Ciências Sociais em Diálogo
Análises Descritivas Multivariadas
Análises de acesso ao Youtube
O canal exibiu 270 transmissões online (streaming) que já ultrapassaram 57.890 visualizações em 11.674 horas de exibição no final de setembro de 2024, obtendo mais de 2970 inscritos e alcançando mais de 848.349 impressões
Uma visualização ocorre quando uma pessoa assiste a um vídeo. Para uma contagem de visualizações precisa, as reproduções irregulares (como spam) são removidas das métricas de contagem de visualizações públicas e um vídeo deve ter um mínimo de 30 segundos de duração
O YouTube usa dois métodos para analisar a quantidade de visualizações por fonte do acesso à plataforma analisando os acessos por IP e conta. Cada IP normalmente conta como uma visualização, a menos que a mesma conta de usuário esteja revendo o vídeo através de vários endereços. Assim, apenas a primeira visualização por conta será computada e acrescentada com view ao vídeo do YouTube.
Cada vídeo foi exibido em média 215 vezes por streaming e/ou demanda, sendo que o tempo médio de exibição é de 43 horas por conteúdo e de 19 visualizações para cada usuário inscrito.
O tempo de exibição no YouTube, também chamado de retenção de público, é o tempo que os espectadores permanecem no canal assistindo aos vídeos. Ele é calculado total e individualmente para cada conteúdo e representa uma métrica importante que afeta diretamente o engajamento. Quanto mais tempo assistido, mais o algoritmo do YouTube reconhece o seu canal e aumenta a sua visibilidade
- O número de visualizações para usuários inscritos e não inscritos varia bastante ao longo do tempo.
- Usuários inscritos e não inscritos tiveram visualizações semelhantes ao longo do período, mas algumas datas apresentaram grande diferença.
- Em certos períodos, os usuários inscritos tiveram mais visualizações do que os não inscritos, como em agosto de 2020.
- Em outros, os usuários não inscritos tiveram mais visualizações do que os inscritos, como em janeiro de 2021.
- A variabilidade nas visualizações dos usuários parece diminuir com o tempo.
Impressões refere-se a quantas vezes suas miniaturas de vídeo foram mostradas aos espectadores como um vídeo recomendado, na página inicial ou nos resultados de pesquisa e como essas impressões se converteram em visualizações e tempo de exibição.
Analise de correlações entre visualizadores, inscritos e recorrentes
Observando um gráfico das visualizações de conteúdos por semana paralelamente ao gráfico de espectadores recorrentes por semana, pode-se inferir que haja uma correlação entre ambos, indicando que as lives mais assistidas agregam concentradamente, novos inscritos no canal.
As duas tabelas possuem a mesma estrutura com as colunas Data, Status da inscrição e Visualizações, sendo esta última do tipo numérico (int64), portanto, nenhuma conversão adicional é necessária para realizar os cálculos. Como as tabelas possuem a coluna “Data” em comum e queremos analisar a correlação entre as visualizações dos inscritos e não inscritos ao longo do tempo, vamos combinar as duas tabelas usando a coluna Data como chave.
Percepções
- No gráfico de ‘Relação entre Visualizações e Espectadores Recorrentes’ é possível observar uma correlação positiva entre as duas variáveis, ou seja, quanto maior o número de visualizações, maior o número de espectadores recorrentes.
- O gráfico de ‘Distribuição de Inscritos, Inscrições Obtidas e Inscrições Perdidas por Origem da Inscrição’ mostra que a principal origem de inscrições é a ‘Página de exibição do YouTube’, seguida por ‘Seu canal do YouTube’ e ‘Pesquisa do YouTube’.
- As inscrições obtidas e perdidas seguem a mesma proporção, sendo que a principal origem de inscrições, ‘Página de exibição do YouTube’, é também a que mais perde e que mais ganha inscritos.
- Juntos, os gráficos permitem observar que as visualizações e os espectadores recorrentes têm picos pontuais e não constantes, sendo que geralmente o número de visualizações fica abaixo de 200 e o número de espectadores recorrentes abaixo de 50.
Correlação de Pearson e seu coeficiente
Ao realizar uma análise de correlação, construiremos um modelo de regressão linear para entender a relação entre as visualizações dos dois grupos e identificar visualmente em um gráfico com o espaço entre os eixos de visualizações dos dois grupos. Um coeficiente de Correlação de Pearson = 0.526 indica uma correlação moderada e positiva entre as duas variáveis. Isso sugere que, em geral, quando o número de inscritos aumenta, o número de visualizações também tende a aumentar, e vice-versa, mas a relação não é muito forte e outros fatores podem estar influenciando o número de visualizações.
Dado que o coeficiente de correlação é maior que 0.5 (em termos absolutos), sugerimos uma regressão linear para aprofundar essa relação. O modelo resultante tem um R² de aproximadamente 0.27, o que indica que cerca de 27% da variação nas visualizações de não inscritos pode ser explicada pelas visualizações de inscritos. A inclinação da linha de regressão é de aproximadamente 0.93, sugerindo que, para cada aumento de uma visualização entre os inscritos, podemos esperar um aumento de 0.93 visualizações entre os não inscritos. O intercepto de 77.12 indica o número previsto de visualizações de não inscritos quando as visualizações de inscritos são zero.
O gráfico demonstra essa relação, com a linha de regressão ilustrando a tendência geral. É importante notar que, embora haja uma correlação e a regressão linear forneça alguns insights, outros fatores além das visualizações de inscritos provavelmente influenciam as visualizações de não inscritos, dados o coeficiente de correlação moderado e o R² relativamente baixo.
Análise de resíduos da regressão linear
Para aprofundar a análise e identificar outros fatores que possam influenciar as visualizações de não inscritos, além das visualizações de inscritos, podemos realizar uma análise de resíduos do modelo de regressão linear.
Os resíduos representam a diferença entre os valores observados e os valores previstos pelo modelo, e podem nos ajudar a identificar padrões ou tendências não capturadas pela regressão linear simples. Calculando os resíduos, podemos plotá-los em relação às visualizações de inscritos e ao tempo (data), buscando por quaisquer padrões ou relações que possam indicar a presença de outros fatores influentes.
Este gráfico de linha ilustra como os resíduos evoluem ao longo do tempo. Se houver algum padrão temporal dos resíduos, como uma tendência crescente ou decrescente, ou sazonalidade, isso pode indicar a presença de fatores externos que variam com o tempo e afetam as visualizações de não inscritos, mas não foram incluídos no modelo.
Havendo uma tendência clara nos resíduos ao longo do tempo, isso pode indicar a existência de fatores sazonais ou outros eventos externos que influenciam as visualizações.
O gráfico de dispersão mostra como os resíduos (a diferença entre as visualizações reais de não inscritos e as previstas pelo modelo) se comportam em relação às visualizações de inscritos. Idealmente, os resíduos devem estar distribuídos aleatoriamente em torno de zero, sem nenhum padrão claro. Qualquer padrão visível pode indicar que o modelo de regressão linear não está capturando completamente a relação entre as variáveis, sugerindo a presença de outros fatores influentes.
No caso de os resíduos apresentarem um padrão não linear em relação às visualizações de inscritos, isso pode sugerir que a relação entre as variáveis não é adequadamente descrita por um modelo linear simples.
Se o gráfico de dispersão exibir um padrão cônico, com os resíduos aumentando ou diminuindo em magnitude à medida que as visualizações de inscritos aumentam, pode ser um sinal de heterocedasticidade. Em outras palavras, a variância dos erros não é constante.
A heterocedasticidade pode significar que o modelo de regressão não é confiável. Isso porque, quando as amostras não respeitam a homocedasticidade, os resíduos não são minimizados, e a reta não é um bom estimador para as observações