Вступление
YouTube часто воспринимается как универсальная платформа: здесь можно учиться, следить за новостями, смотреть обзоры, слушать музыку или просто отдыхать. Но если посмотреть на данные о трендовых видео, становится видно, что внимание распределяется неравномерно.
Этот проект исследует, какие типы контента получают больше просмотров внутри трендов YouTube: развлекательные, познавательные или смешанные категории. Главный вопрос инфографики — что чаще оказывается в центре зрительского внимания: желание узнать новое или желание развлечься?
Идея проекта
Идея проекта — показать насколько неравномерно распределяется популярность у развлекательного и познавательного контента.
В инфографике же, было решено сравнивать три типа контента:
Развлекательный контент — музыка, игры, спорт, комедия, шоу, кино и анимация. Познавательный контент — образование, новости, наука, технологии, инструкции и обучающие видео. Другое — блоги, путешествия, животные, авто, активизм и смешанные категории.
Такое разделение позволяет более точечно определить популярность нужных нам категорий контента.
Почему выбрана эта тема
Во время выбора темы проекта, я решил немного отвлечься и зашёл на YouTube, не с намерением развлечься, а найти какую-то интересную для изучения тему. Проскролив две минуты я осознал, что повторяющийся развлекательный контент составляет 90% моих рекомендаций и найти среди этого что-то действительно интересное очень проблематично. Это и натолкнуло меня на выбор такой темы.
Изначально я не хотел опираться только на тренды, но, к моему удивлению, в сети очень мало хороших датасетов с нужными мне данными. И тот что я выбрал, опирается как раз на тренды YouTube.
Цель проекта
Цель проекта — сравнить, как внутри трендов YouTube распределяется внимание между развлекательным, познавательным и прочим контентом.
В качестве главной метрики используются просмотры, потому что они лучше всего показывают, какой тип видео получает больше зрительского внимания. Дополнительно сравнивается количество самих видео, динамика по годам и различия между регионами.
Польза инфографики
Инфографика помогает быстро увидеть, какой контент сильнее доминирует в трендах YouTube.
Она может быть полезна авторам видео, дизайнерам, исследователям медиа и обычным зрителям, потому что показывает разницу между количеством контента и реальным вниманием аудитории. Например, одна категория может занимать меньшую долю видео, но собирать больше просмотров, чем другие.
Источник данных
Для проекта использован открытый датасет Kaggle YouTube Trending Video Dataset. (ссылка кликабельна)
В нём собраны данные о видео, которые попадали в тренды YouTube в разных странах и регионах. В таблицах есть название видео, канал, категория, дата публикации, дата попадания в тренды, количество просмотров, лайков, комментариев и другие параметры.
Категории видео расшифровывались через JSON-файлы, где каждому category_id соответствует название категории: Music, Entertainment, Gaming, Education, Science & Technology и другие.
К моему сожалению, данные здесь ранжируются только от 2021 до 2024 года, но это единственный адекватный датасет, который я смог найти.
Обработка данных и пайплайн
Данные были подготовлены в Google Таблицах. Сначала исходные CSV-файлы были очищены и сопоставлены с JSON-файлами категорий, чтобы вместо category_id получить понятные названия: Music, Entertainment, Gaming, Education, Science & Technology и другие.
Так как одно и то же видео могло находиться в трендах несколько дней подряд, строки нельзя было просто суммировать напрямую. Для каждого уникального video_id учитывалось максимальное значение просмотров за период нахождения в трендах. Это позволило избежать повторного подсчёта одного и того же ролика.
После этого категории были объединены в три смысловые группы:
Развлекательный контент: Music, Entertainment, Gaming, Comedy, Film & Animation, Sports. Познавательный контент: Education, Science & Technology, News & Politics, Howto & Style. Другое: People & Blogs, Travel & Events, Pets & Animals, Autos & Vehicles, Nonprofits & Activism и смешанные категории.
На основе обработанных таблиц были подготовлены данные для графиков: доля просмотров, доля видео, динамика соотношения по годам и региональное распределение. Визуализации были собраны в RAWGraph, затем экспортированы и доработаны в Figma.
Финальный постер изначально построен на модульной сетке и оформлен в стиле старого интерфейса YouTube: «накладные» панели, красные и синие акценты, простая веб-типографика и ощущение аналитической страницы. В качестве финального штриха, я решил прогнать итоговый постер через нейросеть, чтобы попробовать добавить присущие скевоморфизму детали, блики, затенения и т. д. Из-за этого появились небольшие, еле-заметные пятна в областях текста.
Обложка и мокапы созданы через ChatGPT Images 2.
Сетка контента и черновой макет постера
