networks)
この記事をシェア

有益な情報を同僚や仲間と共有しませんか?

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
(Black hole/quantum machine learning correspondence)
生成AI検索における敏感なユーザークエリの分類と分析
(Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System)
DiReDi:AIoTアプリケーションのための蒸留と逆蒸留
(DiReDi: Distillation and Reverse Distillation for AIoT Applications)

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に!
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む