100 Sneaker-Videos – von Adidas, Reebok, ASICS, Puma und Converse – wurden von Playable mithilfe von Computer Vision analysiert, um die Objekte, Ereignisse, Gesichter und Stimmungen in den Videos in Verbindung mit Video-Engagement-Daten (Anzahl der Shares, Likes und Kommentare), die auf Facebook und YouTube öffentlich zugänglich ist.

Wir haben eine riesige gefunden 59x Variation im Engagement zwischen den besten Videos und den schlechtesten Videos, gemessen am Verhältnis von Anteilen zu Aufrufen.

Die folgende Grafik zeigt das relative Anteil-zu-Ansicht-Verhältnis für jedes Video.

Die Basislinie ist der Durchschnitt. Wenn der Balken über die Linie steigt, schneidet das Video besser als der Durchschnitt ab, oder liegt er unter der Linie, schneidet das Video schlechter als der Durchschnitt ab.

Wir glauben, dass ein wesentlicher Faktor bei dieser Variation der Videobearbeitungsprozess ist – traditionell ein kreativer, subjektiver Prozess, der anfällig für persönliche Vorurteile und Vermutungen ist.

Durch die Integration von KI und Data Science in den Prozess glauben wir, dass vorhersehbarere und bessere Videomarketing-Ergebnisse möglich werden. 

Entdecken Sie, wie wir Vermutungen durch Data Science ersetzen, um Social Video Marketing effektiver zu machen >>

Playable verwendet Computer Vision, um jedes Pixel jedes Frames zu beobachten, die Objekte, Ereignisse, Gesichter und Gefühle eines Videos zu identifizieren und genau zu verstehen, was vor sich geht:

Diese Analyse zeigt uns, welche Merkmale eher in Videos zu finden sind, die zu einem höheren Engagement führen. Basierend auf der Computer-Vision-Analyse der 100 Sneaker-Videos haben wir die Eigenschaften der Videos aufgelistet, die am meisten zu einem hohen Share-to-View-Verhältnis beitragen.

Erstellen eines Vorhersagemodells aus historischen Trainingsdaten

Die angezeigte Zahl ist die relative Bedeutung jedes Merkmals. Für dieses kleine Beispiel von Videos; Schuhe, Sport, Stil (wie bei Mode/Kleidung) und Bewegung sind am wichtigsten für das Share-to-View-Verhältnis.

Playable verwendet diese Daten, um seine KI darauf zu trainieren, was aus Ihren vorherigen Videokampagnen am besten funktioniert, und dann bearbeitet die KI Ihre nächste Videokampagne automatisch in Bezug auf Ihre Kampagnenziele, um eine optimale Effektivität zu erzielen.

Entdecken Sie, wie Playable KI nutzt, um die Effektivität des Social Media-Videomarketings zu steigern >>

Für unterschiedliche Erfolgsmetriken werden unterschiedliche Vorhersagemodelle erstellt, abhängig von Ihren Marketingzielen, wie z.