Enter your video metrics
to project the next 90 days
Após publicar um vídeo, a parte mais difícil não é a espera — é não saber se essa espera significa alguma coisa. Um vídeo com 3K visualizações no segundo dia pode chegar a 200K no dia 30, ou terminar em 8K. Ambos os resultados começam da mesma forma. A diferença está em sinais que ocorrem principalmente nas primeiras 48 a 96 horas, e a maioria dos criadores não tem uma estrutura útil para interpretá-los.
O que torna a previsão de visualizações genuinamente difícil não é a falta de dados — você tem CTR, retenção, engajamento, tempo de exibição e histórico do canal. É que esses sinais interagem entre si de maneiras não lineares, e a relação entre o desempenho do dia 3 e o dia 30 muda dependendo de qual fase de distribuição o vídeo está.
Esta página explica como o modelo funciona, o que ele está realmente medindo e — importante — onde o modelo falha. Porque ele falha em certas situações, e conhecê-las evita interpretar mal os resultados.
Nota metodológica: este previsor é construído com base em arquétipos de curvas de visualizações observados a partir de dados reportados por criadores, não em acesso aos sistemas internos do YouTube. Ele modela faixas de probabilidade realistas, não resultados garantidos.
O previsor não tem acesso aos dados internos do YouTube. O que ele tem é um modelo construído a partir de padrões observados: como vídeos com sinais algorítmicos similares tendem a se comportar ao longo de 90 dias, segmentados por formato, nicho, mercado linguístico e autoridade do canal.
A pontuação algorítmica combina CTR, taxa de retenção ou conclusão, sinais de engajamento e autoridade do canal em um único composto. Pontuação acima de 1,5 corresponde tipicamente a vídeos com distribuição estendida por navegação e sugestões. Abaixo de 0,8, a curva tende a decair rapidamente.
Cada combinação nicho-idioma tem um teto. Um vídeo de finanças em inglês pode teoricamente alcançar uma audiência muito maior do que o mesmo conceito em um mercado linguístico menor. O modelo aplica um limite realista com base no tamanho estimado do mercado.
Vídeos longos e Shorts não têm apenas RPMs diferentes. Têm curvas de visualizações estruturalmente diferentes. Vídeos longos constroem um platô ao redor dos dias 4–14. Shorts podem crescer mais cedo e com mais força, mas tendem a decair mais rapidamente.
CTR alto sem retenção significa que thumbnail e título fazem seu trabalho, mas o vídeo não. Retenção alta sem CTR significa que o vídeo satisfaz quem assiste, mas não há cliques suficientes. No modelo, CTR e retenção são multiplicados, não somados.
Os compartilhamentos têm mais peso do que as curtidas no modelo por sua relação mais forte com a distribuição estendida. Os ganhos de inscritos são ponderados de forma semelhante.
Os mesmos números de CTR e retenção significam coisas diferentes em um canal com 500K de visualizações médias por vídeo versus um com 2K. O modelo inclui um multiplicador de autoridade que reflete isso.
Um modelo construído em padrões históricos não pode antecipar mudanças estruturais.
Vídeos impulsionados por tendências violam as suposições do modelo. Quando um tópico de repente se torna culturalmente significativo, vídeos relacionados podem ter curvas que não se assemelham aos arquétipos observados.
Canais muito novos também criam problemas de estimativa. A componente de autoridade do canal é calibrada com canais com histórico significativo.
O transbordamento entre plataformas — um vídeo viralizar no Twitter ou Instagram — é invisível para o modelo.
E a sazonalidade afeta tanto as visualizações quanto o engajamento de formas que variam por nicho e mercado. O modelo não aplica correção sazonal.
A maioria dos conselhos sobre crescimento no YouTube trata o processo como mais previsível do que é.
O problema das capturas de tela é significativo. Um vídeo viral é publicado em todos os lugares. Os 40 vídeos medianos que vieram antes e depois não. O resultado é que a maioria dos criadores tem uma biblioteca de referência de desempenhos excepcionais, não típicos.
O mesmo problema se aplica às estimativas de receita 'visualizações x R$X'. A fórmula ignora nicho, geografia, retenção, formato e timing do mercado publicitário.
Esses cenários ilustram como as mesmas métricas de partida podem levar a resultados de 90 dias muito diferentes dependendo do nicho e do perfil de audiência.
O gaming pode produzir picos iniciais rápidos, mas tem mais dificuldade em construir o platô de ombro que estende a distribuição de cauda longa. Com sinais fortes, um total de 90 dias de 200K–280K é plausível.
Vídeos de finanças com demanda de busca real tendem a construir uma cauda mais longa. Uma faixa de 90 dias de 350K–650K é plausível com sinais fortes e audiência majoritariamente americana.
Tutoriais sobre tópicos com demanda constante podem construir uma cauda de distribuição que se estende bem além dos 90 dias.
Uma projeção realista de 90 dias pode cair entre 380K e 720K visualizações se CTR e engajamento se mantiverem consistentes com os sinais iniciais.
A maior densidade de concorrência no gaming combinada com tempo de exibição tipicamente menor produz uma faixa de 90 dias mais comprimida — algo como 190K–350K é plausível.
Mesmas visualizações iniciais, mesma idade do vídeo, trajetórias prováveis muito diferentes. Por isso comparar canais sem considerar nicho, mercado linguístico, perfil de retenção e geografia da audiência é quase sempre enganoso.
A forma mais útil de usar este previsor não é encontrar 'a' previsão para um vídeo — é executar vários cenários e entender quais condições precisariam ser verdadeiras para cada resultado.
Quando você modela dados reais em vez de estimativas intuitivas, padrões se tornam visíveis que são difíceis de ver apenas nas análises. Um canal que consistentemente obtém CTR forte mas retenção fraca tem um problema estratégico diferente do caso inverso.
Esta é uma aproximação estruturada construída a partir de padrões comportamentais observados. É mais útil para análise comparativa entre configurações de canal e para identificar quais variáveis de sinal estão limitando o desempenho.
Use os resultados como uma faixa de planejamento com incerteza honesta, não como uma previsão definitiva.
These answers cover the variables that move the model most and explain where outcomes diverge between videos that look similar on the surface.
O Previsor de Visualizações do YouTube usa dados agregados reportados por criadores e padrões de distribuição observados para modelar curvas de visualizações realistas de 90 dias. O desempenho real pode ainda variar significativamente por eventos de tendência, mudanças na plataforma, fontes de tráfego externas ou comportamento de audiência que não corresponde aos padrões históricos. Use esta ferramenta para planejamento e educação, não como garantias. Terms of Use and Privacy Policy.
Enter your video metrics
to project the next 90 days