Cómo funcionan las recomendaciones de YouTube

Los tres puntos de entrada: dónde aparecen las recomendaciones

El sistema de recomendaciones de YouTube no es un único algoritmo — son múltiples sistemas trabajando en paralelo según dónde se encuentre el usuario dentro de la plataforma. Entender cada superficie te permite optimizar estratégicamente.

Homepage feed (Inicio): Es la pantalla que ve un usuario al abrir YouTube. Aquí el sistema trabaja casi exclusivamente con el historial de largo plazo: qué temas consume regularmente, qué canales sigue, qué videos terminó de ver y cuáles abandonó en los primeros 30 segundos. YouTube llama a esto "satisfacción a largo plazo" — no solo quiere que hagas clic, quiere que salgas contento de la sesión. Por eso el homepage penaliza contenido clickbait que genera muchos clics pero baja retención.

Suggested videos (Videos sugeridos): Aparece en la barra lateral y al final de un video en reproducción. Este sistema es más contextual: toma en cuenta el video que estás viendo ahora mismo, el canal, el tema y la sesión actual. Un video de 20 minutos sobre inversión en bolsa generará sugerencias de otros videos de finanzas personales, no de recetas de cocina aunque el usuario las vea habitualmente. Es el punto de entrada más valioso para canales nuevos porque permite "robar" audiencia de canales grandes en el mismo nicho.

Browse features (Explorar y tendencias): Incluye la pestaña Explorar, Tendencias y las categorías temáticas. Aquí YouTube combina señales globales (qué está viendo mucha gente ahora) con señales personalizadas. Es más difícil de manipular directamente, pero canales con alto engagement en las primeras horas pueden aparecer en Tendencias locales.

El modelo de dos etapas: candidatos y ranking

YouTube tiene millones de videos. No puede evaluar todos para cada usuario en tiempo real. Por eso usa una arquitectura de dos etapas que describen en su paper técnico de 2016 (Deep Neural Networks for YouTube Recommendations) y que sigue siendo la base del sistema actual.

Etapa 1 — Generación de candidatos: Una red neuronal profunda toma el perfil del usuario (historial de búsquedas, historial de reproducción, datos demográficos, hora del día, dispositivo) y genera un conjunto reducido de cientos de videos candidatos de entre millones. El criterio aquí es relevancia: ¿este video tiene alguna probabilidad de interesar a este usuario?

Etapa 2 — Ranking: Otro modelo más preciso toma esos cientos de candidatos y los ordena por "utilidad esperada". La utilidad no es solo el CTR — es una combinación ponderada de señales que incluye: probabilidad de que el usuario haga clic, probabilidad de que vea más del 50% del video, probabilidad de que deje un "me gusta", probabilidad de que no pulse "No me interesa", y probabilidad de que encuesta de satisfacción (cuando YouTube las muestra) sea positiva.

Este segundo modelo es donde entra en juego el concepto de "satisfacción del espectador" que YouTube repite constantemente en su documentación pública. No optimizan solo para tiempo de visualización ni solo para clics — optimizan para una señal compuesta que intenta predecir si el usuario quedará satisfecho.

Las señales que más peso tienen (y las que no)

YouTube no publica los pesos exactos de su modelo, pero a través de su canal CreatorInsider, documentación pública y experimentos de creadores, podemos ordenar las señales por importancia práctica:

Señales de alto impacto:

• Retención de audiencia: Qué porcentaje del video ve cada espectador. Un video con 70% de retención promedio recibe mucho más distribución que uno con 30%, incluso si el de 30% tiene más suscriptores detrás.
• CTR (Click-Through Rate): Qué porcentaje de usuarios hace clic cuando ven la miniatura y el título. El rango saludable está entre 4% y 10% dependiendo del nicho. Por debajo de 2% el algoritmo deja de mostrar el video.
• "No me interesa" y "No recomendar canal": Estas señales negativas tienen peso desproporcionado. Un video que acumula muchas señales negativas entra en una espiral de menor distribución muy difícil de revertir.
• Velocidad de engagement en las primeras horas: YouTube hace un "test" inicial mostrando el video a una muestra pequeña de usuarios. Si el engagement es alto en esas primeras horas, amplía la distribución. Si es bajo, lo contiene.

Señales de impacto medio:

• Likes y comentarios: Son positivos pero menos determinantes de lo que muchos creadores creen.
• Suscripciones generadas por el video: Indica que el contenido atrajo audiencia nueva compatible con el canal.
• Shares: Señal fuerte de satisfacción, especialmente compartidos fuera de YouTube (WhatsApp, Twitter).

Señales de bajo impacto directo:

• Número de suscriptores del canal (correlaciona con distribución pero no la causa directamente).
• Fecha de publicación (más reciente no siempre gana).
• Densidad de palabras clave en el título o descripción (el SEO de YouTube importa para búsqueda, menos para recomendaciones).

Cómo usar esto para crecer más rápido

Entender el sistema de recomendaciones cambia cómo debes pensar cada video. En lugar de preguntarte "¿cómo posiciono esto en búsqueda?", la pregunta correcta es: "¿cómo consigo que la gente que vea este video quede suficientemente satisfecha como para que el algoritmo lo muestre a más personas similares?".

Optimiza el primer minuto sin sacrificar la promesa: El pico de abandono más dañino ocurre en los primeros 30-60 segundos. No pongas intro larga, no digas "bienvenidos al canal", entra directo al conflicto o la información prometida en el título. Pero no engañes — si el título promete "ganar $10,000 al mes" y el video tarda 15 minutos en llegar al punto, la retención caerá en picado a mitad del video, lo cual es igual de dañino.

Diseña miniaturas que generen el CTR correcto: Una miniatura que genera clics de usuarios que luego se arrepienten es peor que una miniatura con CTR modesto pero alta satisfacción. El algoritmo detecta la diferencia. Una buena miniatura debe atraer exactamente a la audiencia que disfrutará el video, no a todos.

Estudia los videos outlier de tu nicho: Los videos que superan significativamente las vistas esperadas para el tamaño del canal (outliers positivos) son la señal más clara de qué tipo de contenido el algoritmo está amplificando activamente en tu categoría. Analizar esos outliers sistemáticamente — formato, duración, ángulo del tema, estructura del título — es la estrategia de crecimiento más eficiente disponible.

Preguntas frecuentes