Observatoire CamSoda
NB: cet outil est indépendant, basé sur l’API CamSoda, n’est pas officiel, et respecte de l’anonymat des viewers.
Introduction à l’Observatoire CamSoda
L’Observatoire Camsoda, c’est un peu la météo du site, mais pour l’activité des modèles et des audiences.
Chaque mois, on prend du recul sur ce qui s’est réellement passé : combien de modèles ont été actifs, à quels moments la plateforme est la plus fréquentée, comment évoluent les audiences par rapport au mois précédent, quels jours et quelles heures sont les plus “chauds”. On suit aussi la dynamique du catalogue : l’équilibre entre nouveaux et anciens modèles, ceux qui montent, ceux qui deviennent des habitués, ou encore les profils qui performent mieux que leur popularité ne le laisserait penser.
En parallèle, on regarde comment tout cela se répartit : par langue, par genre, par tags, par régularité de présence… L’objectif n’est pas de noyer sous les chiffres, mais de donner une vision claire et lisible de la vie du site : quand ça bouge, qui tire l’audience vers le haut, quels positionnements fonctionnent, et comment le marché évolue au fil des mois.
Analyse de la synthèse mensuelle
Le tableau suivant affiche, pour un mois donné :
- 4 gros chiffres en haut (les KPI)
- Modèles actifs : combien de modèles différents ont été en ligne ce mois-là.
- Créneaux au pic : la tranche horaire où l’audience est la plus forte.
- % non-new : la part de modèles “installés” (pas nouveaux) dans l’activité.
- Δ audiences (30j) : l’évolution de l’audience moyenne par rapport au mois précédent (en %).
- Un graphique “Médiane viewers — mois”
- Une courbe bleue pour tous les modèles.
- L’axe horizontal = les jours du mois.
- L’axe vertical = la médiane de viewers par modèle quand ils sont en ligne.
→ Ça donne le “profil” d’audience jour après jour.
- Un graphique “Moyenne par heure (mois)”
- Un histogramme avec 24 barres, une par heure (00h → 23h).
→ Ça répond à “quelles heures ramènent le plus de monde ?”.
- Un histogramme avec 24 barres, une par heure (00h → 23h).
- Une grande heatmap “Horaires & régularité” (Heure / Jour)
- En haut : les jours de la semaine (Lun → Dim).
- Sur le côté : les heures (00h → 23h).
- Chaque case est plus ou moins orangée en fonction du niveau d’activité moyen (nombre de modèles en ligne).
→ C’est une carte qui montre en un coup d’œil quels jours et quelles heures sont les plus “chauds”.
En une phrase : le tableau récapitule combien de modèles sont actifs, comment l’audience évolue dans le mois, quelles heures fonctionnent le mieux, et à quels moments de la semaine la plateforme est la plus vivante.
Note: this tool is independent, based on the CamSoda API, unofficial, and it preserves viewer anonymity.
Introduction to the CamSoda Observatory
The CamSoda Observatory is the site’s “weather report” for models and audiences.
Each month we take a step back: how many models were active, when the platform was busiest, how audiences changed versus the previous month, which days and hours were the hottest. We also track catalog dynamics: the balance between newcomers and established models, who’s rising, who’s becoming a regular, and profiles that overperform relative to their popularity.
In parallel, we break things down by language, gender, tags, and regularity of presence. The aim is clarity over overload: a clear, readable view of when things move, who pulls the audience upward, which positionings work, and how the market evolves month after month.
Monthly summary analysis
The table shows, for a given month:
- Four headline KPIs: Active models, Peak time slot, % non-new, Δ audience (30d).
- “Median viewers — month”: a blue line; days on X; median viewers while live on Y.
- “Average per hour (month)”: 24 bars (00→23) to reveal the strongest hours.
- “Schedule & regularity” heatmap: weekdays × hours; color intensity = average activity.
In one line: it summarizes how many models are active, how audience evolves through the month, which hours perform best, and when the platform is most lively.
Analyse des langues
Ce programme est, en gros, le “chef d’orchestre” du graphique Parts d’audience par langue sur CamSoda pour le mois précédent.
Cela se traduit par un bloc unique et lisible qui répond à la question :
« Sur ce mois, quelle place prend chaque langue dans l’offre globale disponible sur le site CamSoda ? »
Language analysis
This module is effectively the “conductor” of the audience share by language chart for the previous month.
It boils down to one clear question:
“This month, what share does each language take within CamSoda’s overall offering?”
Analyse des tags et tags par genre (2 tableaux)
Ce programme fournit une analyse sur le mois précédent du top 10 des tags par genre. Le second tableau est dynamique, il suffit de cliquer sur le genre (f,m,t,c) pour avoir la vue détaillée ainsi que la pondération.
Chaque mois, il dresse un bilan clair des centres d’intérêt les plus populaires sur la plateforme, genre par genre : Femme, Homme, Trans, Couple. Pour chaque genre, vous voyez une liste des tags les plus fréquents, classés du plus courant au moins courant. Les barres roses indiquent l’importance relative de chaque tag : plus la barre est longue, plus ce thème est présent pendant le mois considéré.
L’objectif est de rendre lisible, d’un seul coup d’œil, ce qui attire l’attention du public et ce que les créateurs mettent en avant. Vous pouvez passer d’un genre à l’autre grâce aux onglets et comparer les tendances : certains tags sont universels, d’autres marquent davantage un genre précis. Cette lecture comparée aide à repérer des motifs récurrents, des surprises (un tag qui monte), ou des spécificités culturelles et esthétiques.
Le module privilégie une lecture sobre et stable : il se concentre sur la présence observée sur l’ensemble du mois, afin d’éviter les effets de mode à très court terme. Les classements sont volontairement décroissants pour mettre en tête les thèmes qui structurent le mois. Par souci de clarté, certains mots fourre-tout ou trop vagues peuvent être regroupés ou écartés, afin de garder des catégories parlantes pour tous.
En bref, c’est un tableau de bord grand public : il ne demande pas de connaissances préalables et offre une lecture immédiate des goûts et tendances du moment. C’est utile pour la curiosité générale, pour suivre l’évolution d’un mois à l’autre, ou pour guider une sélection éditoriale qui respecte à la fois les habitudes établies et l’évolution naturelle des préférences.
Tags and tags by gender (2 tables)
This module provides the previous month’s top 10 tags by gender. The second table is interactive: click a gender (f, m, t, c) for a detailed, weighted view.
Each month it offers a clear picture of the most popular interests, gender by gender (Female, Male, Trans, Couple). For each gender, you see a list of the most frequent tags, ordered from most to least common. The pink bars indicate each tag’s relative importance: the longer the bar, the more present the theme during the month.
The aim is an immediate, readable view of what draws audience attention and what creators highlight. Switch genders via tabs to compare trends: some tags are universal, others are more specific to a gender. This comparative reading helps you spot recurring motifs, surprises (a tag on the rise), and cultural/aesthetic specificities.
The module favors a sober, stable reading: it focuses on presence across the full month to avoid short-term hype. Rankings are deliberately descending to surface structuring themes. Generic or overly vague terms may be grouped or omitted for clarity.
In short, this is a general-audience dashboard: no prior knowledge needed, and you get an immediate read of tastes and trends. It’s useful for general curiosity, for tracking changes month-to-month, or for guiding an editorial selection that respects both established habits and natural evolution.
Top 10 par genre (période 2026-03 — métrique: ticks)
Tableau dynamique des tags/genre
Cliquez sur le tag lié au genre pour voir les différences.
Interactive tags-by-gender table
Click the tag linked to a gender to explore the differences.
Analyse des genres, de leur présence et audience
Ce graphique montre comment se répartissent les camgirls/camboys par genre sur CamSoda, et à quels moments de la journée ils et elles sont le plus présents et le plus regardés.
Plus en détail, pour un visiteur :
- Le camembert en haut
→ Il montre la répartition des modèles par genre (Femme / Homme / Trans / Couple) sur l’ensemble du mois choisi.
Chaque part représente la part de présence du genre sur le site (pas juste le nombre de comptes, mais le temps où ils étaient réellement en ligne). - Le premier histogramme (“Présence cumulée par heure”)
→ Pour chaque heure de la journée (0h → 23h), il montre combien de temps cumulé les modèles de chaque genre ont passé connectés.
En gros : à quelles heures il y a le plus de femmes / hommes / trans / couples en ligne sur le site. - Le deuxième histogramme (“Audience moyenne par heure”)
→ Pour chaque heure, il montre combien de viewers en moyenne regardent chaque genre quand il est en ligne.
Ça permet de voir à quelles heures chaque genre attire le plus de public. - La période
→ Les chiffres sont calculés sur un mois complet (par défaut : le mois précédent), pour éviter les effets de journée “anormale” et montrer une tendance stable.
Dit autrement : ce widget répond à trois questions simples pour le visiteur curieux des stats du site :
- “Quel genre est le plus présent sur CamSoda ?”
- “À quelles heures les différents genres sont le plus connectés ?”
- “À quelles heures chaque genre est le plus regardé ?”
Genders: presence & audience
This visualization shows how models split by gender on CamSoda and when they are most present and most watched.
- Pie chart — gender share of presence across the month (time actually online, not just account counts).
- Histogram #1 (“Cumulative presence per hour”) — which hours have the most models online.
- Histogram #2 (“Average audience per hour”) — which hours each gender attracts the most viewers.
- Period — computed over a full month (default: previous month) for stability.
In other words: three simple questions — which gender is most present, at what times are they most connected, and at what times is each gender most watched?
Analyse des « Newcomers »
Ce module présente, en termes simples, deux vues complémentaires de l’activité des modèles sur la plateforme. La première, « Newcomers → Conversion », met en avant les nouveaux profils d’un mois donné et indique lesquels semblent avoir trouvé leur public. La seconde, « Top modèles récurrents », valorise les habitués qui reviennent souvent et maintiennent une présence régulière. L’objectif n’est pas de décoder la technique, mais d’offrir une lecture claire : qui arrive, qui s’installe, qui fidélise.
Pour les newcomers, chaque profil est observé sur une courte période à partir de sa première apparition (une « fenêtre J+N », par exemple 14 jours). Durant cette fenêtre, trois repères gouvernent le statut affiché : la moyenne de spectateurs lorsqu’il est en direct, le nombre minimal de jours réellement actifs, et un plancher de followers. Un modèle est indiqué « Converti » lorsque sa moyenne de viewers atteint ou dépasse le seuil défini, qu’il a été actif au moins le nombre de jours requis, et que sa base de followers passe le palier attendu. S’il manque l’une de ces marches, il apparaît « À suivre » : prometteur, mais pas encore stabilisé.
Les modèles récurrents, eux, sont classés selon la constance : jours actifs dans le mois, volume de présence et audience moyenne. Cette vue met en lumière les valeurs sûres, indépendamment de leur date d’arrivée.
Les seuils peuvent être adaptés selon la ligne éditoriale : on peut resserrer l’exigence d’audience, relever le plancher de followers ou demander plus de jours actifs pour signer une « conversion ». Cette souplesse permet d’ajuster la barre au fil des saisons tout en gardant une lecture simple et cohérente.
Newcomers
This module provides two complementary views of model activity. “Newcomers → Conversion” highlights the new profiles in a given month that seem to find their audience. “Top recurring models” showcases regulars who return often and maintain steady presence. The aim is clarity, not technicalities: who arrives, who settles in, who retains viewers.
For newcomers, each profile is observed over a short window after first appearance (a “D+N window”, e.g., 14 days). Three markers determine status: average viewers while live, a minimum number of truly active days, and a followers floor. A model is labeled “Converted” when the average viewers meet or exceed the threshold, they were active at least the required days, and the follower base crosses the target. Otherwise they appear as “To watch”.
Recurring models are ranked for consistency: active days in the month, total presence, and average audience — surfacing steady performers regardless of start date.
Thresholds are adjustable to match editorial policy: tighten the audience requirement, raise the follower floor, or require more active days. This keeps a simple, coherent reading through the seasons.
Analyse des Top modèles récurrents
Top recurring models
Analyse des « Rising Stars »
Ce programme affiche un top des modèles “Rising Stars”, c’est-à-dire celles/ceux dont l’audience progresse le plus d’un mois à l’autre, à partir des données calculées en base.
Dans le contexte de ce programme :
avg(A)
- C’est la moyenne de viewers quand le modèle est en ligne sur la fenêtre A (= mois de base, par ex. septembre si on compare à octobre)
Donc : “quel était typiquement son niveau d’audience les jours où il travaillait, pendant le mois A ?”
avg(B)
- Exactement la même chose, mais pour la fenêtre B (= mois comparé, par ex. octobre).
Donc : “quel est son niveau d’audience les jours où il travaille, pendant le mois B ?”
ticks A / B
- tA = nombre de jours actifs (jours où le modèle a été online dans la fenêtre A retenue).
- tB = nombre de jours actifs dans la fenêtre B.
- Le programme aligne les fenêtres : il prend N jours actifs dans A et N jours actifs dans B (N = min(jours actifs A, jours actifs B)), puis compte, pour chaque modèle, combien de ces jours contiennent de l’activité.
Donc : “combien de jours différents ont réellement servi à calculer avgA / avgB ?”
Plus tA/tB sont grands, plus la moyenne est robuste.
Score
- C’est une mesure de progression pondérée.
- Côté builder v2, il est calculé comme :
score=(avgB−avgA)×SQRT(min(tA,tB))
- avgB – avgA = gain d’audience entre A et B.
- sqrt(min(tA, tB)) = pondération qui :
- donne plus de poids aux modèles avec des fenêtres bien remplies (beaucoup de jours actifs),
- mais sans écraser tout le monde (on ne multiplie pas directement par tA).
Donc : “à quel point ce modèle a vraiment monté en puissance, en tenant compte à la fois du gain d’audience et de la quantité de données derrière ce gain ?”
En résumé :
- avgA / avgB = qualité moyenne de l’audience quand il/elle est en ligne sur chaque mois.
- ticks A/B = nombre de jours qui donnent du poids à cette moyenne.
- score = “intensité” de la progression, gain × crédibilité statistique.
Rising Stars
This program lists “Rising Stars”: models whose audience grows the most month-over-month, based on database aggregates.
In this context:
avg(A)
- The average viewers while the model is live over window A (baseline month; e.g., September if comparing to October).
In other words: “What was their typical live audience on active days during month A?”
avg(B)
- The same metric for window B (comparison month; e.g., October).
That is: “What is their live audience on active days during month B?”
ticks A / B
- tA = number of active days in window A; tB = in window B.
- Windows are aligned: take N = min(tA, tB) active days in both A and B, then count activity on those days.
So: “How many distinct days actually fed avgA/avgB?” The larger tA/tB, the more robust the averages.
Score
score = (avgB − avgA) × √min(tA, tB)
- avgB − avgA = the audience gain from A to B,
- √min(tA, tB) = a weight favoring well-filled windows (many active days) without overpowering others.
So the score measures progress intensity, balancing gain with the amount of data behind it.
Summary — avgA/avgB: typical audience while live; ticks A/B: how much data supports the average; score: gain × statistical credibility.
Analyse des « Sleeper Hits »
Fonctionnellement, ce programme fait ceci :
- Il prend la période = mois précédent.
- Il lit la base de données pour ce mois et ne garde que les modèles :
- du genre demandé (ici, on prend genre= * → tous),
- avec au moins 6 ticks (heures de présence) dans le mois (min_ticks = 6 ),
- actifs au moins 3 jours distincts (min_days = 3),
- dont le nombre de followers est plafonné à max(followers, 300) pour le calcul.
- Pour chaque modèle, il calcule une “efficience” : moyenne des viewers quand le modèle est online
divisée par max(followers, followers_floor) → ici max(followers, 300). - Il exclut les usernames qui matchent voyeurcam-%, trie par efficience décroissante, garde les 20 premiers (limit = 20), et affiche un tableau avec lien + chiffres, avec les vignettes.
En résumé :
ce programme donne le Top 20 des “sleeper hits” du mois précédent — les modèles qui performent anormalement bien par rapport à leur base de followers, avec un minimum de présence pour éviter les faux signaux.
Sleeper Hits
Functionally, this program does the following:
- Period = previous month.
- Query the database and keep only models that:
- match the requested gender (here
*→ all), - have at least 6 ticks (hours online) in the month (min_ticks = 6),
- are active on at least 3 distinct days (min_days = 3),
- and whose follower count is capped at
max(followers, 300)for scoring.
- match the requested gender (here
- Compute an efficiency: average viewers while live divided by
max(followers, followers_floor)(here 300). - Exclude usernames matching
voyeurcam-%, sort by efficiency (desc), keep the Top 20, and display a table with link + figures, with thumbnails.
In short: the Top 20 sleeper hits of the previous month — models that overperform relative to their follower base, with minimum-presence guards to avoid false signals.
| Modèle | Moy. viewers | Followers | J actifs | Efficience |
|---|---|---|---|---|
| 289,7 | 196 | 6 | 0,966 | |
| 171,2 | 169 | 7 | 0,571 | |
| 165,6 | 223 | 3 | 0,552 | |
| 162,6 | 78 | 12 | 0,542 | |
| 294,4 | 570 | 8 | 0,517 | |
| 140,1 | 119 | 3 | 0,467 | |
| 139,3 | 150 | 4 | 0,464 | |
| 134,5 | 177 | 4 | 0,448 | |
| 133,1 | 232 | 26 | 0,444 | |
| 133,1 | 177 | 22 | 0,444 | |
| 130,5 | 202 | 4 | 0,435 | |
| 130,1 | 87 | 22 | 0,434 | |
| 128,8 | 98 | 8 | 0,429 | |
| 128,3 | 184 | 3 | 0,428 | |
| 157,5 | 371 | 27 | 0,425 | |
| 127,1 | 20 | 23 | 0,424 | |
| 127,8 | 307 | 25 | 0,416 | |
| 124,6 | 154 | 18 | 0,415 | |
| 121,9 | 269 | 4 | 0,406 | |
| 136,2 | 337 | 25 | 0,404 |
Analyse du « Taglift »
En version « humaine » ce programme fait ceci :
- Choisir une période
On dit au programme “regarde septembre 2025” (ou il prend automatiquement le mois précédent).
Il se concentre sur ce mois-là uniquement. - Mesurer la “normale” (baseline)
Il regarde tous les lives où les modèles sont en ligne, et calcule : “en moyenne, quand quelqu’un est online, il y a X viewers”
Ça, c’est la baseline. C’est le niveau zéro, le “public moyen” sans se soucier des tags. - Regarder les tags un par un
Pour chaque tag (bigtits, gamer, blonde-hair, etc.), il regarde uniquement :- les jours où ce tag était actif sur des modèles,
- combien de viewers en moyenne il y avait ces jours-là,
- combien de jours / sessions / modèles ça représente.
- Comparer au “normal/baseline”
Pour chaque tag, il répond à la question : “Quand ce tag est là, est-ce que l’audience est plus haute ou plus basse que la moyenne du site ?
Et de combien ?” Il calcule donc :- un lift absolu : +20 viewers, +50 viewers, etc.
- un lift en % : +40 %, -30 %, etc.
- Classer les tags : gagnants vs perdants
- Les tags où l’audience est au-dessus de la baseline → gagnants (winners).
- Ceux où elle est en-dessous → perdants (losers).
- Filtrer pour éviter les faux signaux
Il ne garde que les tags qui ont :- assez de jours / sessions (min_n),
- assez de modèles différents (min_models),
histoire d’éviter qu’un tag vu 2 fois avec 300 viewers ne devienne “le roi du monde” par hasard.
En résumé :
ce programme répond à la question “quels tags amènent vraiment du monde (ou font fuir) sur le mois X, et dans quelles proportions ?”
C’est une loupe sur l’impact réel des tags sur l’audience, tag par tag.
Taglift
In human terms, this module does the following:
- Select a period
Ask the program “look at September 2025” (or it automatically takes the previous month). It focuses on that month only. - Measure the “normal” (baseline)
Consider all lives while models are online and compute: “on average, when someone is online, there are X viewers.” That’s the baseline — the zero level, the site’s average audience regardless of tags. - Evaluate tags one by one
For each tag (bigtits, gamer, blonde-hair, etc.), it considers only:- days when the tag was active on models,
- how many viewers there were on average on those days,
- how many days / sessions / models this represents.
- Compare to the baseline
For each tag, answer: “When this tag is present, is the audience higher or lower than the site average — and by how much?” It computes:- an absolute lift: +20 viewers, +50 viewers, etc.,
- a % lift: +40%, −30%, etc.
- Rank tags: winners vs losers
Above baseline → winners; below → losers. Sort to surface tags that truly move the needle. - Filter out false signals
Keep only tags with enough days/sessions (min_n) and enough distinct models (min_models) — so a tag seen twice with 300 viewers doesn’t become “king of the hill” by accident.
In summary:
This module answers: “Which tags actually bring audience (or drive it away) in month X, and by how much?” It’s a magnifying glass on each tag’s real impact on audience.