Enter your video metrics
to project the next 90 days
Nach der Veröffentlichung eines Videos ist das Schwierigste nicht das Warten — sondern nicht zu wissen, ob das Warten etwas bedeutet. Ein Video mit 3K Aufrufen am zweiten Tag könnte bis Tag 30 200K erreichen oder bei 8K enden. Beide Ergebnisse beginnen gleich. Der Unterschied liegt in Signalen, die hauptsächlich in den ersten 48 bis 96 Stunden auftreten, und die meisten Creator haben keinen nützlichen Rahmen, um sie zu lesen.
Was die Vorhersage von Aufrufen wirklich schwierig macht, ist kein Datenmangel — Sie haben CTR, Zuschauerbindung, Engagement, Wiedergabezeit und Kanalhistorie. Es ist, dass diese Signale nichtlinear miteinander interagieren und sich die Beziehung zwischen Tag-3- und Tag-30-Performance je nach Distributionsphase des Videos verändert.
Diese Seite erklärt, wie das Modell funktioniert, was es wirklich misst und — wichtig — wo es versagt. Denn es versagt in bestimmten Situationen, und diese zu kennen verhindert Fehlinterpretationen.
Methodischer Hinweis: Dieser Prädiktor basiert auf beobachteten Aufrufe-Kurven-Archetypen aus Creator-Daten, nicht auf Zugang zu YouTubes internen Systemen. Er modelliert realistische Wahrscheinlichkeitsbereiche, keine garantierten Ergebnisse.
Der Prädiktor hat keinen Zugang zu YouTubes internen Daten. Er hat ein Modell, das aus beobachteten Mustern aufgebaut ist: wie Videos mit ähnlichen Algorithmus-Signalen über 90 Tage tendieren, segmentiert nach Format, Nische, Sprachmarkt und Kanalautorität.
Der Algorithmus-Score kombiniert CTR, Zuschauerbindungs- oder Abschlussrate, Engagement-Signale und Kanalautorität zu einem einzigen Composite. Über ca. 1,5 entspricht dies typischerweise Videos mit erweiterter Browse- und Suggested-Distribution. Unter 0,8 neigt die Kurve dazu, nach dem ersten Tag schnell zu zerfallen.
Jede Nischen-Sprachen-Kombination hat eine Obergrenze. Ein englischsprachiges Finanz-Video kann theoretisch eine viel größere Zielgruppe erreichen als dasselbe Konzept in einem kleineren Sprachmarkt. Das Modell wendet eine realistische Obergrenze basierend auf der geschätzten Marktgröße an.
Lang-Format und Shorts haben nicht nur unterschiedliche RPMs. Sie haben strukturell unterschiedliche Aufrufe-Kurven. Lang-Format baut typischerweise ein Schulterplateau um die Tage 4–14 auf. Shorts können früher und stärker steigen, neigen aber dazu, schneller zu zerfallen.
Hohe CTR ohne Zuschauerbindung bedeutet, dass Thumbnail und Titel ihre Arbeit tun, das Video aber nicht. Hohe Zuschauerbindung ohne CTR bedeutet, dass das Video befriedigt, aber nicht genug Klicks erhält. Im Modell werden CTR und Zuschauerbindung multipliziert statt addiert.
Shares werden im Modell stärker gewichtet als Likes, da sie in der Praxis eine stärkere Beziehung zu erweiterter Distribution haben. Abonnenten-Gewinne werden ähnlich gewichtet.
Dieselben CTR- und Zuschauerbindungszahlen bedeuten unterschiedliche Dinge für einen Kanal mit 500K durchschnittlichen Aufrufen pro Video versus einen mit 2K. Das Modell enthält einen Autoritätsmultiplikator, der dies widerspiegelt.
Ein auf historischen Mustern aufgebautes Modell kann keine Strukturveränderungen antizipieren.
Trend-getriebene Videos verletzen die Annahmen des Modells. Wenn ein Thema plötzlich kulturell bedeutsam wird, können verwandte Videos Kurven haben, die den beobachteten Archetypen nicht ähneln.
Sehr neue Kanäle schaffen ebenfalls Schätzprobleme. Die Kanalautoritätskomponente ist gegen Kanäle mit bedeutsamer Geschichte kalibriert.
Plattformübergreifender Overflow — ein Video wird auf Twitter oder Instagram viral — ist für das Modell unsichtbar.
Und Saisonalität beeinflusst sowohl Aufrufe als auch Engagement auf Weisen, die je nach Nische und Markt variieren. Das Modell wendet keine Saisonkorrektur an.
Die meisten Ratschläge zum YouTube-Wachstum behandeln den Prozess als vorhersehbarer, als er ist.
Das Screenshot-Problem ist erheblich. Ein virales Video wird überall gepostet. Die 40 durchschnittlichen Videos davor und danach nicht. Das Ergebnis ist, dass die meisten Creator eine Referenzbibliothek außergewöhnlicher Leistungen haben, keine typischen.
Dasselbe Problem gilt für 'Aufrufe x X€'-Einkommensschätzungen. Die Formel ignoriert Nische, Geografie, Zuschauerbindung, Format und Ad-Market-Timing.
Diese Szenarien illustrieren, wie dieselben Ausgangsmetriken zu unterschiedlichen 90-Tage-Ergebnissen führen können.
Gaming kann frühe schnelle Spitzen produzieren, hat aber Schwierigkeiten, das Schulterplateau aufzubauen. Mit starken Algorithmus-Signalen ist ein 90-Tage-Gesamt von 200K–280K plausibel.
Finanz-Videos mit echter Suchnachfrage tendieren dazu, einen längeren Tail aufzubauen. Ein 90-Tage-Bereich von 350K–650K ist mit starken Signalen und einem US-schweren Publikum plausibel.
Tutorials zu Themen mit konstanter Nachfrage können einen Distribution-Tail aufbauen, der weit über 90 Tage hinausreicht.
Eine realistische 90-Tage-Projektion könnte zwischen 380K und 720K Aufrufen liegen, wenn CTR und Engagement mit den frühen Signalen konsistent bleiben.
Die höhere Wettbewerbsdichte im Gaming kombiniert mit typischerweise niedrigerer Wiedergabezeit produziert normalerweise einen komprimierteren 90-Tage-Bereich — etwa 190K–350K ist plausibel.
Gleiche Ausgangsaufrufe, gleiches Videoalter, sehr unterschiedliche wahrscheinliche Trajektorien. Deshalb ist es fast immer irreführend, Kanäle ohne Berücksichtigung von Nische, Sprachmarkt, Zuschauerbindungsprofil und Publikumsgeografie zu vergleichen.
Die nützlichste Art, diesen Prädiktor zu verwenden, ist nicht, 'die' Prognose für ein Video zu finden — es ist, mehrere Szenarien durchzuspielen und zu verstehen, welche Bedingungen für jedes Ergebnis zutreffen müssten.
Sobald Sie echte Eingaben statt Bauchgefühl-Schätzungen modellieren, werden Muster sichtbar, die in Analytics allein schwer zu erkennen sind.
Dies ist eine strukturierte Annäherung, die aus beobachteten Verhaltensmustern und Zielgruppengröße-Einschränkungen aufgebaut ist. Am nützlichsten für vergleichende Analysen zwischen Kanalkonfigurationen und zur Identifizierung limitierender Signal-Variablen.
Verwenden Sie die Ausgabe als Planungsbereich mit ehrlicher Unsicherheit, nicht als verbindliche Prognose.
These answers cover the variables that move the model most and explain where outcomes diverge between videos that look similar on the surface.
Der YouTube Views Predictor verwendet aggregierte Creator-Daten und beobachtete Distributionsmuster, um realistische 90-Tage-Aufrufe-Kurven zu modellieren. Reale Performance kann sich aufgrund von Trend-Events, Plattformänderungen oder externen Traffic-Quellen erheblich unterscheiden. Verwenden Sie dieses Tool zur Planung und Bildung, nicht als Garantien. Terms of Use and Privacy Policy.
Enter your video metrics
to project the next 90 days