Innholdsresearch på YouTube: Analyser 10 konkurrentvideoer raskt

Innholdsresearch på YouTube pleide å bety å se konkurrenter i 2x hastighet med et notatdokument åpent, mens oppmerksomheten min drev av gårde rundt video nummer tre. Nå, før jeg skriver manus til noe som helst, henter jeg transkripsjoner av de 10 beste videoene om temaet og lar en LLM grave frem hookene deres, den vanlige strukturen og — den verdifulle delen — spørsmålene ingen av dem svarer på. Hele kjøringen tar 15 minutter og to verktøy: en kort Python-løkke og én analyseprompt.

Samle korpuset

Søk på temaet ditt på YouTube, kopier video-id-ene til de 10 øverste resultatene etter visninger, og la løkken gjøre resten:

import requests, time

API_KEY = "yt_your_key"
video_ids = ["VIDEO_ID_1", "VIDEO_ID_2"]  # your top 10

corpus = []
for vid in video_ids:
    r = requests.get(
        "https://youtube2text.org/api/transcribe",
        params={"url": f"https://www.youtube.com/watch?v={vid}",
                "maxChars": 30000},
        headers={"x-api-key": API_KEY}, timeout=60)
    data = r.json()
    if "result" in data:
        corpus.append(f"### {data['result']['title']}\n{data['result']['content']}")
    time.sleep(1)

open("corpus.md", "w").write("\n\n".join(corpus))

maxChars: 30000 gjør en reell jobb der. Ti videoer på 30k tegn hver gir et korpus på ~300k tegn — rundt 75–85k tokens, komfortabelt innenfor Claudes 200k-kontekst med plass igjen til analysen. Og 30k tegn dekker omtrent de første 25 minuttene med snakk, som er mer enn nok til å grave frem hooks og struktur. if "result"-sjekken er viktig fordi én eller to videoer i enhver topp 10 vil ha undertekster deaktivert og returnere TRANSCRIPT_UNAVAILABLE — hopp over dem og gå videre.

Konkurranseanalyse-prompten

Lim korpuset inn i denne:

Below are transcripts of the 10 most-viewed videos about {TOPIC}.

Analyze across all of them:
1. HOOKS — quote the first two sentences of each video.
   What patterns repeat?
2. STRUCTURE — outline the section order most videos share.
3. CLAIMS — list specific claims or numbers that appear in
   three or more videos. These are table stakes.
4. GAPS — questions a viewer would still have after watching
   all 10. Be specific; these are my content opportunities.

Cite the video title for every observation.

{PASTE corpus.md}

Seksjon 4 er grunnen til at jeg gidder. På en nylig kjøring om et databasesammenligningstema benchmarket alle ti videoene lesehastighet, og ikke én dekket migreringskostnad — det hullet ble min best presterende video det kvartalet.

Hva transkripsjoner ikke kan fortelle deg

Begrensningen som fortjener å sies rett ut: seertid er ord pluss alt annet. En hook som virker flat på papiret, kan fungere på grunn av et b-roll-klipp eller et thumbnail-løfte, og transkripsjonen ser ingenting av det. Jeg behandler korpusanalysen som kartet, og ser deretter faktisk de tre beste videoene for å se hvordan ordene leveres. Dessuten radbrekker auto-undertekster av og til akkurat de fagtermene du prøver å mønstergjenkjenne på, så ta en titt på korpusfilen før du stoler på opptellingen av påstander.

Kvote og å gjøre det til en vane

Én research-kjøring er 10 API-kall. Gratisnivåets 5 videoer i måneden dekker ikke en eneste kjøring, så denne arbeidsflyten starter realistisk sett på basisnivået til $5.99 — 50 videoer, altså fem dypdykk i temaer per måned. Ukentlig research på tvers av flere nisjer passer pro til $9.99 for 500. For produksjonsklar henting med retries og 429-håndtering har Python-guiden det mer komplette skriptet; vil du ha korpuset permanent søkbart i stedet for engangsbruk, mat det inn i et kanal-RAG-oppsett. Og når hull-analysen gir deg en vinkel, gjør video-til-bloggpost-pipelinen den resulterende videoen om til en artikkel igjen.

Nøkler er en Google-innlogging unna på youtube2text.org/app/keys — ikke noe kort, ikke noe telefonnummer, og din neste innholdskalender argumenterer for seg selv.