Транскрипты спонсорских YouTube-роликов на внешних сайтах-отзовиках могут менять сравнения в ChatGPT
При сравнении брендов ChatGPT подтягивает текст со сторонних сайтов, и транскрипты проплаченных упоминаний у YouTube-блогеров на внешнем сайте-отзовике влияют на его ответы.
Гаган Гхотра описывает эксперимент с этим подходом для клиента: ролики на YouTube, где бренд заплатил авторам за упоминание, превратили в страницы с расшифровками.
Когда пользователи просят ChatGPT сравнить бренд с конкурентами, модель извлекает эти транскрипты и цитирует слова блогеров о компании — даже при том, что исходные фрагменты видео были проплаченными размещениями.
Поскольку массовые страницы с расшифровками могут не понравиться Google, по мнению Гагана, такую схему стоит разворачивать на отдельном ресурсе вроде businessreviews.com или businessreview.com, а не на основном домене бренда.
Отдельно в дистрибуции коротких видео SaaS-клиент раскидывает один и тот же Short длительностью ~1 минута по нескольким соцсетям, меняя описание при каждой загрузке.
Если назначить один целевой ключ и описание для Facebook, второй — для TikTok, а третий — для Instagram, один видеофайл диверсифицируется под как минимум три-четыре ключа.
Более того, Эдвард Стурм отмечает, что по одному поисковому запросу в выдаче часто всплывает одно и то же видео на странице Facebook, в TikTok, Instagram и YouTube Shorts, а иногда идентичный ролик может ранжироваться четыре раза одновременно.
Небольшое изменение текста описания при каждой заливке делает каждый пост более уникальным для Google.
Вдобавок Дэвид Куэйд советует выводить в топ одно и то же продуктовое видео на разных площадках за счёт встраивания или нативного репоста в аккаунты соцсетей со сменой тайтла при каждой загрузке, отмечая, что Google нейтрален к самому видеофайлу.
Однако простая публикация на хостинге соцсети с DA 90 не выведет пост в топ автоматически, так как конкуренты уже плотно забили эти домены.
Поскольку PageRank работает на всех уровнях, карточки товаров должны ссылаться на посты бренда в соцсетях, чтобы загнать их в индекс и передать ссылочный вес.
Параллельно в плане того, как поисковики и ИИ-модели парсят загрузки на YouTube: ссылка в первой строчке описания видео направляет пользователей прямиком обратно на карточку товара, тогда как сам текст описания даёт детали продукта, которые извлекает большинство LLM.
Более продвинутые модели вроде Grok, напротив, просматривают часовое видео целиком, чтобы сгенерировать саммари.
При организации страниц с видео-транскриптами под извлечение ИИ категоризация контента по установке и поддержке, вертикалям и языкам может помогать и пользователям, и LLM понимать, как видео к ним относится.