Monetization opportunity sizing of YouTube Trending: Causal inference modeling and counterfactual analysis with YouTube public API data

Abstract

YouTube es la plataforma de vídeos más grande, popular e importante del mundo. Recibe millones de visitas diarias que generan miles de millones de dólares en ingresos publicitarios que se dividen entre YouTube y los "youtubers". “YouTube Trending” es una función que aumenta la exposición de los vídeos al presentarlos en un sector específico dentro de la plataforma. Estos vídeos, que tienen un límite de 50 por día, por país, son categorizados automáticamente como tendencias—según su rendimiento y otras variables—y luego expuestos como tales, aumentando su visibilidad dentro de la aplicación. En esta tesis medimos cómo aumenta la cantidad de vistas de videos de la plataforma debido a este incremento de exposición. Una mayor cantidad de vistas implica mayores ingresos publicitarios, lo que implica un mayor valor para YouTube y para los creadores de videos. Nuestro objetivo es medir cuánto de ese valor puede ser capturado por YouTube monetizando Trending. Para realizar este análisis, modelamos el problema como un estudio observacional para calcular el efecto de tendencia en las vistas de vídeos utilizando técnicas de inferencia causal. También definimos el mercado direccionable en el que utilizaremos el efecto promedio de tratamiento obtenido, haciendo ingeniería inversa sobre el criterio de asignación de tendencias altamente estricto que utiliza YouTube con un modelo de clasificación de aprendizaje automático. Después de eso, realizamos un análisis contrafáctico para estimar la disposición a pagar que tienen los creadores para cada uno de los videos en el mercado direccionable. Finalmente, usamos esta información para calcular el precio que maximiza los ingresos netos bajo un esquema de precios sin discriminación y los ingresos netos que YouTube podría generar bajo un esquema de precios con discriminación de primer grado.YouTube is the biggest, most popular and most important video platform in the world. It receives millions of daily visits that generate billions of dollars in advertisement revenue which gets split between YouTube and “youtubers”. “YouTube Trending” is a feature that gives videos an exposure boost by featuring them in a dedicated sector within the platform. These videos, which are capped at 50 per day per country, are automatically categorized as trending—based on their performance and other variables—and then exposed as such, boosting their discoverability within the application. In this thesis we measure how the number of video views of the platform increases due to this exposure boost. Higher number of views leads to higher ad revenue, which leads to higher value to YouTube and video creators. Our objective is to size how much of that value can be captured by YouTube by monetizing Trending. In order to perform this analysis we model the problem as an observational study to calculate Trending effect on views by using causal inference techniques. We also define the addressable market in which we will use the average treatment effect obtained by reverseengineering YouTube’s highly strict trending assignment criteria with a machine learning classification model. After that, we run a counterfactual analysis to estimate the willingnessto- pay creators have for each of the videos in the addressable market. Finally, we use this information to compute the price that maximizes net revenue under a scheme with no price discrimination and the net revenue YouTube could make under a first-degree price discrimination scheme.