從 YouTube 官方招聘網頁可見，YouTube 工程團隊中數據分析師的職責是：「分析數據以建立解決方案並提出建議，從而改善業務和產品。」換言之，YouTube 工程團隊編寫算法邏輯時，為減低用戶不習慣或不喜歡而棄用的風險，必先顧及用戶數據反饋才作決定。
YouTube 調整演算法的依據是數據，而數據則反映人類集體行為的結果和現實世界的供求。假設世人已對詩詞歌賦不感興趣，每逢見到相關內容都不點擊不觀看，工程團隊亦不會倒行逆施，一意孤行編改演算法強推。因此，與其日夜思索所謂演算法的喜好，不如直接從演算法工程團隊的終端服務對象思考，分析自己的行為，坦承面對人性的缺陷。
個人化 (Personalization) 令每個用戶重返 YouTube 都有賓至如歸的感覺，是 YouTube 演算法成功的基石，而個人化的成功則建基於人獨處的行為。獨處在私人房間，想看甚麼就看甚麼，不用假裝品味高尚，不用理會別人的喜好，亦不用擔心自己的喜好被別人看見而被說三道四。當大部份用戶都不約而同作出同樣的行為，放下形象包袱，展現赤祼的自己，演算法便可更準確地採集數據了解人的喜好。
在無人看管的場景下，人性會如實地呈現，毫不掩飾地留下痕跡，向演算法發送訊號，暗示自己是樂在其中或悶悶不樂，直接影響工程團隊的決策，間接左右演算法的傾向。
為了令推介片單更似度身訂造，更符合人的口味，YouTube 演算法這位導覽員會觀察人過往的決策紀錄 (User History)，嘗試找出相似又略帶不同的 (Adjacent) 影片，提供最大機會符合用戶喜好的推介，就如你會先觀察朋友的行為再作推介。舉個例，當你一見朋友接連吃下牛心、牛肝、牛腎和牛肺後，你會向他推介一碗牛雜麵，而不會冒昧推介羅漢齋。人如此，人工智能亦如此，分別在於人記在大腦，人工智能會將上述牛食分解成元數據 (Metadata)記錄在資料庫，再等有請求時及時遞出作為推介。
改良機械是為了更準確地模擬人的行為，所以理解演算法的喜好不必具備電腦科學知識，亦不需要懂得編程，只需要檢視自我便足夠。