Spotify hittide analüüs: andmed, algoritmid ja muusikalise edu teadus

Informatec Digital » Ressursid » Spotify hittide analüüs: andmed, algoritmid ja muusikalise edu teadus

Spotifyst on saanud ideaalne labor, et uurida, mis teeb laulust hitiMeil on reaalajas taasesituse andmed, artistide täiustatud mõõdikud ja miljonid kuulajad, kes langetavad iga sekund otsuseid. Spotify pole enam pelgalt kuulamisplatvorm, vaid tohutu... andmebaas kus saab analüüsida mustreid, emotsioone, žanre ja esitusloendi strateegiaid, et mõista, miks mõned lood hoogu koguvad ja teised unustusehõlma vajuvad.

Viimastel aastatel on tööriistad, akadeemilised uuringud ja masinõppe mudelid pühendatud Spotify hitianalüüsAlates selliste edetabelite uurimisest nagu „Today's Top Hits“ või „Rap Caviar“ kuni algoritmide loomiseni, mis suudavad ennustada, kas lugu kuulub kataloogi populaarseimasse gruppi. Samal ajal on Spotify for Artists demokratiseerinud juurdepääsu neile mõõdikutele, võimaldades igal artistil näha, kes teda kuulab, kus ja kuidas teda avastatakse, ning vastavalt sellele oma loomingulist ja turundusstrateegiat kohandada.

Mis täpselt on Spotify hitianalüüs ja miks see on oluline?

Kui me räägime Spotify hitianalüüs Me ei räägi ainult sellest, mitu korda laulu on esitatud. See on laiem lähenemisviis, mis ühendab heli, konteksti ja kasutajakäitumise, et vastata ebamugavale, kuid olulisele küsimusele: kas laulu edu saab ennustada enne selle avaldamist? Spotify API andmeid kasutades töötavad teadlased selliste muutujatega nagu populaarsus, energia, valents, kestus, tempo ja tantsitavus, et sellele vastusele lähemale jõuda.

See lähenemine on juurdunud nn. "Hittlaulude teadus"Selle idee, mille Mike McCready populariseeris 2000. aastate alguses, hõlmab algoritmide ja matemaatiliste mudelite kasutamist, et ennustada, millised lood edetabelites ja raadios hästi esinevad. Kuigi varased uuringud jõudsid järeldusele, et see on väga keeruline (ja et mudelid pole piisavalt täpsed), on olukord voogedastuse tulekuga, andmemahu tohutu suurenemisega ja masinõppe tehnikate täiustumisega täielikult muutunud.

Tänapäeval pakub Spotify API-t, mis võimaldab juurdepääsu kümnetele tuhandetele lugudele oma muusikalised ja kontekstilised atribuudidAlates helistikust ja viisist kuni loo akustilise või instrumentaalse olemuse tõenäosuseni, sh mõõdikud, mis on spetsiaalselt loodud kirjeldama, kuidas laulu tajutakse (energia, valents, tantsitavus jne). Kõik see võimaldab meil liikuda subjektiivsetest arvamustest palju täpsemate kvantitatiivsete analüüsideni.

Paralleelselt tööriist Spotify artistidele See aitab loojatel mitte eksida edevuse mõõdikutes ja keskenduda sellele, mis on tõeliselt oluline: pikaajaline publiku arendamine, kaasatus, hoidmine ja see, kuidas turundustegevus mõjutab tõeliste fännide loomist. Teisisõnu, numbrid, jah, aga konteksti ja strateegilise kavatsusega.

Ametlikud esitusloendid ja strateegia: toimetuslike nimekirjade kaal

Üks olulisemaid osi Spotify hittide tõsises analüüsis on roll ametlikud toimetuse esitusloendidEdetabelid nagu Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint või ¡Viva Latino! toimivad võimsate võimenditena: ühele neist pääsemine võib täielikult muuta loo või isegi karjääri trajektoori.

Kolmandate osapoolte tööriistad, näiteks Soundcharts, võimaldavad teil näha kuidas artist nendes esitusloendites käitubEsinemiste arv, viibimise kestus, turud, kus neil on suurim mõju jne. Selline analüüs näitab selgelt, et toimetuslikes nimekirjades esinemine ei ole ehe, vaid platvormi kasvustrateegia põhikomponent.

Kvaliteetsete esitusloendite koostamisel on teatud korduvad kriteeriumid. Näiteks hinnatakse, et on olemas erinevaid artiste, selle asemel, et samu nimesid ikka ja jälle korrataLoendid, kus sama artist esineb liiga palju kordi, kipuvad saama halvemaid hinnanguid, sest need vähendavad kuulaja avastamisrõõmu.

Samuti otsin sidus sooline tasakaalKui esitusloend segab liiga palju stiile ilma selge suunata, siis kogemus See killustub ja hinnang langeb. Parima hinnanguga loendid keskenduvad tavaliselt ühele või mõnele täpselt määratletud žanrile, mis aitab kasutajal lühidalt aru saada, mida esitusnupule vajutades oodata.

Teine oluline aspekt on segu tuntud ja esilekerkivatest teemadestAinult tuntuid hitte sisaldavad esitusloendid on head, aga avastamisrõõmu pakuvad need vähe. Seevastu esitusloendid, mis ühendavad tuntud lugusid vähemtuntud pärlitega, kipuvad tekitama suuremat kaasatust ja aitama luua uusi hitte.

Lõpuks valitseb teatav üksmeel selles, et heal esitusloendil peaks olema vähemalt umbes 50 rada, et pakkuda täielikku elamustEdetabeleid, kus on vähem kui 10 lugu, peetakse sageli kehvaks ja saavad madalamaid hindeid, mis mõjutab ka neis sisalduvate lugude esitust.

Spotify lühiajalugu ja selle analüütika päritolu

Enne kui Spotify suutis teostada täiustatud hitianalüüsi, pidi platvorm ise leidma oma koha muusikatööstuses. Idee, mille lõi kaasasutaja Daniel Ek, tekkis pärast Napsteri kokkuvarisemist 2002. aastal. Ta tahtis luua teenuse, mis oleks "parem kui piraatlus, aga samas ka tööstusele tasuv".Sel ajal haldas Ek uTorrenti, mis oli üks peamisi P2P allalaadimis- ja jagamiskliente, seega oli tal volitamata levitamise maailmast esmaseid teadmisi.

Pärast uTorrenti müümist BitTorrentile 2006. aasta lõpus keskendus Ek täielikult Spotify arendamisele. Rakendus käivitati ametlikult 2008. aastal Rootsis, pärast saavutamist litsentsimis- ja omakapitaliosaluse lepingud suurte muusikakorporatsioonidegaSony Music Entertainment, Universal Music Group ja Warner Music Group. Aasta hiljem laienes see Ühendkuningriiki ja 2011. aastal maandus see Ameerika Ühendriikidesse.

Sel algperioodil kasvas tasuliste abonentide arv Euroopas umbes 1 miljonilt ligikaudu 4 miljonit kogu maailmas 2012. aastal2016. aastaks teatas Spotify juba 40 miljonist maksvast kasutajast ja umbes 100 miljonist kasutajast kokku, mis kindlustas voogedastuse kui muusikatarbimise domineeriva vormi kogu maailmas.

Samal ajal hakkasid ilmuma kunstnikele mõeldud andmetööriistad. Esimene oli Fännide arvamusedSee lahendus pakkus mõnele meeskonnale piiratud juurdepääsu voogedastusandmetele: demograafiale, geograafiale ja põhitrendidele. 2017. aastal arenes see lahendus Spotify for Artistsiks, avades kõigile artistidele ukse oma peamiste näitajate nägemiseks ja andmete kasutamiseks otsuste langetamiseks tuuritamise, väljaannete ja reklaamimise kohta.

2018. aastal läks ettevõte börsile ligikaudu turukapitalisatsiooniga 30.000 miljonitSellest ajast alates on turgude arv, kus see tegutseb, pidevalt kasvanud ja koos sellega on suurenenud ka analüütika tähtsus platvormil. See, mis algas litsentseeritud meediapleierina, on muutunud globaalseks infrastruktuuriks, kus andmed on ülimuslikud.

Spotify mõõdikud: kuidas mõõta laulu voogedastustest kaugemale

Tabamuse ennustusmudelite loomiseks on kõigepealt vaja mõista, millist tüüpi Spotify API pakutavad andmedNäiteks ühes India turule keskendunud uuringus ekstraheeriti Spotify loodud esitusloenditest üle 46 000 laulu, mis hõlmasid laia žanrite ja alamžanrite valikut.

Teave on jaotatud mitmeks osaks. Raja tasandil leiame andmeid, näiteks identifikaator, pealkiri, esitaja, populaarsus, ilmumiskuupäev ja kestus millisekunditesAlbumi tasandil salvestatakse ID ja nimi. Esitusloendi tasandil kuvatakse nimi, ID, žanr ja seotud alamžanr.

Kuid tabamusanalüüsi jaoks on kõige huvitavam see, helifunktsioonidjagatud erinevatesse kategooriatesse: „meeleolu“ omadused (tantsitavus, energia, valents, tempo), füüsikalised omadused (valjusus, kõnekus, instrumentaalsus), kontekst (akustilisus, elavus) ja muusikalised segmendid (helistik, režiim). Kõik need muutujad on hoolikalt määratletud ja normaliseeritud.

Näiteks tantsitavust väljendatakse väärtusena vahemikus 0 kuni 1, mis võtab kokku kui lihtne on laulu järgi tantsidaSelliste elementide nagu rütm, tempo stabiilsus ja löögi tugevus põhjal jääb energia samuti vahemikku 0 kuni 1, püüdes tabada, kas lugu kõlab intensiivselt, kiiresti ja võimsalt, võrreldes millegi rahulikuma või pehmemaga.

Valencia kirjeldab tajutav emotsionaalne "positiivsus" Heli puhul vastavad madalad väärtused kurbadele, pingelistele või süngetele tunnetele, kõrged väärtused aga rõõmsameelse, särava või eufoorilise muusikaga. Akustilisus mõõdab loo akustilise olemuse tõenäosust, elavus elava publiku olemasolu salvestisel ja kõnekus peegeldab kõnesõnade osakaalu miksis (väga kõrge näiteks taskuhäälingusaadetes või kõnesõnadega lugudes).

Teised olulised parameetrid on tempo BPM-iskogukestus, helistik (kodeeritud täisarvuna), režiim (major või minor) ja loo populaarsus. Viimane on Spotify sisemine mõõdik, mis jääb vahemikku 0 kuni 100. See sõltub nii voogedastuste mahust kui ka sellest, kui hiljutised need on olnud.Laul, mis oli aastaid tagasi tohutu hitt, aga mida enam peaaegu ei mängita, langeb aja jooksul.

Kuidas andmestikku ette valmistada ja puhastada, et oleks võimalik tabamusi ennustada

Üks samm, mida Spotify hittide analüüsi arutamisel sageli tähelepanuta jäetakse, on andmekogumi ettevalmistamineKäesolevas uuringus koguti andmeid R ja RStudio abil, kutsudes Spotify API-t välja erinevate turu (India), žanrite ja alamžanrite kombinatsioonide jaoks, mis valiti vastavalt nende globaalsele ja kohalikule kaalule.

Erinevate teemadega esitusloendite lugude kombineerimisel on tavaline, et paljud lood korduvad, kuna sama lugu võib esineda erinevates nimekirjades. Kuna eesmärk ei olnud analüüsida esitusloendi strateegiat ennast, vaid pigem lugude omadusi, siis... Nad eemaldasid duplikaatloodvähendades kogubaasi 46 417-lt ligikaudu 39 147 unikaalsele laulule.

Veerud, mida mudelites selgitavate muutujatena ei kasutatud, näiteks artisti nimi, albumi ID ja nimi ning esitusloendipõhised väljad, eemaldati. Samal ajal Nad standardiseerisid väljade nimesid ja andmetüüpe kohandati: näiteks populaarsus, režiim, võti ja kestus teisendati statistilise töötlemise hõlbustamiseks ujukomatüüpi numbrilisteks väärtusteks.

Üks võtmeotsuseid oli populaarsuse muutmine paremini hallatavaks muutujaks. Pideva väärtusega 0–100 asemel... lävi populaarsete ja ebapopulaarsete laulude eraldamiseksJaotuse 85. protsentiili (umbes populaarsuse 65) puhul peeti sellest väärtusest kõrgemaid lugusid "populaarseteks" ja ülejäänud "mittepopulaarseteks".

Sel viisil jagati andmestik osadeks ligi 6.000 populaarset ja umbes 33 000 mittepopulaarset lauluUurimusliku analüüsi jaoks segmenteeriti andmed isegi viide populaarsusklassi (väga kõrge, kõrge, keskmine, madal ja väga madal) 20-punktiliste intervallidega, mis võimaldas võrrelda peeneid trende edukuse tasemete vahel.

Lisaks genereeriti laulude pealkirjadest uus muutuja: a meeleoluindikaatorPythoni TextBlobi teeki kasutades arvutati iga pealkirja polaarsus (arv vahemikus -1 kuni 1) ja liigitati see positiivseks, negatiivseks või neutraalseks. See numbriline väärtus lisati andmeraamile, et uurida, kas pealkirja toon on seotud selle populaarsusega.

Andmete uurimine: mis eristab populaarseimaid laule

Enne mis tahes masinõppemudeli treenimist on oluline sellele aega pühendada andmete visuaalne ja statistiline uurimineKäesoleva uuringu puhul analüüsiti jaotuskõveraid, populaarsusrühmade keskmisi väärtusi ning emotsioonide ja edu vahelisi seoseid.

Üks silmatorkavamaid tulemusi on seotud kõige edukamate lugude populaarsusega. Vaadates lugusid, mille populaarsusreiting oli üle 90, täheldati, et Suurem hulk neist oli Valencias alla 0,5 väärtuse.Teisisõnu, nad kõlasid pigem kurvemalt, süngemalt või melanhoolsemalt kui rõõmsalt. See polnud absoluutne domineerimine, aga see oli selge kalduvus.

Kui populaarsuse jaotust soo järgi joonistati, siis enamik kõveraid kasutas ligikaudne kellukese kujupalju lugusid keskmise lähedal ja äärmuslikke vähem. Žanrid nagu rokk, R&B, EDM, maailmamuusika ja India muusika näitasid aga teatavat asümmeetriat suure hulga nullpopulaarsusega lugude tõttu. Seevastu stiilid nagu pop, räpp, ladina muusika ja desi tundusid tasakaalustatumad ja väiksema nullpopulaarsusega lugude kontsentratsiooniga.

See viitab sellele, et peavoolužanrites on see üldiselt teatud populaarsuse taseme saavutamine on lihtsamisegi kui lauludel pole kõiki ideaalseid omadusi, samas kui teistes stiilides on edu jaotus polariseeritum.

Erinevate tunnuste keskmiste võrdlemisel populaarsusklassi järgi ilmnes väga selge muster: kõige edukamatel teemadel on tavaliselt suurem energia ja suurem valjus (tajutav helitugevus)samuti rohkem instrumentaalsust ja vähem sõnakasutust. Lihtsamalt öeldes on voogedastuses kõige paremini toimivad lood võimsamad ja keskenduvad rohkem muusikale kui kõneldud sõnadele.

Samuti täheldati, et populaarsetes lugudes on madalam akustilisus ja madalam elavusTeisisõnu, need kõlavad vähem "akustiliselt" ja vähem "elavalt". Need on rohkem stuudiotoodangulised, viimistletumad, vähema ümbritseva müra või kontserdihõnguga.

Teine oluline järeldus on see, et populaarsed laulud kipuvad olema lühemad kui ebapopulaarsedKontekstis, kus tulu sõltub voogedastuste arvust ja algoritmid premeerivad kordumist, on mõistlik, et lühemad lood saavad kiiremini esitusi koguda ja muutuvad esitusloendite jaoks „sõbralikumaks“.

Tajutava õnne (valentsi) osas on trend kummaline: tasemed tõusevad madalamatest populaarsusklassidest "kõrgemasse" klassi, kuid kõige äärmuslikumas kategoorias, "väga kõrges", on märgatav langus. Teisisõnu, Ülipopulaarsed laulud kipuvad kõlama kurvemalt kui pelgalt "edukad".See avab ukse paljudele tõlgendustele avaliku maitse ja sotsiaal-emotsionaalse konteksti kohta.

Statistiline analüüs: žanrite ja heli atribuutide mõju

Kui andmed olid uuritud, oli järgmine samm rakendada formaalsed statistilised testid et näha, milliseid muutujaid võib pidada populaarsuse selgitamisel oluliseks. Selleks, et uurida, kas sugu mõjutas edu, kasutati dispersioonanalüüsi (ANOVA) üheksa peamise žanri puhul.

ANOVA tulemus andis väga kõrge F-väärtuse ja praktiliselt nullolulisuse, mis tähendab, et Žanrite vahel on populaarsuses statistiliselt olulisi erinevusiSellest aga ei piisa: oluline on teada ka seda, milliste soopaaride vahel need erinevused esinevad ja kas muutuja on ennustusmudeli jaoks kasulik.

Kuna erinevused ei olnud homogeensed ja laulude arv žanrites varieerus, kasutati järgmist: Games-Howelli post-hoc testSee analüüs võimaldas kontrollida, millised soolised kombinatsioonid ei näidanud populaarsuses olulisi erinevusi, mis üldiselt muutis soo kasutamise masinõppe mudelites tugeva ennustajana vähem soovitavaks.

Paralleelselt viidi läbi järgmised sõltumatud t-testid Iga helifunktsiooni puhul võrreldi populaarsete ja mitte-populaarsete laulude rühma keskmisi väärtusi. 95% olulisuse tasemega leiti, et peaaegu kõik muutujad (tantsitavus, energia, valjus, akustilisus, elavus, kestus, tempo, valents ja instrumentaalsus) näitasid kahe rühma vahel olulisi erinevusi.

Ainus ilmne erand oli kõnekusEsimeses testis ei olnud keskmiste erinevus oluline, kuid edasine analüüs näitas, et väga populaarsete teemade kõnekuse vahemikud (väärtustega vahemikus 0,024–0,685) jäid vähem populaarse klassi laiemasse vahemikku (vahemikus 0–0,964). See kattumine ei takistanud kõnekuulsusel, kui seda tõhusalt kasutati, mudelile infot andmast, seega otsustati see ennustajana säilitada.

Kokkuvõttes demonstreeris helifunktsioonide plokk selge kirjeldav jõud populaarsuse osas, samas kui sugu käsitleti ettevaatlikumalt ja see jäeti mõnes ennustusmeetodis peamise muutujana välja.

Masinõppe mudelite loomine tabamuste ennustamiseks

Kui andmestik oli puhas ja asjakohased muutujad valitud, oli aeg luua binaarsed klassifikatsioonimudelid mis suudab ennustada, kas laul kuulub populaarsuse 15% hulka. Selleks teisendati kategoorilised muutujad key ja mode esmalt näivmuutujateks, kasutades Panda funktsiooni get_dummies.

Pärast nende mannekeenide lisamist eemaldati algsed võtme ja režiimi veerud ning jätkuv populaarsus ning sihtmuutuja säilitati. binaarne populaarsusväli (populaarne vs. mittepopulaarne). Enne mudelite treenimist standardiseeriti kõik numbrilised tunnused StandardScaleriga, kuna need töötasid väga erinevatel skaaladel ja oli oluline, et neil oleks võrreldav kaal.

Andmestik jagati treeninguks ja testiks, kasutades funktsiooni train_test_split, reserveerides 20% testimiseks registreerunutestSel viisil välditi infolekkeid ja tagati, et jõudlusnäitajad kajastaksid mudelite tegelikku üldistatavust, mitte ainult nende võimet treeningandmeid meelde jätta.

Esimene rakendatud mudel oli Logistiline regressioonSeda tehnikat kasutatakse laialdaselt binaarses klassifitseerimises. Rakendati iteratiivne versioon õppimiskiirusega 0,01 ja 200 iteratsiooniga ning seda hinnati ristvalideerimise abil. Keskmine täpsus ulatus ligikaudu 84,7%-ni, mis on märkimisväärselt tugev tulemus nii keerulise probleemi puhul nagu muusikalise edu ennustamine.

Seejärel testiti algoritmi K-Lähimad naabrid (KNN)mis klassifitseerib iga laulu tunnusruumis oleva k lähima naabri järgi. Optimaalse konfiguratsiooni leidmiseks ky väärtuse korrigeerimine ruudustikuotsingu abil andis väga sarnase täpsuse, umbes 84,8%, ristvalideerimise skoori kerge paranemisega võrreldes logistilise regressiooniga.

Järgmine mudel oli Tugivektorimasin (SVM)Kasutati ka teist juhendatud tehnikat, mis on võimeline käsitlema nii lineaarseid kui ka mittelineaarseid seoseid. Jällegi saavutati hüperparameetrite sobitamise abil umbes 84,6% täpsus, mis andis ristvalideerimisel samaväärsed väärtused, mis näitab stabiilset jõudlust.

Samuti hinnati järgmist: Naiivne Bayesi klassifikaatorTunnuste sõltumatuse hüpoteesil põhinev mudel. Hoolimata sellest, et eelduste poolest on tegemist palju lihtsama mudeliga, olid selle täpsuse tulemused (ligikaudu 84,6%) SVM-iga võrdsed ning logistilise regressiooni ja KNN-i omad väga lähedased, mis kinnitab ideed, et probleemi struktuur sobib hästi seda tüüpi tõenäosusliku lähenemisviisiga.

Lõpuks testiti otsustuspuudel põhinevaid mudeleid. Otsustuspuu klassifikaator See saavutas oluliselt madalama täpsuse, umbes 75,4%, ja ristvalideerimine kinnitas seda jõudluse langust, mis oli tõenäoliselt tingitud ülemäärase sobitamise probleemidest. Juhuslik metsaklassifikaator, mis ühendab nende efektide silumiseks palju puid, paranes märkimisväärselt, saavutades umbes 84,1% täpsuse ja ristvalideerimisel üle 84%.

Analüüsi lõpuleviimiseks a segadusmaatriks ja klassifitseerimisaruanne Juhusliku metsa jaoks. Mudel näitas suurepärast võimet tuvastada mittepopulaarseid laule (enamusklass), täpsusega 0,85 ja meeldejäävusega ligi 0,99, samas kui selle tulemused populaarsete laulude klassis (vähemusklass) olid tagasihoidlikumad, täpsusega 0,40 ja meeldejäävusega 0,05. See toob esile klassi tasakaalustamatuse klassikalise väljakutse seda tüüpi probleemide puhul.

Muutujate olulisus: mis on tabamuse loomisel kõige olulisem

Lisaks sellele, et teada saada, milline mudel on täpsem, on oluline mõista millised funktsioonid pakuvad tegelikult kasulikku teavet laulu populaarsuse ennustamisel. Sel eesmärgil kasutati muutuva olulisuse skooride saamiseks XGBoosti (XGBClassifier), mis põhines iga tunnuse panusel otsustuspuude vea vähendamisse.

Tulemused näitasid, et Laulu pikkus eristus teistest selgeltF-skooriga, mis on tunduvalt üle 400. See leid sobib ideega, et lühemad lood soodustavad korduvat kuulamist ja seetõttu kogunevad lühema ajaga rohkem esituskordi, mida Spotify soovitusalgoritm kipub premeerima.

Vastupidises äärmuses on muutujad nagu võti, režiim või tunne pealkirjast võetud Nende olulisuse skoorid jäid alla 50, mis viitab sellele, et nende panus mudeli üldisesse ennustusvõimesse oli väike. See ei tähenda, et neil üldse mingit mõju poleks, vaid pigem seda, et võrreldes teiste tunnustega on nende kaal palju väiksem.

Ülejäänud heliomadused (nagu energia, tantsitavus, valentsus, valjus, akustilisus, elavus, kõnekus ja instrumentaalsus) olid vahepealses vahemikus, F-skoorid 200 ja 300 vahel, mis näitab, et Need moodustavad üsna tasakaalustatud infoblokiÜkski neist ei domineeri täielikult, aga kokku aitavad nad luua üsna täpse pildi laulu eduvõimalustest.

Kokkuvõttes suutsid helifunktsioonidel põhinevad mudelid ennustada umbes 84–85% edukuse määr, kui vihje kuuluks 15% populaarseimate hulkaSee annab teatava empiirilise toetuse vanale intuitsioonile "hittide teadusest": heade andmete ja sobivate tehnikate korral ei ole muusikaline edu puhtalt juhuslik, kuigi oluline ettearvamatu komponent jääb alles.

Selle analüüsi tulemusel valminud pilt näitab, et Spotify andmete, traditsioonilise statistika ja masinõppemudelite kombineerimine võimaldab meil minna palju enamat kui lihtsalt voogedastuste lugemine. Kestuse, energia, valentsi ja instrumentaalsuse mõju mõistmine koos toimetuslike esitusloendite rolli ja platvormi soovitusdünaamikaga annab artistidele, plaadifirmadele ja analüütikutele väga konkreetse tegevuskava, kuidas tõlgendada, miks teatud laulud hittideks saavad ja kuidas nad saavad maksimeerida oma võimalusi sellesse valitud gruppi kuuluda, kaotamata täielikult inimlikku ja loomingulist elementi, mis õnneks jääb ühelegi valemile taandamatuks.