Enter your video metrics
to project the next 90 days
Después de publicar un video, lo más difícil no es la espera — es no saber si esa espera significa algo. Un video con 3K vistas al día dos podría alcanzar 200K al día 30, o terminar en 8K. Ambos resultados comienzan igual. La diferencia está en señales que ocurren principalmente en las primeras 48 a 96 horas, y la mayoría de los creadores no tienen un marco útil para interpretarlas.
Lo que hace que predecir vistas sea genuinamente difícil no es la falta de datos — tienes CTR, retención, engagement, tiempo de visualización e historial del canal. Es que esas señales interactúan entre sí de maneras no lineales, y la relación entre el rendimiento del día 3 y el del día 30 cambia según en qué fase de distribución se encuentre el video.
Esta página explica cómo funciona el modelo, qué está midiendo realmente y — lo más importante — dónde falla el modelo. Porque sí falla en ciertas situaciones, y conocerlas evita malinterpretar los resultados.
Nota metodológica: este predictor se basa en arquetipos de curvas de vistas observados en datos reportados por creadores, no en acceso a los sistemas internos de YouTube. Modela rangos de probabilidad realistas, no resultados garantizados.
El predictor no tiene acceso a los datos internos de YouTube. Lo que tiene es un modelo construido a partir de patrones observados: cómo los videos con señales algorítmicas similares tienden a comportarse durante 90 días, segmentados por formato, nicho, mercado lingüístico y autoridad del canal.
La puntuación algorítmica combina CTR, tasa de retención o finalización, señales de engagement y autoridad del canal en un compuesto único. Esta puntuación selecciona cuál de cuatro arquetipos de curva — débil, promedio, fuerte o viral — usa la predicción como base. Una puntuación superior a 1,5 corresponde generalmente a videos que reciben distribución extendida por navegación y sugerencias. Por debajo de 0,8, la curva tiende a decaer rápido.
Cada combinación nicho-idioma tiene un techo. Un video de finanzas en inglés puede teóricamente alcanzar una audiencia mucho mayor que el mismo concepto en un mercado lingüístico más pequeño. El modelo aplica un límite realista basado en el tamaño estimado del mercado y la cuota de audiencia del nicho.
Los videos largos y los Shorts no solo tienen RPM distintos. Tienen curvas de vistas estructuralmente diferentes. Los videos largos construyen un plateau alrededor de los días 4–14. Los Shorts pueden subir antes y con más fuerza, pero tienden a decaer más rápido si las señales de bucle no son fuertes.
CTR alto sin retención significa que la miniatura y el título cumplen su función, pero el video no. Retención alta sin CTR significa que el video satisface a quienes lo ven, pero no hay suficientes clics. En el modelo, CTR y retención se multiplican en lugar de sumarse.
Los compartidos tienen más peso que los likes en el modelo por su relación más fuerte con la distribución extendida. Las suscripciones se ponderan de forma similar porque indican que el espectador encontró suficiente valor para querer más.
Los mismos números de CTR y retención significan cosas distintas en un canal con 500K vistas promedio por video versus uno con 2K. El modelo incluye un multiplicador de autoridad que refleja esto: los canales consistentes a escala obtienen cierto beneficio distributivo de su historial.
Un modelo construido sobre patrones históricos no puede anticipar cambios estructurales.
Los videos impulsados por tendencias violan las suposiciones del modelo. Cuando un tema se vuelve culturalmente significativo de repente, los videos relacionados pueden tener curvas que no se parecen en nada a los arquetipos observados.
Los canales muy nuevos también crean problemas de estimación. El componente de autoridad del canal está calibrado contra canales con historial significativo.
El desbordamiento entre plataformas — un video haciéndose viral en Twitter o Instagram — es invisible para el modelo.
Y la estacionalidad afecta tanto las vistas como el engagement de formas que varían por nicho y mercado. El modelo no aplica corrección estacional.
La mayoría de los consejos sobre crecimiento en YouTube tratan el proceso como más predecible de lo que es. Aquí es donde la mayoría de los creadores se equivocan — no por falta de esfuerzo, sino por aplicar marcos que simplifican en exceso un sistema genuinamente variable.
El problema de las capturas de pantalla es significativo. Un video viral se publica en todas partes. Los 40 videos promedio que vinieron antes y después no. El resultado es que la mayoría de los creadores tienen una biblioteca de referencia de rendimientos excepcionales, no típicos.
El mismo problema aplica a las estimaciones de ingresos 'vistas x $X'. La fórmula ignora nicho, geografía, retención, formato y timing del mercado publicitario.
Estos escenarios ilustran cómo las mismas métricas de partida pueden llevar a resultados muy diferentes a 90 días según el nicho y el perfil de audiencia.
El gaming puede producir picos tempranos rápidos pero tiene más dificultad para construir el plateau que extiende la distribución de larga cola. Con señales fuertes, un total a 90 días de 200K–280K es plausible.
Los videos de finanzas con demanda de búsqueda real tienden a construir una cola más larga. Un rango a 90 días de 350K–650K es plausible con señales fuertes y audiencia mayoritariamente estadounidense.
Los tutoriales sobre temas con demanda constante pueden construir una cola de distribución que se extiende mucho más allá de los 90 días.
Una proyección realista a 90 días podría situarse entre 380K y 720K vistas si el CTR y el engagement se mantienen consistentes con las señales tempranas.
La mayor densidad de competencia en gaming combinada con un tiempo de visualización típicamente menor produce un rango a 90 días más comprimido — algo como 190K–350K es plausible.
Mismas vistas iniciales, misma antigüedad del video, trayectorias probables muy diferentes. Por eso comparar canales sin considerar nicho, mercado lingüístico, perfil de retención y geografía casi siempre es engañoso.
La forma más útil de usar este predictor no es encontrar 'el' pronóstico para un video — es ejecutar varios escenarios y entender qué condiciones deberían darse para cada resultado. Ese razonamiento convierte una herramienta de predicción en una de apoyo a decisiones.
Una vez que modelas datos reales en lugar de estimaciones intuitivas, se vuelven visibles patrones difíciles de ver en las analíticas. Un canal que obtiene sistemáticamente CTR fuerte pero retención débil tiene un problema estratégico diferente al del caso inverso.
Es una aproximación estructurada construida a partir de patrones conductuales observados. Es más útil para análisis comparativo entre configuraciones de canal y para identificar qué variables de señal limitan el rendimiento. No es fiable para contenido impulsado por tendencias, canales muy nuevos o situaciones donde fuentes de tráfico externas podrían afectar significativamente los resultados.
Usa los resultados como un rango de planificación con incertidumbre honesta, no como un pronóstico definitivo.
These answers cover the variables that move the model most and explain where outcomes diverge between videos that look similar on the surface.
El Predictor de Vistas de YouTube usa datos agregados reportados por creadores y patrones de distribución observados para modelar curvas de vistas realistas a 90 días. El rendimiento real puede variar significativamente por eventos de tendencia, cambios de plataforma, fuentes de tráfico externas o comportamiento de audiencia que no coincide con los patrones históricos. Usa esta herramienta para planificación y educación, no como garantías. Terms of Use and Privacy Policy.
Enter your video metrics
to project the next 90 days