Analýza hitů Spotify: data, algoritmy a věda o hudebním úspěchu

Informatec Digital » Zdroje » Analýza hitů Spotify: data, algoritmy a věda o hudebním úspěchu

Spotify se stalo perfektní laboratoří pro studium toho, co dělá z písně hit.Máme data o přehrávání v reálném čase, pokročilé metriky pro umělce a miliony posluchačů, kteří se každou sekundu rozhodují. Spotify se zdaleka nestal jen platformou pro poslech, ale proměnil se v obrovskou… databáze kde lze analyzovat vzorce, emoce, žánry a strategie playlistů, abychom pochopili, proč některé písně rostou a jiné upadají v zapomnění.

V posledních letech nástroje, akademický výzkum a modely strojového učení věnovaná Analýza hitů SpotifyOd studia redakčních žebříčků, jako jsou Today's Top Hits nebo Rap Caviar, až po vytváření algoritmů schopných předpovědět, zda bude skladba patřit do nejoblíbenější skupiny v katalogu. Zároveň Spotify for Artists demokratizoval přístup k těmto metrikám a umožňuje každému umělci vidět, kdo ho poslouchá, kde a jak ho objevují, a podle toho upravit svou kreativní a marketingovou strategii.

Co přesně je analýza hitů Spotify a proč na ní záleží?

Když o tom mluvíme Analýza hitů Spotify Nemluvíme jen o tom, kolikrát byla skladba přehrána. Jde o širší přístup, který kombinuje zvuk, kontext a chování uživatelů, aby odpověděl na nepříjemnou, ale zásadní otázku: lze předpovědět úspěch skladby před jejím vydáním? Vědci pomocí dat z API Spotify pracují s proměnnými, jako je popularita, energie, valence, délka, tempo a tanečnost, aby se k této odpovědi pokusili přiblížit.

Tento přístup má kořeny v tzv. „věda o hitech“Tuto myšlenku, kterou na začátku prvního desetiletí 2000. století zpopularizoval Mike McCready, zahrnuje použití algoritmů a matematických modelů k předpovědi, které písně si povedou v hitparádách a rádiu. Zatímco první studie dospěly k závěru, že je to velmi obtížné (a že modely nebyly dostatečně přesné), situace se zcela změnila s příchodem streamování, masivním nárůstem objemu dat a zdokonalením technik strojového učení.

Spotify dnes nabízí API s přístupem k desítkám tisíc skladeb. hudební a kontextové atributyOd tóniny a módu až po pravděpodobnost, zda je skladba akustická nebo instrumentální, včetně metrik speciálně navržených k popisu vnímání písně (energie, valence, tanečnost atd.). To vše nám umožňuje přejít od subjektivních názorů k mnohem přesnějším kvantitativním analýzám.

Souběžně s tím nástroj Spotify pro umělce Pomáhá to tvůrcům neztratit se v marnivých metrikách a soustředit se na to, na čem skutečně záleží: dlouhodobý rozvoj publika, zapojení, udržení a vliv marketingových aktivit na vytváření skutečných fanoušků. Jinými slovy, čísla ano, ale s kontextem a strategickým záměrem.

Oficiální playlisty a strategie: váha redakčních seznamů

Jednou z nejdůležitějších součástí jakékoli seriózní analýzy hitů na Spotify je role oficiální redakční playlistyŽebříčky jako Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint nebo ¡Viva Latino! fungují jako masivní zesilovače: dostat se do jednoho z nich může zcela změnit trajektorii písně nebo dokonce kariéry.

Nástroje třetích stran, jako například Soundcharts, vám umožňují vidět jak se umělec chová v těchto playlistechPočet vystoupení, délka setrvání, trhy, kde mají největší dopad atd. Tento typ analýzy jasně ukazuje, že přítomnost v redakčních seznamech není ozdobou, ale klíčovou součástí strategie růstu na platformě.

Při tvorbě kvalitních playlistů existují určitá opakující se kritéria. Například se cení, že existují rozmanitost umělců namísto opakování stejných jmen znovu a znovuSeznamy, kde se stejný interpret objevuje příliš mnohokrát, mívají horší hodnocení, protože snižují posluchačův pocit objevování.

Také hledám koherentní genderová vyváženostKdyž playlist míchá příliš mnoho stylů bez jasného směru, experiencia Stává se fragmentovaným a hodnocení klesá. Nejlépe vnímané seznamy se obvykle zaměřují na jeden nebo několik dobře definovaných žánrů, což uživateli pomáhá na první pohled pochopit, co může očekávat po stisknutí tlačítka přehrávání.

Dalším klíčovým aspektem je směs známých i nově vznikajících tématPlaylisty, které obsahují pouze velké hity, jsou v pořádku, ale nenabízejí mnoho možností pro objevování. Naproti tomu playlisty, které kombinují zavedené písně s méně známými skvosty, obvykle generují větší zájem a pomáhají vytvářet nové hity.

Konečně panuje shoda v tom, že dobrý playlist by měl mít alespoň přibližně 50 skladeb pro kompletní zážitekŽebříčky s méně než 10 skladbami jsou často vnímány jako špatné a dostávají nižší hodnocení, což také ovlivňuje výkon skladeb, které obsahují.

Stručná historie Spotify a původ jeho analytických nástrojů

Než Spotify mohlo provádět pokročilou analýzu hitů, musela si samotná platforma najít své místo v hudebním průmyslu. Nápad, se kterým přišel spoluzakladatel Daniel Ek, vznikl po pádu Napsteru v roce 2002. Chtěl vytvořit službu, která by byla „lepší než pirátství, ale zároveň by se odvětví vyplatila“.V té době Ek provozoval uTorrent, jednoho z hlavních P2P klientů pro stahování a sdílení, takže měl znalosti o světě neoprávněné distribuce z první ruky.

Poté, co koncem roku 2006 prodal uTorrent společnosti BitTorrent, se Ek plně zaměřil na budování Spotify. Aplikace byla oficiálně spuštěna v roce 2008 ve Švédsku, poté, co dosáhla licenční a majetkové účasti s významnými hudebními společnostmiSpolečnosti Sony Music Entertainment, Universal Music Group a Warner Music Group. O rok později expandovala do Spojeného království a v roce 2011 přistála i ve Spojených státech.

V tomto počátečním období se základna placených předplatitelů v Evropě rozrostla z přibližně 1 milionu na přibližně 4 miliony celosvětově v roce 2012Do roku 2016 společnost Spotify již oznamovala 40 milionů platících uživatelů a celkový počet uživatelů se blížil 100 milionům, čímž se streamování upevnilo jako dominantní forma konzumace hudby na celém světě.

Zároveň se začaly objevovat datové nástroje pro umělce. První byl Postřehy fanouškůToto řešení nabízelo některým týmům omezený přístup ke streamovacím datům: demografickým údajům, geografii a základním trendům. V roce 2017 se toto řešení vyvinulo do Spotify for Artists, což otevřelo všem umělcům dveře k zobrazení jejich klíčových metrik a k využití dat k rozhodování o turné, vydáních a propagaci.

V roce 2018 společnost vstoupila na burzu s tržní kapitalizací přibližně 30.000 milionůOd té doby počet trhů, kde působí, neustále roste a s tím i důležitost analytiky v rámci platformy. Co začalo jako licencovaný přehrávač médií, se stalo globální infrastrukturou, kde data vládnou.

Metriky Spotify: jak měřit skladbu i mimo streamy

Pro vytvoření modelů predikce zásahů je nejprve nutné pochopit, jaký typ data poskytovaná rozhraním Spotify APINapříklad v jedné studii zaměřené na indický trh bylo z playlistů generovaných službou Spotify extrahováno více než 46 000 nahrávek písní, které pokrývaly širokou škálu žánrů a subžánrů.

Informace jsou uspořádány do několika sekcí. Na úrovni tratí najdeme data jako například identifikátor, název, interpret, popularita, datum vydání a délka v milisekundáchNa úrovni alba se ukládá ID a název. Na úrovni seznamu skladeb se zobrazuje název, ID, žánr a související podžánr.

Ale nejzajímavější pro analýzu zásahů je zvukové funkcerozděleny do různých kategorií: charakteristiky „nálady“ (tanečnost, energie, valence, tempo), fyzikální vlastnosti (hlasitost, řečovost, instrumentalita), kontext (akustika, živost) a hudební segmenty (tónina, mód). Každá z těchto proměnných je pečlivě definována a normalizována.

Například tanečnost se vyjadřuje jako hodnota mezi 0 a 1, která shrnuje jak snadné je tančit na písničkuNa základě prvků, jako je rytmus, stabilita tempa a síla rytmu, se energie pohybuje od 0 do 1 a snaží se zachytit, zda skladba zní intenzivně, rychle a silně, oproti něčemu klidnějšímu nebo jemnějšímu.

Valencia popisuje, vnímaná emoční „pozitivita“ V audiu odpovídají nízké hodnoty smutným, napjatým nebo melancholickým pocitům, zatímco vysoké hodnoty se hodí k veselé, jasné nebo euforické hudbě. Akustika měří pravděpodobnost, že skladba bude akustická, živost přítomnost živého publika v nahrávce a řečovost odráží podíl mluvených slov v mixu (velmi vysoké, například v podcastech nebo stopách s mluveným slovem).

Dalšími důležitými parametry jsou tempo v BPMcelková délka, tónina (kódovaná jako celé číslo), mód (durový nebo mollový) a popularita skladby. Poslední jmenovaná je interní metrika Spotify s rozsahem od 0 do 100. Záleží jak na objemu streamů, tak i na jejich aktuálním stavu.Píseň, která byla před lety obrovská, ale už se téměř nehraje, časem zaznamená pokles sledovanosti.

Jak připravit a vyčistit datovou sadu, aby bylo možné predikovat zásahy

Jeden krok, který se při diskusi o analýze hitů na Spotify často přehlíží, je příprava datové sadyV dané studii byla data shromážděna pomocí R a RStudio, přičemž se pro různé kombinace trhu (Indie), žánrů a subžánrů vybraných podle jejich globální a lokální váhy volalo Spotify API.

Při kombinování skladeb z různých tematických playlistů je běžné, že se mnoho skladeb opakuje, protože stejná skladba se může objevit v různých seznamech. Protože cílem nebylo analyzovat samotnou strategii sestavování playlistů, ale spíše charakteristiky skladeb, bylo Odstranili duplicitní stopyčímž se celková základna snížila ze 46 417 na přibližně 39 147 unikátních skladeb.

Sloupce, které neměly být v modelech použity jako vysvětlující proměnné, jako například interpret, ID a název alba a pole specifická pro playlist, byly odstraněny. Zároveň Standardizovali názvy polí a datové typy byly upraveny: například popularita, režim, klíč a doba trvání byly převedeny na číselné hodnoty typu float pro usnadnění statistického zpracování.

Klíčovým rozhodnutím bylo transformovat popularitu do lépe ovladatelné proměnné. Místo práce se spojitou hodnotou od 0 do 100, práh pro oddělení populárních a nepopulárních písníVezmeme-li v úvahu 85. percentil distribuce (přibližně popularita 65), skladby nad touto hodnotou byly považovány za „oblíbené“ a zbytek za „neoblíbené“.

Tímto způsobem byl datový soubor rozdělen na téměř 6 000 populárních písní a asi 33 000 nepopulárníchPro explorativní analýzu byla data dokonce rozdělena do pěti tříd popularity (velmi vysoká, vysoká, střední, nízká a velmi nízká) s intervaly 20 bodů, což umožnilo porovnání jemných trendů mezi úrovněmi úspěšnosti.

Kromě toho byla z názvů skladeb vygenerována nová proměnná: a indikátor sentimentuPomocí knihovny TextBlob v Pythonu byla vypočítána polarita každého titulu (číslo mezi -1 a 1) a klasifikována jako pozitivní, negativní nebo neutrální. Tato číselná hodnota byla přidána do datového rámce, aby se zjistilo, zda tón titulu souvisí s jeho popularitou.

Průzkum dat: co odlišuje nejoblíbenější písně

Před trénováním jakéhokoli modelu strojového učení je nezbytné věnovat čas vizuální a statistické zkoumání datV případě této studie byly analyzovány distribuční křivky, průměry na skupinu popularity a vztahy mezi emocemi a úspěchem.

Jedno z pozoruhodných zjištění se týká popularity nejúspěšnějších skladeb. Při pohledu na skladby s hodnocením popularity nad 90 bylo zjištěno, že Větší počet z nich byl ve Valencii pod hodnotou 0,5.Jinými slovy, zněli smutněji, zachmuřeněji nebo melancholicky než vesele. Nebyla to absolutní dominance, ale byla to jasná tendence.

Když bylo vyneseno rozdělení popularity podle pohlaví, většina křivek zaujala přibližný tvar zvonus mnoha skladbami kolem průměru a méně na extrémních hodnotách. Žánry jako rock, R&B, EDM, world music a indická hudba však vykazovaly určitou asymetrii kvůli velkému počtu skladeb s nulovou popularitou. Naproti tomu styly jako pop, rap, latina a desi se jevily vyváženější a s menší koncentrací skladeb s nulovým hodnocením.

To naznačuje, že v těch běžnějších žánrech je to obecně snadnější dosáhnout určité úrovně popularityi když písně nemají všechny ideální vlastnosti, zatímco v jiných stylech je rozdělení úspěchu polarizovanější.

Při porovnání průměrů různých funkcí podle třídy popularity se objevil velmi jasný vzorec: nejúspěšnější témata mívají větší energie a větší hlasitost (vnímaná hlasitost)a také více instrumentalismu a méně řeči. Jednoduše řečeno, písně, které si vedou nejlépe při streamování, bývají silnější a více zaměřené na hudbu než na mluvená slova.

Bylo také pozorováno, že populární skladby obsahují nižší akustika a nižší živostJinými slovy, zní méně „akusticky“ a méně „živě“. Jsou více studiově produkované, propracovanější, s menším množstvím ambientního hluku nebo koncertního pocitu.

Dalším klíčovým zjištěním je, že populární písně bývají kratší než ty neoblíbenéV kontextu, kde příjmy závisí na počtu streamů a algoritmy odměňují opakování, dává smysl, že kratší skladby mohou rychleji nashromáždit přehrání a stát se „vhodnějšími“ pro playlisty.

Pokud jde o vnímané štěstí (valenci), trend je zvláštní: úrovně stoupají od nižších tříd popularity k „vyšší“ třídě, ale v nejextrémnější kategorii, „velmi vysoké“, dochází k výraznému poklesu. Jinými slovy, Superpopulární písně mívají tendenci znít smutněji než ty pouze „úspěšné“.To otevírá dveře mnoha interpretacím o veřejném vkusu a socioemocionálním kontextu.

Statistická analýza: dopad žánrů a zvukových atributů

Jakmile byla data prozkoumána, dalším krokem bylo jejich použití formální statistické testy zjistit, které proměnné by mohly být považovány za relevantní při vysvětlování popularity. Pro zjištění, zda pohlaví ovlivnilo úspěch, byla použita analýza rozptylu (ANOVA) s devíti hlavními žánry.

Výsledek ANOVA poskytl velmi vysokou hodnotu F a prakticky nulovou významnost, což znamená, že Mezi žánry existují statisticky významné rozdíly v popularitěTo však nestačí: je také důležité vědět, mezi kterými páry pohlaví se tyto rozdíly vyskytují a zda bude daná proměnná užitečná pro prediktivní model.

Protože rozptyly nebyly homogenní a počet skladeb v jednotlivých žánrech se lišil, byl použit následující vzorec: Games-Howellův post-hoc testTato analýza umožnila ověřit, které kombinace pohlaví nevykazovaly významné rozdíly v popularitě, což celkově znemožňovalo použití pohlaví jako silného prediktoru v modelech strojového učení.

Souběžně byly provedeny následující nezávislé t-testy Pro každý zvukový prvek byly porovnány průměry mezi skupinou populárních písní a skupinou nepopulárních písní. S hladinou významnosti 95 % bylo zjištěno, že téměř všechny proměnné (tanečnost, energie, hlasitost, akustika, živost, délka, tempo, valence a instrumentalita) vykazovaly mezi oběma skupinami významné rozdíly.

Jedinou zdánlivou výjimkou byla řečnivostV prvním testu nebyl rozdíl v průměrech významný, ale další analýza ukázala, že rozsahy mluvenosti u vysoce populárních témat (s hodnotami mezi 0,024 a 0,685) spadaly do širšího rozmezí méně populární třídy (mezi 0 a 0,964). Toto překrývání nezabránilo mluvenosti, pokud byla efektivně použita, v přispívání informací do modelu, takže bylo rozhodnuto ji ponechat jako prediktor.

Stručně řečeno, blok zvukových funkcí demonstroval jasná popisná síla týkající se popularity, zatímco s pohlavím se zacházelo opatrněji a v některých predikčních přístupech bylo vyloučeno jako primární proměnná.

Vytváření modelů strojového učení pro predikci zásahů

S čistou datovou sadou a vybranými relevantními proměnnými nastal čas vytvořit binární klasifikační modely schopný předpovědět, zda skladba patří do horních 15 % popularity. Za tímto účelem byly kategorické proměnné key a mode nejprve převedeny na fiktivní proměnné pomocí funkce get_dummies v Pandas.

Po začlenění těchto figurín byly původní sloupce pro klíč a mód, stejně jako pro pokračující popularitu, odstraněny a cílová proměnná byla zachována. binární pole popularity (oblíbené vs. neoblíbené). Před trénováním modelů byly všechny numerické charakteristiky standardizovány pomocí StandardScaleru, protože fungovaly na velmi odlišných škálách a bylo důležité, aby měly srovnatelnou váhu.

Datová sada byla rozdělena na trénovací a testovací pomocí funkce train_test_split, přičemž část 20 % registrací k testováníTímto způsobem se zabránilo únikům informací a bylo zajištěno, že výkonnostní metriky odrážely skutečnou zobecnitelnost modelů, a nikoli pouze jejich schopnost zapamatovat si trénovací data.

Prvním aplikovaným modelem byl Logistická regreseTato technika je široce používána v binární klasifikaci. Byla implementována a vyhodnocena iterační verze s mírou učení 0,01 a 200 iteracemi pomocí křížové validace. Průměrná přesnost dosáhla přibližně 84,7 %, což je pozoruhodně silný výsledek pro tak složitý problém, jako je predikce hudebního úspěchu.

Poté byl algoritmus otestován K-Nearest Neighbors (KNN)který klasifikuje každou skladbu podle k nejbližších sousedů v prostoru rysů. Úprava hodnoty ky pomocí vyhledávání v mřížce za účelem nalezení optimální konfigurace přinesla velmi podobnou přesnost, kolem 84,8 %, s mírným zlepšením skóre křížové validace ve srovnání s logistickou regresí.

Dalším modelem byl Support Vector Machine (SVM)Byla použita další supervizovaná technika schopná zpracovat lineární i nelineární vztahy. Opět, pomocí hyperparametrického fitování bylo dosaženo přesnosti okolo 84,6 % s ekvivalentními hodnotami v křížové validaci, což naznačuje stabilní výkon.

Dále bylo hodnoceno: Naivní Bayesův klasifikátorNa základě hypotézy nezávislosti mezi rysy. Přestože se jedná o mnohem jednodušší model z hlediska předpokladů, jeho výsledky přesnosti (přibližně 84,6 %) byly srovnatelné s SVM a velmi blízké logistické regresi a KNN, což posiluje myšlenku, že struktura problému se dobře hodí pro tento typ pravděpodobnostního přístupu.

Nakonec byly testovány modely založené na rozhodovacích stromech. Klasifikátor rozhodovacího stromu Dosáhl výrazně nižší přesnosti, kolem 75,4 %, a křížová validace tento pokles výkonu potvrdila, pravděpodobně kvůli problémům s přeplněním. Klasifikátor náhodných lesů, který kombinuje mnoho stromů pro vyhlazení těchto efektů, se výrazně zlepšil a dosáhl přesnosti přibližně 84,1 % a v křížové validaci přes 84 %.

Pro dokončení analýzy, a matice zmatků a klasifikační zpráva pro Random Forest. Model prokázal vynikající schopnost identifikovat nepopulární písně (většinová třída) s přesností 0,85 a úplností blízkou 0,99, zatímco jeho výkon ve třídě populárních písní (menšinová) byl skromnější s přesností 0,40 a úplností 0,05. To zdůrazňuje klasický problém nerovnováhy tříd u tohoto typu problému.

Důležitost proměnných: co má největší váhu při vytváření hitu

Kromě znalosti, který model je přesnější, je klíčové pochopit které funkce skutečně poskytují užitečné informace při predikci, zda bude píseň populární. Pro tento účel byl použit XGBoost (XGBClassifier) ​​​​k získání variabilních skóre důležitosti na základě příspěvku každého prvku ke snížení chyb v rozhodovacích stromech.

Výsledky ukázaly, že Délka písně jasně vyčnívala z řady ostatních.s F-skórem výrazně nad 400. Toto zjištění odpovídá myšlence, že kratší skladby povzbuzují k opakovanému poslechu, a proto se shromažďuje více přehrání za kratší dobu, což algoritmus doporučení Spotify obvykle odměňuje.

Na opačném konci, proměnné jako tónina, mód nebo pocit, jako by to bylo převzato z názvu Dosáhly skóre důležitosti pod 50, což naznačuje, že jejich příspěvek k celkové prediktivní síle modelu byl malý. To neznamená, že nemají vůbec žádný vliv, ale spíše to, že ve srovnání s jinými charakteristikami je jejich váha mnohem menší.

Zbývající zvukové atributy (jako energie, tanečnost, valence, hlasitost, akustika, živost, řečovost a instrumentalita) se pohybovaly ve středním rozmezí s F-skóre mezi 200 a 300, což naznačuje, že Tvoří poměrně vyvážený informační blokŽádný z nich zcela nedominuje, ale všechny dohromady pomáhají vytvořit si poměrně přesný obraz o šancích písně na úspěch.

Celkově vzato, modely založené na zvukových charakteristikách byly schopny předpovědět s přibližně úspěšnost 84–85 %, pokud by se stopa nacházela mezi nejoblíbenějšími 15 %To poskytuje určitou empirickou podporu staré intuici „vědy o hitech“: s dobrými daty a vhodnými technikami není hudební úspěch čistě náhodný, i když stále existuje významná nepředvídatelná složka.

Obrázek, který tato analýza vykresluje, ukazuje, že kombinace dat ze Spotify, tradičních statistik a modelů strojového učení nám umožňuje jít daleko za hranice pouhého počítání streamů. Pochopení dopadu trvání, energie, valence a instrumentality, spolu s rolí redakčních playlistů a dynamiky doporučování platformy, poskytuje umělcům, nahrávacím společnostem a analytikům velmi konkrétní plán pro interpretaci toho, proč se určité písně stávají hity a jak mohou maximalizovat své šance na zařazení do této vybrané skupiny, aniž by zcela ztratili lidský a tvůrčí prvek, který naštěstí zůstává neredukovatelný na jakýkoli vzorec.