Enter your video metrics
to project the next 90 days
Après avoir publié une vidéo, la partie la plus difficile n'est pas l'attente — c'est de ne pas savoir si cette attente signifie quelque chose. Une vidéo à 3K vues au deuxième jour peut atteindre 200K au jour 30, ou se terminer à 8K. Les deux issues commencent de la même façon. La différence réside dans des signaux qui se produisent principalement dans les 48 à 96 premières heures, et la plupart des créateurs ne disposent pas d'un cadre utile pour les interpréter.
Ce qui rend la prédiction de vues vraiment difficile n'est pas un manque de données — vous avez le CTR, la rétention, l'engagement, le temps de visionnage et l'historique de la chaîne. C'est que ces signaux interagissent les uns avec les autres de manière non linéaire, et la relation entre la performance au jour 3 et la performance au jour 30 change selon la phase de distribution dans laquelle se trouve la vidéo.
Cette page explique comment le modèle fonctionne, ce qu'il mesure réellement, et — surtout — où il atteint ses limites. Car il atteint ses limites dans certaines situations, et les connaître évite de mal interpréter les résultats.
Note méthodologique : ce prédicteur est construit sur des archétypes de courbes de vues observés à partir de données rapportées par des créateurs, et non sur l'accès aux systèmes internes de YouTube. Il modélise des fourchettes de probabilité réalistes, pas des résultats garantis.
Le prédicteur n'a pas accès aux données internes de YouTube. Il s'appuie sur un modèle construit à partir de tendances observées : comment les vidéos présentant des signaux algorithmiques similaires ont tendance à se comporter sur 90 jours, segmentées par format, niche, marché linguistique et autorité de chaîne.
Le score algorithmique combine le CTR, le taux de rétention ou de complétion, les signaux d'engagement et l'autorité de la chaîne en un composite unique. Ce score sélectionne ensuite parmi quatre archétypes de courbes — faible, moyen, fort ou viral — la base utilisée pour la prédiction. Un score supérieur à environ 1,5 correspond généralement aux vidéos qui bénéficient d'une distribution étendue via la navigation et les suggestions. En dessous de 0,8, la courbe tend à décroître rapidement après le premier jour.
Chaque combinaison niche-langue a un plafond. Une vidéo de finance en anglais peut théoriquement atteindre une audience bien plus large que le même concept sur un marché linguistique plus restreint, non pas parce que le contenu est meilleur, mais parce que la base d'audience adressable est plus grande. Le modèle applique un plafond réaliste basé sur la taille estimée du marché et la part d'audience de la niche.
Les vidéos longues et les Shorts n'ont pas seulement des RPM différents. Leurs courbes de vues sont structurellement différentes. Les vidéos longues construisent généralement un plateau autour des jours 4 à 14, quand la distribution via la navigation et les suggestions s'enclenche après la fenêtre de test algorithmique. Les Shorts peuvent culminer plus tôt et plus fortement, mais tendent à décroître plus vite si les signaux de boucle ne sont pas forts.
Un CTR élevé sans rétention signifie que la miniature et le titre font leur travail, mais pas la vidéo. Une rétention élevée sans CTR signifie que la vidéo satisfait ceux qui la regardent, mais pas assez de personnes cliquent pour la trouver. Dans le modèle, CTR et rétention sont multipliés plutôt qu'additionnés — ce qui signifie qu'une faiblesse dans l'un ou l'autre crée un frein plus important qu'une faiblesse sur un signal moins déterminant.
Les partages sont pondérés plus fortement que les likes dans le modèle, car ils ont une relation plus forte avec la distribution étendue en pratique. Une vidéo massivement partagée atteint par définition de nouvelles audiences. Les abonnements sont pondérés de manière similaire, car ils indiquent que le spectateur a trouvé suffisamment de valeur pour en vouloir davantage.
Les mêmes chiffres de CTR et de rétention ont une signification différente sur une chaîne avec 500K vues moyennes par vidéo par rapport à une chaîne avec 2K vues. Le modèle inclut un multiplicateur d'autorité qui reflète cela : les chaînes cohérentes à grande échelle bénéficient d'un avantage distributionnel lié à leur historique, tandis que les chaînes plus récentes ou inconsistantes sont traitées de manière plus conservative.
Un modèle construit sur des tendances historiques ne peut pas anticiper les changements structurels. Voici où celui-ci est le plus susceptible de se tromper.
Les vidéos portées par une tendance violent les hypothèses sur lesquelles le modèle est construit. Quand un sujet devient soudainement culturellement significatif — un événement d'actualité, un moment viral, un changement de politique — les vidéos associées peuvent avoir des courbes de vues qui ne ressemblent en rien aux archétypes observés. Le modèle sous-estimera généralement considérablement ces vidéos.
Les chaînes très récentes posent également des problèmes d'estimation. La composante d'autorité de chaîne du modèle est calibrée sur des chaînes avec un historique significatif. Une chaîne avec 5 vidéos offre très peu de données sur lesquelles s'appuyer.
Le déversement cross-plateforme — une vidéo devenant virale sur Twitter ou Instagram et générant des vues YouTube en dehors de la distribution normale de la plateforme — est invisible pour le modèle.
Et la saisonnalité affecte à la fois les vues et l'engagement de manière variable selon la niche et le marché. Le modèle n'applique pas de correction saisonnière.
La plupart des conseils sur la croissance YouTube traitent le processus comme plus prévisible qu'il ne l'est. C'est là que la plupart des créateurs se trompent — non par manque d'efforts, mais en appliquant des cadres qui simplifient à l'excès un système genuinement variable.
Le problème des captures d'écran est significatif. Une vidéo virale est partagée partout. Les 40 vidéos moyennes qui l'ont précédée et suivie ne le sont pas. Il en résulte que la plupart des créateurs ont une bibliothèque de performances exceptionnelles, pas typiques.
Le même problème s'applique aux estimations de revenus 'vues x X€'. Cette formule ignore la niche, la géographie, la rétention, le format et le timing du marché publicitaire — c'est-à-dire les variables qui déterminent réellement le résultat.
Ces scénarios illustrent comment des métriques de départ identiques peuvent mener à des résultats très différents à 90 jours selon la niche et le profil d'audience. Ce sont des fourchettes, pas des prédictions pour des chaînes spécifiques.
Le gaming peut produire des pics précoces rapides mais a plus de mal à construire le plateau intermédiaire qui étend la distribution longue traîne. Avec des signaux algorithmiques forts, un total à 90 jours de 200K–280K est plausible. Avec des signaux moyens, la courbe s'aplatit souvent plus vite après la première semaine.
Les vidéos de finance avec une vraie demande de recherche tendent à construire une longue traîne plus durable que le contenu de divertissement, car le sujet reste pertinent au-delà de la fenêtre de distribution initiale. Une fourchette à 90 jours de 350K–650K est plausible avec de forts signaux et une audience majoritairement américaine.
Les tutoriels sur des sujets à demande constante peuvent construire une traîne de distribution qui s'étend bien au-delà de 90 jours. Pour les chaînes de tutoriels, le RPM du mois 6 est parfois plus informatif que les vues du mois 1.
Une projection réaliste à 90 jours pourrait se situer entre 380K et 720K vues si le CTR et l'engagement restent cohérents avec les signaux précoces. La large fourchette reflète l'incertitude réelle quant au maintien de la distribution via navigation et suggestions pendant la phase intermédiaire.
La densité de concurrence plus élevée dans le gaming combinée à un temps de visionnage typiquement plus faible produit généralement une fourchette à 90 jours plus resserrée — quelque chose comme 190K–350K est plausible dans des conditions de signaux similaires.
Mêmes vues de départ, même ancienneté de vidéo, des trajectoires probables très différentes. C'est pourquoi comparer des chaînes sans tenir compte de la niche, du marché linguistique, du profil de rétention et de la géographie de l'audience est presque toujours un exercice trompeur.
La façon la plus utile d'utiliser ce prédicteur n'est pas de trouver 'la' prévision pour une vidéo — c'est d'exécuter plusieurs scénarios et de comprendre quelles conditions devraient être réunies pour chaque résultat. Ce type de raisonnement transforme un outil de prédiction en outil d'aide à la décision.
Une fois que vous modélisez des données réelles plutôt que des estimations instinctives, des tendances deviennent visibles qu'il est difficile de voir dans les analytics seuls. Une chaîne qui obtient systématiquement un fort CTR mais une faible rétention a un problème stratégique différent de celle avec l'inverse.
Il s'agit d'une approximation structurée construite à partir de tendances comportementales observées et de contraintes de taille d'audience. Elle est la plus utile pour l'analyse comparative entre configurations de chaînes et pour identifier quelles variables de signal limitent les performances. Elle n'est pas fiable pour le contenu porté par des tendances, les chaînes très récentes avec peu d'historique, ou toute situation où des sources de trafic externes pourraient significativement affecter les résultats.
Utilisez les résultats comme une fourchette de planification avec une incertitude honnête, pas comme une prévision à tenir pour acquise.
These answers cover the variables that move the model most and explain where outcomes diverge between videos that look similar on the surface.
Le prédicteur de vues YouTube utilise des données agrégées rapportées par des créateurs et des tendances de distribution observées pour modéliser des courbes de vues réalistes sur 90 jours. Les performances réelles peuvent encore varier considérablement en raison d'événements de tendance, de changements de plateforme, de sources de trafic externes, de changements de concurrence ou de comportements d'audience ne correspondant pas aux tendances historiques. Utilisez cet outil pour la planification et l'éducation, pas comme des garanties. Terms of Use and Privacy Policy.
Enter your video metrics
to project the next 90 days