De quoi le succès d’une chaîne Youtube de vulgarisation dépend-il ?

Qu’est-ce qui fait le succès d’une chaîne de vulgarisation scientifique ? Par exemple le fait qu’elle aura, ou pas, beaucoup d’abonnés ? Sa qualité, bien sûr, le talent de l’écriture et de la pédagogie, le sens de la mise en scène, l’humour…

…en fait, non; pas tant que ça.

Il n’aura échappé à personne que les plus grosses chaînes sont presque toutes des chaînes créées il y a assez longtemps, et ayant accumulé pas mal de vidéos. D’une part ces chaînes ont eu le temps de croître, d’autre part elles ont pu émerger à une époque où la concurrence était moins rude. Du coup pour les nouveaux et nouvelles qui se lancent, la tâche peut paraître difficile.

Tout cela est évident, mais récemment je me suis demandé : Peut-on quantifier cet effet ? Mettre des chiffres dessus ? Eh bien on peut essayer, il suffit de faire un peu de statistiques.

Collecte des données

Pour cela j’ai travaillé avec une liste 115 chaînes de vulgarisation scientifique francophones. Pour constituer l’échantillon, j’ai utilisé la liste de Vidéosciences, complétée par ma propre liste d’abonnements et par une petite recherche de chaînes avec le mot clé « vulgarisation » dans Youtube. Clairement, je n’ai pas tout (en particulier les plus petites chaînes), mais je pense que l’échantillon est assez raisonnable. J’ai juste exclu quelques chaînes qui soit n’avaient pas publié depuis très longtemps (>2 ans), soit n’étaient pas vraiment des « chaînes » mais plus un stock de vidéos d’une institution.

Ensuite j’ai utilisé des données « publiquement disponibles » à la date du 27/08, et j’ai donc collecté pour toutes les chaînes : le nombre d’abonnés, le nombre de vues total, le nombre de vidéos, l’âge de la chaîne et la fréquence mensuelle de publication (qui se déduit des chiffres précédents).

Petite précision, pour calculer l’âge de la chaîne, je me suis basé en général sur la date de création. Mais il arrive que celle-ci soit assez antérieure à la date de mise en ligne de la première « vraie » vidéo. Dans ce cas, c’est cette première vidéo j’ai pris comme « date de création » (C’est mon cas par exemple, la création officielle de ma chaîne est janvier 2011, mais je n’ai mis que des vidéos anecdotiques pendant 4 ans, et je n’ai vraiment démarré ma chaîne qu’en janvier 2015).

J’ai également collecté deux paramètres supplémentaires dont je soupçonnais une influence : le fait que la chaîne soit incarnée par une femme, et le fait que les vidéos soient en face caméra ou en « voix off ».

(ici les données brutes, pour ceux qui veulent jouer avec !)

Distribution de la taille des chaînes

Première observation évidente, la taille des chaînes varie beaucoup ! Si on parle en nombre d’abonnés, on va de presque 2 millions pour l’ami Dr Nozman, jusqu’à quelques chaînes de ma sélection ayant moins d’une centaine d’abonnés.

Une manière classique de bien appréhender des données de ce genre (distribuées sur des grandes plages de valeurs), c’est de prendre le logarithme. Si on prend le log décimal, on se retrouve avec un log10 du nombre d’abonnés qui se balade entre 1.4 et 6.2. Le graphique suivant représente ce chiffre pour chacune des chaînes, en fonction de son « classement » au sein de l’échantillon.De manière attendue, la majorité des chaînes se trouve dans la fourchette 3 à 5, c’est à dire entre 1000 et 100 000 abonnés. Ça se confirme en faisant simplement l’histogramme.Je n’irai pas jusqu’à affirmer que c’est gaussien, mais ça n’est pas trop déconnant. Pour les fans de maths, j’ai également tracé ci-dessous le log du nombre d’abonnés en fonction du log du classement.C’est pour vérifier si la distribution de la taille des chaînes suit une loi de Zipf (donnée par la droite de pente -1 tracée ci-dessus). On voit que ça n’est pas hyper probant, à part pour disons les 30 premières chaînes, ce qui est un peu court pour une loi de Zipf. Il y a plein de raisons qui peuvent justifier que Zipf ne marche pas, je réserve ça pour un futur post !

L’influence de chaque paramètre

Commençons pas des visualisations simples qui permettent de mettre en évidence l’influence des différents paramètres sur le « logarithme du nombre d’abonnés », qui sera donc notre cible.

Commençons par l’âge de la chaîne (en mois) :On voit qu’il y a évidemment un lien, même si on est loin de tout expliquer par ce seul paramètre. Pour les fans de chiffre, le coefficient de corrélation est 0.38.

Même chose pour le nombre de vidéos :On voit qu’il y a une corrélation, mais ça n’est pas non plus spectaculaire. Coefficient de corrélation 0.55

Enfin examinons le lien entre le log du nombre d’abonnés et la fréquence de publication :(Coefficient de corrélation 0.35.)

On voit que chacun de ces paramètres a une influence. Un point important à noter toutefois, ces 3 paramètres ne sont pas indépendants ! La fréquence est évidemment le ratio des deux autres, mais l’âge de la chaîne et le nombre de vidéos sont eux-mêmes reliés, ce qui est plutôt cohérent ! Même si on trouve des chaînes anciennes avec peu de vidéos et réciproquement, on ne peut pas considérer ces deux paramètres comme totalement indépendants.En revanche la fréquence de publication et l’âge de la chaîne sont décorrélés, donc on peut les considérer comme des paramètres indépendants.Grâce aux données, il est également possible de tester statistiquement l’influence sur le nombre d’abonnés du fait que la chaîne soit incarnée par une femme. Pour comparer les distributions de nombre d’abonnés dans les deux cas, on peut utiliser la représentation classique en « boxplot » (ou diagramme « boite et moustache »). Les moustaches représentent les extrêmes, la barre centrale est la médiane, les extrémités de la boite sont le premier et le dernier quartile.Ici on constate que les deux distributions ne semblent pas différentes, ce qui est confirmé quantitativement par un t-test (la valeur « petit-p » est 0.67). D’après les données, le fait que la chaîne soit incarnée par une femme n’a donc pas d’influence significative sur le nombre d’abonnés.

Une petite mise en garde à ce stade : en statistiques plus qu’ailleurs, l’absence de preuve n’est pas la preuve de l’absence. Ce que dit ce résultat, c’est qu’il n’y a pas de différence statistiquement significative détectable dans les données collectées. Ça n’exclut pas qu’il y ait une influence, mais si effet il y a, il n’est pas assez important pour être détecté sur un échantillon de cette taille.

Autre paramètre dont l’absence de rôle m’a surpris : le fait que la chaîne soit en « face caméra » plutôt qu’en « voix off ». En comparant les distributions, on ne trouve pas de différence statistiquement significative (p=0.52).Et pourtant je suis le premier à dire souvent que l’incarnation en « face caméra » est importante, qu’elle est meilleure pour la connexion avec le public, que ceux qui veulent se lancer devraient le faire en format « face cam », etc. Eh bien les données me donnent tort, il va falloir que je change mon discours !

Prédire le nombre d’abonnés ?

Nous avons donc vu qu’il existe au moins 3 paramètres ayant une influence sur le « succès » d’une chaîne : le nombre de vidéos, l’âge de la chaîne, et la fréquence de publication. On peut donc essayer de construire un modèle, c’est-à-dire une formule qui estime au mieux le nombre d’abonnés à partir de ces paramètres.

Quand on ne sait pas trop par où commencer, on peut essayer une régression linéaire. Si on fait cela en utilisant en entrée l’âge de la chaîne et le nombre de vidéos, on obtient une régression ayant la forme suivante :

Log10Abos = 3.105 + 0.0118*(Nb Vidéos) + 0.0095 * (Age en mois)

Comme cette formule vous donne le log décimal du nombre d’abonnés, il faut ensuite prendre « 10 puissance ce résultat » pour avoir une prédiction du nombre d’abonnés.

Pour voir si cette formule marche bien, on peut regarder la corrélation entre la valeur prédite, et la valeur réelle. C’est ce que montre ce graphique

La ligne rouge correspond à l’exactitude de prédiction. On voit qu’il y a une tendance, mais qu’on est très loin de prédire correctement. On observe notamment qu’on surestime le nombre d’abonnés des petites chaînes et qu’on sous-estime celui des grosses chaînes. Signe d’un modèle auquel il manque des choses ! (mais ceux qui font de la recherche dans des domaines où on utilise les stats savent qu’on a publié des papiers pour moins que ça !)

L’illustration la plus flagrante de l’inaptitude du modèle réside dans la formule elle-même : sans vidéos et avec un âge de 0, la formule « prédit » un nombre d’abonnés supérieur à 1000 ! Ce modèle est très mauvais pour les petites chaînes.

Ici il y a plusieurs choses qui font que le modèle ne marche pas bien. Déjà on a utilisé en entrée deux variables qui sont reliées (Âge et nombre de vidéos), ce qui n’est pas très correct. Ensuite on peut accuser le modèle linéaire, mais il faut surtout reconnaître qu’il doit manquer des paramètres dans nos données : non, le succès d’une chaîne ne dépend pas que de son ancienneté et du nombre de ses vidéos ! Bien sûr que le talent joue, et difficile de le quantifier ! La chance joue également. Et puis il y aussi des événements extérieurs qui doivent parfois à l’un et à l’autre, comme les partages de DocSeven aujourd’hui ou ceux d’Antoine Daniel en son temps.

Pour finir sur une note optimiste…

Dans cette analyse, j’ai bien fait attention de ne pas mentionner de noms de chaînes, car nous sommes ici sur une analyse statistique qui n’a donc pas vocation à discuter des cas particuliers. En effet, on sait à quel point notre cerveau humain est enclin à remettre en question des faits génériques à partir d’exemples anecdotiques (« ah oui mais ton truc est faux parce que moi je connais une chaîne pour laquelle ça marche pas… »). Mais pour finir sur une note positive et encourageante pour ceux qui souhaiteraient se lancer, je vais quand même citer quelques chaînes.

J’ai en effet regardé quelles étaient les chaînes les plus jeunes (moins de 2 ans) qui faisaient le plus « mentir les statistiques », celles dont le nombre d’abonnés réel est au moins 10 fois supérieur à l’estimation par la formule ci-dessus.

Il y en a 4, les voici :

Puissent ces 4 beaux exemples inspirer les générations futures !

39 réflexions sur “De quoi le succès d’une chaîne Youtube de vulgarisation dépend-il ?

    • Je suis egalement dubitatif.
      La personne qui presente devrait etre un facteur qui compte.
      Le sexe ok, mais aussi l’age, sa manière de parler (avec ou sans humour ?) et aussi si c’est un expert (prof ou amateur ?).

      On peut aussi penser que ceux dont le nombre d’abonnés est en dessous de ta courbe arrêtent non ?

      • Un prof'(collège/lycée) n’est pas forcément un expert dans sa matière, si tant est qu’elle existe au répertoire enseigné à nos petites têtes blondes.
        Je connais un nombre certains de passionnée plus pointus et à même de partager leurs connaissances qu’un simple prof’, au point que certaines discussions entre eux et des universitaires n’ont rien à envier à celles des universitaires entre eux.

      • Pour Merlin: je pense qu’il parlait de la facon d’expliquer les choses de manière pédagogique et pas du niveau scientifique. Un prof a plus d’expérience pour expliquer les choses simplement qu’un particulier qui utilisera des termes techniques incompréhensibles si cette personne est justement trop pointue dans son domaine.

  1. Pour Heu?reka, je crois que nous connaissons tous le facteur non pris en compte (cf vidéo sur le Bitcoin)…sans nier la qualité de sa chaîne bien sûr, j’y suis accro en ce moment 😉

  2. Article très intéressant comme toujours.
    N’y a-t-il pas cependant un biais dans l’analyse ? Vous démontrez un rapport entre la l’ancienneté de la chaine, la fréquence de publication et le nombre d’abonnés.
    Mais de ce rapport, vous déduisez une influence, c’est à dire une cause ; il me semble que c’est discutable.
    On pourrait tout aussi argumenter que le succès de la chaine pousse son auteur à produire des vidéos plus fréquemment et à la maintenir ouverte alors qu’il pourrait la fermer dans le cas contraire (et toutes les chaines fermées durant la période étudiée ne sont pas prises en compte dans vos calculs).
    Intuitivement, il paraît normal qu’une chaine qui a du succès soit une chaine durable avec du contenu.

  3. Pour la représentation des femmes, j’aurais aimé savoir, sur ta liste de chaînes, le ratio de chaînes représentées par des femmes…à vue de nez, je pense qu’il est de l’ordre de 1/15 voire 1/20…du coup l’échantillon est-il représentatif pour ce cas ? (et même question pour le face-cam/voix-off, même si, là, je n’ai pas idée du nombre de chaînes…en revanche, il me semble que « voix-off » signifie quasi-mécaniquement fréquence de vidéos plus faible)

    • Sur les 115 chaînes, il y en a 16 qui sont incarnées par des femmes, donc environ 14%. Et 26 en « voix off » par rapport au « face cam ».

      Je ne sais pas ce que tu entends exactement par « pas représentatif ». En principe ça veut dire que l’échantillon sur lequelle on fait l’analyse n’est pas une représentation fidèle de la population dont il est issu. Ici sans prétendre à l’exhaustivité absolue (notamment pour les petites chaînes), je pense que j’ai une bonne proportion de l’ensemble des chaînes de vulgarisation francophone. A moins qu’il existe un biais non-identifié dans la manière dont j’ai construit la liste, elle est « par construction » représentative.

      Bien vu pour le lien entre fréquence et « voix off » (ou pas), je n’y avais pas pensé. Mais je viens de regarder, sur le test statistique (t-test) ça ne ressort pas (même si parmi les quelques chaines à fréquence mensuelle > 3, il n’y a pas de voix off).

  4. Ce serait possible d’avoir accès aux données (même anonymisées) ?
    Si je prends le commentaire de Bruce, certains tests statistiques (non paramétriques) sont plus robustes et permettraient peut être d’avoir des résultats plus fiables avec de grands écarts d’effectif (si cet écart est avéré, ce que j’aurais tendance à subodorer aussi). Ces tests sont malheureusement moins puissants mais on n’a rien sans rien.

  5. Bonjour,
    Je pense aussi que la présence de l’animateur à l’écran et la façon dont il se met en scène a un rôle, peut-être pas sur le fait qu’on regarde la chaîne, mais sur la fréquence à laquelle on la regarde et sur la crédibilité qu’on lui accorde. Mais c’est très subjectif evidem’ent.
    Pour ce qui est de La statistique expliquée à min chat, in est dans un cas subtilement spécial : certes, c’est une voix off, mais il y a un animateur à l’écran , Albert, le chat !

  6. Pour la différence entre voix off et face-cam, on remarque que la variance des face-cam est bien plus importante, serait-ce là un exemple de effet halo ?
    Et du coup le conseil a donner aux vidéastes serait plutôt : faites du face-cam que si vous êtes beaux gosses (ou belles gosses) !

  7. David, je ne comprends pas trop pourquoi tu ne parles des partages/recommandations par des plus gros youtubers qu’en dernier, comme si c’était anecdotique (« des événements extérieurs qui doivent parfois à l’un et à l’autre »). Je ne connais quasiment pas de gros actuel (disons > 50 000 abos) qui ne doive son « décollage » à un premier partage par un plus gros. Du coup le paramètre qui devrait avoir le plus de poids dans ton modèle c’est bien celui-là ! Les paramètres que tu étudies jouent sûrement aussi mais de façon plus marginale.

    Ce qui ne fait que déplacer la question : « qu’est-ce qui fait qu’une chaîne aura plus de chance d’être partagée par un gros ? »

    À cette question, je suspecte que les paramètres ne seront pas du tout les mêmes (importance beaucoup moins grande du nombre de vidéos et de l’âge de la chaîne, importance beaucoup plus grande du réseau du Youtuber et de l’implication dans des communautés, activité sur les réseaux sociaux, etc).

    Tout ça n’enlève rien au mérite de ton étude que j’aurais eu la flemme de faire moi-même. :p

    • La raison pour laquelle je n’en parle qu’à la fin c’est que je n’ai pas ça dans mes données, et je ne sais pas comment le qualifier / quantifier ! (je ne sais pas comment définir « un partage » ni « un gros », et encore moins collecter les données).
      Mais si tu as une idée pour l’ajouter à la base, je prends 🙂

      • Ah non je n’ai pas d’idée sur le côté pratique / récupérer les données (autre qu’interroger directement les premiers concernés ou se taper toutes leurs interviews / faq à la main, c’est souvent là qu’ils parlent de quand ils ont commencé à marcher). Mon commentaire était surtout sur le plan théorique / amélioration du modèle.

        En recherche, c’est le moment où on se mettrait à chercher un stagiaire… 🙂

      • Ça demande quelques efforts de programmation, mais en utilisant des outils permettant d’indexer (crawler) les réseaux sociaux, on peut récupérer les partages de vidéos YouTube en faveur d’une chaîne particulière. Ensuite, on peut envisager une fonction d’évaluation assez simpliste (inspirée d’un Page Rank de Google par exemple) qui attribue un score en fonction du nombre de partages et de la notoriété de celui qui partage (par son nombre de fans/d’abonnés) histoire qu’un partage d’Antoine Daniel ait plus de valeur que 50 partages de gens qui ont 20 abonnés.

  8. Bonjour.
    Je me pose une question: est-ce que le nombre de visionnage des vidéos – surtout les premières- influencerait le nombre d’abonnés? On s’est tous abonné à une chaîne qui a mit en ligne une vidéo très intéressante qui a fait le tour de la toile en un clin d’œil, mais depuis on ne fait que réduire ses notifications. Parfois le nombre d’abonnés grimpe suite à une seule vidéo, mais ne juge en rien de la qualité du reste. Amicalement

  9. Un plan d’expérience avec + de facteurs, suivi d’une anavar pour éliminer les facteurs non significatifs aurait été + pertinent.
    Dans un deuxième temps, il aurait permis de prendre en compte les interactions entre les facteurs significatifs,
    Enfin choisir un facteur dont la valeur de déduit de 2 autres….
    Je vais prendre cette étude comme un exemple de ce qu’il ne faut pas faire dans mon cours sur les plans d’expériences 😉

  10. Il me semble que l’échantillon devrait être complété par les cas de chaines qui ont cessé d’exister durant la période considérée.
    Ainsi, tu auras bien des points à 0 abonnés.
    Ensuite je dirais que tenter de bâtir un modèle à partir d’une seule image à un instant donné, c’est mission impossible. Il faudrait idéalement connaître le comportement des chaînes dans le temps en termes d’acquisition d’abonnés. L’analyse que tu présentes ne permet pas de savoir à quel moment de sa vie se situe chaque chaîne au 27 août 2017 (un cap passé, un plateau, un creux ?)

    A ce sujet, un mot sur l’effet Lindy, qui pourrait permettre quelques prédictions en l’absence de données historiques. (voir https://en.wikipedia.org/wiki/Lindy_effect, en anglais. Je n’ai pas trouvé d’article en français)
    L’effet Lindy veut que pour tout objet non périssable (une technologie ou une idée, donc aussi une chaîne Youtube), son espérance de vie future est proportionnelle à son âge actuel, de sorte que « chaque année qui passe sans extinction double l’espérance de vie additionnelle ». (dixit Nassim Taleb, le gars qui a étudié et décrit les « black swans », ces événements hautement improbables qui finissent par arriver.) C’est une bonne nouvelle pour ta chaîne, non ?

  11. Super article, merci!
    Quelques suggestions pour aller plus loin, même si les données ne sont pas forcément disponibles et si c’est largement au delà de mes compétences mathématiques:
    – intégrer dans le modèle le nombre de « j’aime » moyen par vidéo, le ratio temps de vidéo disponible / temps de visionage, le nombre de partages, le nombre de commentaires moyen par vidéo, et l’associer à une variable globale « engagement » des spectateurs, que l’on pourrait considérer comme une manière (imparfaite bien sûr) de quantifier le talent de l’auteur.
    – Observer l’impact de la variable « engagement » sur le modèle de base (âge/nombre/fréquence), et définir un degré d’importance de chaque facteur

    De nombreux autres facteurs pourraient être exploités: le taux de clics (ratio du nombre d’usagers cliquant sur une vidéo par rapport au nombre de fois où la vidéo apparait dans les suggestions), le nombre de liens provenant d’autres sites vers la page Youtube, le nombre de mentions « je n’aime pas », etc.

  12. Le premier critère selon moi pour etre dans les sommets ,c’est un charisme très fort. Squeezie ne serait pas au top s’il avait une tête banale. Il fascine par ce qu’il dégage physiquement et si on ajoute son humour , sa vidéo journalière qui est un rdv devenu habituel, on a les ingrédients pour que ca prenne.

  13. Bonjour,
    Ton idée est très intéressante, et je m’étais déjà posé la question de savoir, si pour un même contenu scientifique vulgarisé, le nombre de vue dépendait uniquement de la façon dont le sujet était développé (Humour, langage « jeunes », travail scénaristique…etc ).
    Instinctivement, je reléguais au second plan les paramètres sur lesquelsccccca tu t’appuies (voix off, femme/homme, nombre d’abonnés..Etc).
    Mais je comprends bien qu’il est plus que difficile de vouloir corréler des paramètres de statistiques, sur des ressentis propres à chacun.
    Quoiqu’il en soit, encore un excellent travail de recherche de ta part.
    Vivement la suite…
    🙂

    Amicalement
    Gus

  14. Article intéressant mais il me semble que vous avez oublié un paramètre important et pourtant quantifiable: la durée des vidéos.
    A priori pour les petites chaines les formats courts mais fréquents marchent mieux que ceux long et rare. Souvent on dit qu’il y a une durée optimale autour des 12-15 minutes de vidéos à voir si cela à une importance par rapport à vos autres données.

  15. je ne pense pas que classer homme / femme soit pertinent, il faudrait bien plus segmenter. Car avoir une narratrice femme peut tout aussi bien intéresser (si elle a une voix douce, une bonne diction, qu’elle est agréable à regarder mais pas trop, jeune mais pas trop… Bref qu’elle charme) que désintéresser (si elle a une voix stridente, une mauvaise diction, qu’elle est moche (pas envie de la regarder) ou trop belle (pas crédible ou là parce qu’elle a eu la promotion canapé), qu’elle est trop jeune ou trop vieille… Bref qu’elle agace)

    Quelques exemples :
    Segolène Royal ou Najat Vallaud Belkacem ont des timbres qui m’énervent, Eva Joly ou Claire Chazal des dictions qui font qu’on n’a pas envie de les écouter, Ophélie Meunier ou Melissa Theriau voire Alessandra Sublet sont trop belles pour être crédibles et quelque part on se dit que les regarder c’est comme regarder la page lingerie du catalogue redoute plutôt que de regarder directement des magasines adhoc. Vous avez aussi celles qui ne sont pas spécialement belles mais qui font de l’étalage de marchandise pour attirer mais de façon tellement pas subtile que le piège est visible et répugne comme Virginie Efira, Severine Ferrer… Ou simplement celle qui sont vulgaires comme Enoré Malagré, Valérie Damidot…

    A l’opposé vous avez une Julie Andrieu, une Estelle Denis, Marianne James, Karine Lemarchand, Daniela Lumbroso… qui apportent / apportaient de vraies plus à leur émissions en étant belles mais pas trop, jeunes mais pas trop et en ayant des voix agréables.

  16. la longevité d’une chaine dépend probablement de la qualité de son contenu.. en moyenne les chaines qui durent le plus longtemps de son celles qui sont de meilleure qualité. Et celles qui accumulement le plus d’abonnés sont celles qui sont incitées à faire durer leur activité. La corrélation entre la longévité et le nombre d’abonnés est peut etre le reflet d’un effet d’auto selection des chaines de qualité et pas uniquement de la longévité en elle même

  17. Bonjour,

    J’arrive un peu tard sur le sujet, mais je pense qu’il faudrait déjà définir le terme « succès » pour une chaîne youtube (Nombre d’abonnés, nombre de vues total…) car même si on peut trouver une corrélation entre les deux, ce sont deux choses bien distinctes.
    Qu’est-ce qui fait que je vais m’abonner à une chaîne, regarder toutes les vidéos déjà produites et toutes les viédos qui seront produites dans le futur?

    Si le nombre de vues peut-être biaisé par une recommandation (que ce soit celle d’un youtuber ayant une grande audience, celle d’un youtuber ayant une petite audience ou même de l’algorithme de youtube via les recommandations automatisées le fait qu’on s’abonne ne dépendra pas directement de ce facteur (indirectement oui car c’est bien une recommandation quelconque qui nous aura fait découvrir la chaîne) mais bien de la qualité du contenu, le ton utilisé par le youtuber et les sujets traités, l’angle par lequel ils ont été créés…

    Du coup si l’audience peut être qualifiable la fidélité ne le sera pas ou du moins pas avec les données publiques.

  18. Bonjour !
    En modèle économique, j’ai découvert canal plus qui me permet de payer des magazines à coup de jetons sur l’application du même nom. 25 jetons par mois par abonné à dépenser sur les magazines qui intéressent l’utilisateur. J’adore ce système. Ils ont aussi lancé un système de court métrage dont je ne me suis pas intéressé. Mais les videastes blogger devraient toquer à leur porte et proposer ce système de financement comme pour les magasines. Ça serait toujours un plus 😉
    La différence c’est que par défaut les magasines sont payant. Mais vous pourriez faire des vidéos gratuites et des vidéos premium. Comme le sport et ses pay-per-view

  19. Je doute que l’on puisse affirmer que le fait qu’il existe un lien statistique entre certaines variables (quantitatives) comme l’âge de la chaîne, la fréquence de publications, le nombre de vidéos d’une part et la popularité d’une chaîne de l’autre puisse permettre de conclure, comme il est fait (un peu vite ce me semble) au début de cet article, que d’autres variables explicatives (celles-ci qualitatives) telles que « la qualité, le talent de l’écriture et de la pédagogie, le sens de la mise en scène, l’humour », etc., puissent être exclues de facto sans même avoir mis ces dernières à l’épreuve…

  20. Au début je n’était pas trop motivé pour lire cet article mais je l’ai lu en une fois presque sans cligner des yeux. Bon ok, j’exagère un peu ^^. C’est super intéressant même si c’est plutôt générale et que je pense que le calcul ne tiens pas à chaque fois 🙂

  21. Pingback: Youtube | Pearltrees

  22. Pingback: Ressources sur les vidéastes scientifiques | | Science de comptoir - ISSN : 2270-4310

  23. Il y a un paramètre dont je soupçonne l’importance,: le style de la présentation.

    Les présentations « jeune » avec théâtralisation du thème et jeu d’acteur à la one man show sont ( j’ai l’impression ) davantage visionnés que celles au contenu très solide, riche et passionnant mais dont le niveau de langage est élevé et qui sont traités sans trop de jeu d’acteur. Plusieurs éléments quantifiables me viennent en tête pour juger de ce paramètre : combien de fois on détecte des mimiques par minutes / combien d’intonations pas neutre / le ratio entre mots familiers et l’ensemble des mots utilisés.

Laisser un commentaire

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion / Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion / Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion / Changer )

Photo Google+

Vous commentez à l'aide de votre compte Google+. Déconnexion / Changer )

Connexion à %s