Spotify-hittianalyysi: dataa, algoritmeja ja musiikillisen menestyksen tiedettä

Informatec Digital » Resurssit » Spotify-hittianalyysi: dataa, algoritmeja ja musiikillisen menestyksen tiedettä

Spotifysta on tullut täydellinen laboratorio tutkimaan, mikä tekee kappaleesta hitinMeillä on reaaliaikaista toistodataa, edistyneitä mittareita artisteille ja miljoonia kuuntelijoita, jotka tekevät päätöksiä joka sekunti. Spotify ei ole pelkkä kuuntelualusta, vaan se on muuttunut valtavaksi tietokanta jossa voidaan analysoida kaavoja, tunteita, genrejä ja soittolistastrategioita sen ymmärtämiseksi, miksi jotkut kappaleet lähtevät käyntiin ja toiset vaipuvat unohdukseen.

Viime vuosina työkalut, akateeminen tutkimus ja koneoppimismalleja omistettu Spotify-hittien analyysiToimituksellisten listojen, kuten Today's Top Hits tai Rap Caviar, tutkimisesta algoritmien kehittämiseen, jotka pystyvät ennustamaan, kuuluuko kappale luettelon suosituimpaan ryhmään. Samaan aikaan Spotify for Artists on demokratisoinut pääsyn näihin mittareihin, jolloin kuka tahansa artisti voi nähdä, kuka häntä kuuntelee, missä ja miten hänet löydetään, ja mukauttaa luovaa ja markkinointistrategiaansa vastaavasti.

Mitä Spotify-hittianalyysi oikeastaan ​​on ja miksi sillä on merkitystä?

Kun puhumme Spotify-hittien analyysi Emme puhu vain siitä, kuinka monta kertaa kappaletta on soitettu. Kyse on laajemmasta lähestymistavasta, joka yhdistää äänen, kontekstin ja käyttäjän käyttäytymisen vastatakseen epämukavaan mutta ratkaisevaan kysymykseen: voiko kappaleen menestyksen ennustaa ennen sen julkaisua? Tutkijat käyttävät Spotifyn API:n dataa ja työskentelevät muuttujien, kuten suosion, energian, valenssin, keston, tempon ja tanssittavuuden, kanssa päästäkseen lähemmäksi tätä vastausta.

Tämä lähestymistapa juontaa juurensa ns. "hittibiisin tiede"Tämä Mike McCreadyn 2000-luvun alussa popularisoima ajatus perustuu algoritmien ja matemaattisten mallien käyttöön ennustamaan, mitkä kappaleet menestyvät hyvin listoilla ja radiossa. Vaikka varhaiset tutkimukset totesivat tämän olevan erittäin vaikeaa (ja että mallit eivät olleet riittävän tarkkoja), tilanne on muuttunut täysin suoratoiston tulon, datamäärän massiivisen kasvun ja koneoppimistekniikoiden kehittymisen myötä.

Spotify tarjoaa nykyään API:n, jonka kautta pääsee käsiksi kymmeniin tuhansiin kappaleisiin. musiikilliset ja kontekstuaaliset ominaisuudetSävellajista ja moodista kappaleen akustisen tai instrumentaalisen luonteen todennäköisyyteen, mukaan lukien mittarit, jotka on erityisesti suunniteltu kuvaamaan, miten kappaleesta havaitaan (energia, valenssi, tanssittavuus jne.). Kaikki tämä antaa meille mahdollisuuden siirtyä subjektiivisista mielipiteistä paljon tarkempiin kvantitatiivisiin analyyseihin.

Samanaikaisesti työkalu Spotify taiteilijoille Se auttaa sisällöntuottajia välttämään turhamaisuuden mittareiden suojissa hukkumista ja keskittymään siihen, millä on todella merkitystä: pitkän aikavälin yleisön kehittämiseen, sitoutumiseen, yleisön säilyttämiseen ja siihen, miten markkinointitoimet vaikuttavat aitojen fanien luomiseen. Toisin sanoen, numeroihin kyllä, mutta kontekstissa ja strategisella tarkoituksella.

Viralliset soittolistat ja strategia: toimituksellisten listojen painoarvo

Yksi tärkeimmistä osista missä tahansa vakavassa Spotify-hittien analyysissä on rooli viralliset toimitukselliset soittolistatListat, kuten Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint tai ¡Viva Latino!, toimivat valtavina vahvistimina: yhdelle niistä pääsy voi muuttaa kappaleen tai jopa uran suunnan täysin.

Kolmannen osapuolen työkalut, kuten Soundcharts, mahdollistavat miten artisti käyttäytyy näillä soittolistoillaEsiintymisten määrä, viipymän kesto, markkinat, joilla niillä on suurin vaikutusvalta, jne. Tällainen analyysi tekee selväksi, että läsnäolo toimituksellisissa listoissa ei ole koriste, vaan keskeinen osa alustan kasvustrategiaa.

Laadukkaiden soittolistojen rakentamisessa on tiettyjä toistuvia kriteerejä. Esimerkiksi arvostetaan sitä, että on olemassa useita eri artisteja sen sijaan, että toistaisimme samoja nimiä yhä uudelleen ja uudelleenListat, joilla sama artisti esiintyy liian monta kertaa, saavat yleensä huonompia arvosanoja, koska ne vähentävät kuulijan löytämisen tunnetta.

Etsin myös johdonmukainen sukupuolten välinen tasapainoKun soittolista sekoittaa liikaa tyylejä ilman selkeää suuntaa, experiencia Se pirstaloituu ja ikäraja laskee. Parhaiten koetut listat keskittyvät yleensä yhteen tai muutamaan hyvin määriteltyyn genreen, mikä auttaa käyttäjää ymmärtämään yhdellä silmäyksellä, mitä odottaa toistopainiketta painettaessa.

Toinen keskeinen näkökohta on sekoitus tunnettuja ja nousevia teemojaSoittolistat, jotka sisältävät vain suuria hittejä, ovat ihan ok, mutta ne tarjoavat vain vähän löydettävää sisältöä. Sitä vastoin soittolistat, jotka yhdistävät vakiintuneita kappaleita vähemmän tunnettuihin helmiin, luovat yleensä enemmän sitoutumista ja auttavat luomaan uusia hittejä.

Lopuksi vallitsee jonkinlainen yksimielisyys siitä, että hyvässä soittolistassa tulisi olla ainakin noin 50 kappaletta täydellisen kokemuksen tarjoamiseksiAlle 10 kappaleen listoja pidetään usein heikkoina ja ne saavat alhaisempia pisteitä, mikä vaikuttaa myös niillä olevien kappaleiden suoritukseen.

Lyhyt katsaus Spotifyn historiaan ja sen analytiikan alkuperään

Ennen kuin Spotify pystyi suorittamaan edistynyttä hittianalyysiä, alustan itsensä oli löydettävä paikkansa musiikkiteollisuudessa. Idean keksijänä toimi toisen perustajan Daniel Ek Napsterin romahduksen jälkeen vuonna 2002. Hän halusi luoda palvelun, joka olisi "parempi kuin piratismi, mutta joka myös maksaisi alalle".Tuolloin Ek käytti uTorrentia, yhtä tärkeimmistä vertaisverkkojen lataus- ja jakamisohjelmista, joten hänellä oli omakohtaista tietoa luvattoman jakelun maailmasta.

Myytyään uTorrentin BitTorrentille vuoden 2006 lopulla Ek keskittyi kokonaan Spotifyn rakentamiseen. Sovellus lanseerattiin virallisesti vuonna 2008 Ruotsissa saavutettuaan lisenssi- ja pääomasijoitussopimukset suurten musiikkiyhtiöiden kanssaSony Music Entertainment, Universal Music Group ja Warner Music Group. Vuotta myöhemmin se laajensi toimintaansa Isoon-Britanniaan ja vuonna 2011 myös Yhdysvaltoihin.

Tuona alkuvaiheen aikana maksavien tilaajien määrä kasvoi noin miljoonasta Euroopassa noin 4 miljoonaa maailmanlaajuisesti vuonna 2012Vuoteen 2016 mennessä Spotify ilmoitti jo 40 miljoonasta maksavasta käyttäjästä ja noin 100 miljoonasta käyttäjästä yhteensä, mikä vakiinnutti suoratoiston maailmanlaajuisesti hallitsevaksi musiikin kulutusmuodoksi.

Samaan aikaan taiteilijoille alkoi ilmestyä datatyökaluja. Ensin Fanien näkemyksiäTämä ratkaisu tarjosi joillekin tiimeille rajoitetun pääsyn suoratoistodataan: demografisiin tietoihin, maantieteellisiin tietoihin ja perustrendeihin. Vuonna 2017 tästä ratkaisusta kehittyi Spotify for Artists, joka avasi oven kaikille artisteille nähdä keskeiset mittarinsa ja käyttää dataa päätöksenteossa kiertueista, julkaisuista ja promootiosta.

Yhtiö listautui pörssiin vuonna 2018, ja sen markkina-arvo oli noin 30.000 euroaSiitä lähtien markkinoiden määrä, joilla se toimii, on jatkuvasti kasvanut, ja sen myötä analytiikan merkitys alustalla on kasvanut. Se, mikä alkoi lisensoituna mediasoittimena, on kehittynyt globaaliksi infrastruktuuriksi, jossa data on valttia.

Spotify-mittarit: kappaleen mittaaminen striimien ulkopuolella

Osumien ennustusmallien rakentamiseksi on ensin ymmärrettävä, minkä tyyppisiä Spotify API:n tarjoamat tiedotEsimerkiksi yhdessä Intian markkinoihin keskittyneessä tutkimuksessa Spotifyn luomista soittolistoista poimittiin yli 46 000 kappaletta, jotka kattoivat laajan kirjon genrejä ja alagenrejä.

Tiedot on järjestetty useisiin osiin. Raitatasolla löydämme tietoja, kuten tunniste, nimi, artisti, suosio, julkaisupäivä ja kesto millisekunteinaAlbumitasolla tallennetaan ID ja nimi. Soittolistatasolla näkyvät nimi, ID, genre ja siihen liittyvä alagenre.

Mutta mielenkiintoisinta osuma-analyysin kannalta on ääniominaisuudetjaettu eri luokkiin: ”tunnelman” ominaisuudet (tanssittavuus, energia, valenssi, tempo), fyysiset ominaisuudet (äänekkyys, puheellisuus, instrumentaalisuus), konteksti (akustisuus, elävyys) ja musiikilliset segmentit (sävellaji, moodi). Jokainen näistä muuttujista on huolellisesti määritelty ja normalisoitu.

Esimerkiksi tanssittavuus ilmaistaan ​​arvona välillä 0–1, joka tiivistää kuinka helppoa on tanssia laulun tahtiinRytmin, tempon vakauden ja tahdin voimakkuuden kaltaisten elementtien perusteella energia vaihtelee myös välillä 0–1, yrittäen vangita, kuulostaako kappale intensiiviseltä, nopealta ja voimakkaalta, verrattuna rauhallisempaan tai pehmeämpään.

Valencia kuvailee mm. koettu emotionaalinen "positiivisuus" Äänimateriaalissa matalat arvot vastaavat surullisia, jännittyneitä tai vakavamielisiä tunteita, kun taas korkeat arvot sopivat iloiseen, kirkkaaseen tai euforiseen musiikkiin. Akustisuus mittaa kappaleen akustisen olemisen todennäköisyyttä, elävyys live-yleisön läsnäoloa äänitteessä ja puheellisuus heijastaa puhuttujen sanojen osuutta miksauksessa (erittäin korkea esimerkiksi podcasteissa tai puhuttuja sanoja sisältävissä kappaleissa).

Muita tärkeitä parametreja ovat tempo BPM:näkokonaiskesto, sävellaji (kokonaislukuna), modus (duuri tai molli) ja kappaleen suosio. Jälkimmäinen on Spotifyn sisäinen mittari, joka vaihtelee välillä 0–100. Se riippuu sekä striimien määrästä että niiden äskettäisyydestä.Kappale, joka oli valtava hitti vuosia sitten, mutta jota tuskin enää soitetaan, laskee ajan myötä.

Kuinka valmistella ja puhdistaa tietojoukko osumien ennustamiseksi

Yksi vaihe, joka usein unohdetaan Spotify-hittien analysoinnissa, on tietojoukon valmisteluTässä tutkimuksessa tiedot kerättiin R:llä ja RStudiolla kutsumalla Spotify-rajapintaa eri markkina-alueiden (Intia), genrejen ja alagenrejen yhdistelmille, jotka valittiin niiden globaalin ja paikallisen painoarvon mukaan.

Kun yhdistellään kappaleita eri teemoilla olevista soittolistoista, on tavallista, että useat kappaleet toistuvat, koska sama kappale voi esiintyä eri listoilla. Koska tavoitteena ei ollut analysoida itse soittolistastrategiaa, vaan kappaleiden ominaisuuksia, se oli He poistivat päällekkäiset kappaleetvähentäen kokonaismäärää 46 417:stä noin 39 147:ään ainutlaatuiseen kappaleeseen.

Sarakkeet, joita ei ollut tarkoitus käyttää selittävinä muuttujina malleissa, kuten artisti, albumin tunnus ja nimi sekä soittolistakohtaiset kentät, poistettiin. Samalla He standardoivat kenttien nimet ja tietotyyppejä muutettiin: esimerkiksi suosio, tila, avain ja kesto muunnettiin liukulukuisiksi numeerisiksi arvoiksi tilastollisen käsittelyn helpottamiseksi.

Keskeinen päätös oli muuttaa suosio hallittavammaksi muuttujaksi. Sen sijaan, että työskenneltäisiin jatkuvalla arvolla 0–100, kynnys suosittujen ja epäsuosittujen kappaleiden erottamiseksiJakauman 85. prosenttipisteen (noin 65:n suosion) yläpuolella olevia kappaleita pidettiin "suosittuina" ja loput "ei-suosittuina".

Tällä tavoin tietojoukko jaettiin lähes 6 000 suosittua kappaletta ja noin 33 000 ei-suosittuaTutkivaa analyysia varten tiedot jaettiin jopa viiteen suosioluokkaan (erittäin korkea, korkea, keskitaso, matala ja erittäin matala) 20 pisteen välein, mikä mahdollisti hienojen trendien vertailun menestystasojen välillä.

Lisäksi kappaleiden nimistä luotiin uusi muuttuja: a mielialaindikaattoriPythonin TextBlob-kirjastoa käyttäen laskettiin kunkin teoksen polariteetti (luku väliltä -1 ja 1) ja luokiteltiin se positiiviseksi, negatiiviseksi tai neutraaliksi. Tämä numeerinen arvo lisättiin datakehykseen sen tutkimiseksi, onko teoksen sävyllä yhteyttä sen suosioon.

Datan tutkimus: mikä erottaa suosituimmat kappaleet muista

Ennen minkään koneoppimismallin kouluttamista on tärkeää varata aikaa datan visuaalinen ja tilastollinen tutkiminenTässä tutkimuksessa analysoitiin jakaumakäyriä, suosioryhmittäin laskettuja keskiarvoja sekä tunteiden ja menestyksen välisiä yhteyksiä.

Yksi silmiinpistävistä löydöksistä liittyy menestyneimpien kappaleiden suosioon. Tarkasteltaessa kappaleita, joiden suosioluokitus oli yli 90, havaittiin, että Suurempi osa niistä oli alle 0,5 arvon ValenciassaToisin sanoen ne kuulostivat surullisemmilta, vakavammilta tai melankolisemmilta kuin iloisemmilta. Se ei ollut absoluuttinen dominanssi, mutta se oli selkeä taipumus.

Kun sukupuolen mukaan jakautunut suosio piirrettiin, useimmat käyrät omaksuivat likimääräinen kellon muotouseita kappaleita keskiarvon tuntumassa ja vähemmän ääripäissä. Genret, kuten rock, R&B, EDM, world ja intialainen musiikki, osoittivat kuitenkin jonkin verran epäsymmetriaa johtuen suuresta määrästä kappaleita, joilla ei ollut suosiota. Sitä vastoin tyylit, kuten pop, rap, latino ja desi, vaikuttivat tasapainoisemmilta ja niissä oli vähemmän suosioltaan nolla-arvoisia kappaleita.

Tämä viittaa siihen, että valtavirtaisemmissa genreissä se on yleisesti ottaen helpompi saavuttaa tietty suosiotasovaikka kappaleilla ei olisikaan kaikkia ihanteellisia ominaisuuksia, kun taas muissa tyyleissä menestyksen jakauma on polarisoituneempi.

Kun verrattiin eri ominaisuuksien keskiarvoja suosioluokittain, havaittiin hyvin selkeä kaava: menestyneimmillä aiheilla on yleensä suurempi energia ja suurempi äänenvoimakkuus (havaittu äänenvoimakkuus)sekä enemmän instrumentaalista sointia ja vähemmän sanahelinää. Yksinkertaisesti sanottuna parhaiten striimauksessa toimivat kappaleet ovat yleensä voimakkaampia ja keskittyvät enemmän musiikkiin kuin puhuttuihin sanoihin.

Havaittiin myös, että suosituissa kappaleissa on alhaisempi akustiikka ja alhaisempi eloisuusToisin sanoen ne kuulostavat vähemmän "akustisilta" ja vähemmän "live"-kuulokkeilta. Ne ovat enemmän studiotuotettuja, viimeistellympiä, ja niissä on vähemmän taustamelua tai konserttitunnelmaa.

Toinen keskeinen havainto on, että suositut kappaleet ovat yleensä lyhyempiä kuin epäsuositutTilanteessa, jossa tulot riippuvat striimien määrästä ja algoritmit palkitsevat toistosta, on järkevää, että lyhyemmät kappaleet voivat kerätä toistoja nopeammin ja niistä tulee "ystävällisempiä" soittolistoille.

Koetun onnellisuuden (valenssin) osalta trendi on mielenkiintoinen: tasot nousevat alemmista suosioluokista "ylempään" luokkaan, mutta äärimmäisimmässä kategoriassa, "erittäin korkeassa", on huomattava lasku. Toisin sanoen, Supersuositut kappaleet kuulostavat yleensä surullisemmilta kuin pelkästään "menestyneet".Tämä avaa oven monille tulkinnoille julkisesta mausta ja sosioemotionaalisesta kontekstista.

Tilastollinen analyysi: tyylilajien ja ääniominaisuuksien vaikutus

Kun data oli tutkittu, seuraava vaihe oli soveltaa muodolliset tilastolliset testit nähdäkseen, mitä muuttujia voidaan pitää merkityksellisinä suosion selittämisessä. Sukupuolen vaikutusta menestykseen tutkittiin varianssianalyysillä (ANOVA) yhdeksän päälajityypin kanssa.

ANOVA-tulos antoi erittäin korkean F-arvon ja käytännössä nollan merkitsevyyden, mikä tarkoittaa, että Genrejen välillä on tilastollisesti merkitseviä eroja suosiossaSe ei kuitenkaan riitä: on myös tärkeää tietää, minkä sukupuoliparien välillä nämä erot esiintyvät ja onko muuttujasta hyötyä ennustavassa mallissa.

Koska varianssit eivät olleet homogeenisiä ja kappaleiden määrä genreittäin vaihteli, käytettiin seuraavaa: Games-Howellin post-hoc-testiTämän analyysin avulla voitiin varmistaa, mitkä sukupuoliyhdistelmät eivät osoittaneet merkittäviä eroja suosiossa, mikä kaiken kaikkiaan teki sukupuolen käytöstä vahvana ennustajana koneoppimismalleissa vähemmän suositeltavaa.

Samanaikaisesti tehtiin seuraavat riippumattomat t-testit Jokaisen ääniominaisuuden osalta verrattiin keskiarvoja suosittujen kappaleiden ryhmän ja vähemmän suosittujen kappaleiden ryhmän välillä. 95 %:n merkitsevyystasolla havaittiin, että lähes kaikki muuttujat (tanssittavuus, energia, äänenvoimakkuus, akustiikka, elävyys, kesto, tempo, valenssi ja instrumentaalisuus) erosivat merkittävästi kahden ryhmän välillä.

Ainoa ilmeinen poikkeus oli puhetaitoEnsimmäisessä testissä keskiarvojen ero ei ollut merkitsevä, mutta jatkoanalyysi paljasti, että erittäin suosittujen aiheiden puheellisuuden vaihteluvälit (arvoilla 0,024–0,685) sijoittuivat vähemmän suositun luokan laajemmalle vaihteluvälille (0–0,964). Tämä päällekkäisyys ei estänyt puheellisuutta tehokkaasti käytettynä tuottamasta tietoa malliin, joten se päätettiin säilyttää ennustajana.

Yhteenvetona voidaan todeta, että ääniominaisuuslohko osoitti selkeä kuvaileva voima suosion suhteen, kun taas sukupuolta käsiteltiin varovaisemmin ja se suljettiin pois ensisijaisena muuttujana joissakin ennustusmenetelmissä.

Koneoppimismallien rakentaminen osumien ennustamiseksi

Kun tietojoukko oli puhdas ja asiaankuuluvat muuttujat valittu, oli aika luoda binääriset luokittelumallit kykenevä ennustamaan, kuuluuko kappale suosion kärkipäässä olevien 15 prosentin joukkoon. Tätä varten kategoriset muuttujat key ja mode muunnettiin ensin mallimuuttujiksi käyttämällä Pandasin get_dummies-funktiota.

Näiden mallimuuttujien sisällyttämisen jälkeen alkuperäiset avaimen ja tilan sarakkeet sekä jatkuva suosio poistettiin ja kohdemuuttuja säilytettiin. binäärinen suosiokenttä (suosittu vs. ei-suosittu). Ennen mallien kouluttamista kaikki numeeriset ominaisuudet standardoitiin StandardScalerilla, koska ne toimivat hyvin eri mittakaavoilla ja oli tärkeää, että niillä oli vertailukelpoinen painoarvo.

Aineisto jaettiin harjoitus- ja testidataan train_test_split-funktiolla, jolloin 20 % testaukseen ilmoittautumisistaTällä tavoin vältettiin tietovuodot ja varmistettiin, että suorituskykymittarit heijastivat mallien todellista yleistettävyyttä eivätkä pelkästään niiden kykyä muistaa harjoitusdataa.

Ensimmäinen sovellettu malli oli ns. Logistinen regressioTätä tekniikkaa käytetään laajalti binääriluokittelussa. Iteratiivinen versio, jonka oppimisnopeus oli 0,01 ja iteraatioiden määrä 200, toteutettiin ja arvioitiin ristivalidoinnin avulla. Keskimääräinen tarkkuus oli noin 84,7 %, mikä on huomattavan vahva tulos niin monimutkaiselle ongelmalle kuin musiikillisen menestyksen ennustaminen.

Sitten algoritmia testattiin K-Lähimmät naapurit (KNN)joka luokittelee jokaisen kappaleen ominaisuusavaruuden k lähimmän naapurin mukaan. ky-arvoa säätämällä ruudukkohakua käyttäen optimaalisen konfiguraation löytämiseksi saatiin hyvin samanlainen tarkkuus, noin 84,8 %, ja ristiinvalidointipistemäärä parani hieman logistiseen regressioon verrattuna.

Seuraava malli oli ns. Tukivektorikone (SVM)Käytettiin myös toista valvottua tekniikkaa, joka pystyy käsittelemään sekä lineaarisia että epälineaarisia suhteita. Jälleen hyperparametrien sovituksen avulla saavutettiin noin 84,6 %:n tarkkuus, ja ristivalidoinnissa saatiin vastaavat arvot, mikä osoittaa vakaata suorituskykyä.

Myös seuraavia asioita arvioitiin: Naiivi Bayesin luokitinPerustuu piirteiden välisen riippumattomuuden hypoteesiin. Vaikka kyseessä on oletusten suhteen paljon yksinkertaisempi malli, sen tarkkuustulokset (noin 84,6 %) olivat SVM:n tasolla ja hyvin lähellä logistista regressiota ja KNN:ää, mikä vahvistaa ajatusta siitä, että ongelman rakenne soveltuu hyvin tämän tyyppiseen probabilistiseen lähestymistapaan.

Lopuksi testattiin päätöspuihin perustuvia malleja. Päätöspuun luokittelija Se saavutti huomattavasti alhaisemman tarkkuuden, noin 75,4 %, ja ristiinvalidointi vahvisti tämän suorituskyvyn laskun, joka todennäköisesti johtui ylisovitusongelmista. Satunnainen metsien luokittelija, joka yhdistää useita puita näiden vaikutusten tasoittamiseksi, parani merkittävästi ja saavutti noin 84,1 %:n tarkkuuden ja yli 84 %:n ristiinvalidoinnissa.

Analyysin loppuun saattamiseksi sekaannusmatriisi ja luokitteluraportti Random Forestille. Malli osoitti erinomaista kykyä tunnistaa vähemmän suosittuja kappaleita (enemmistöluokka) 0,85:n tarkkuudella ja lähes 0,99:n tunnistamisprosentilla, kun taas sen suorituskyky suosittujen kappaleiden luokassa (vähemmistö) oli vaatimattomampi, tarkkuudella 0,40 ja tunnistamisprosentilla 0,05. Tämä korostaa klassista luokkaepätasapainon haastetta tämän tyyppisissä ongelmissa.

Muuttujien tärkeys: mikä painaa eniten osuman luomisessa

Sen lisäksi, että tiedät, kumpi malli on tarkempi, on tärkeää ymmärtää mitkä ominaisuudet tarjoavat todella hyödyllistä tietoa ennustaessaan, onko jokin kappale suosittu. Tätä tarkoitusta varten käytettiin XGBoost (XGBClassifier) ​​-työkalua muuttuvien tärkeyspisteiden saamiseksi, jotka perustuivat kunkin ominaisuuden osuuteen päätöspuiden virheiden vähentämisessä.

Tulokset osoittivat, että Kappaleen pituus erottui selvästi muistaF-pistemäärä on selvästi yli 400. Tämä havainto sopii yhteen ajatuksen kanssa, jonka mukaan lyhyemmät kappaleet kannustavat toistuvaan kuunteluun ja keräävät siten enemmän soittokertoja lyhyemmässä ajassa, mikä on asia, jota Spotifyn suositusalgoritmi yleensä palkitsee.

Päinvastaisessa ääripäässä muuttujat, kuten avain, tila tai tunne johdettu otsikosta Ne saivat alle 50:n tärkeyspistemäärän, mikä viittaa siihen, että niiden vaikutus mallin kokonaisennustekykyyn oli pieni. Tämä ei tarkoita, etteikö niillä olisi lainkaan vaikutusta, vaan pikemminkin sitä, että verrattuna muihin ominaisuuksiin niiden painoarvo on paljon pienempi.

Loput ääniominaisuudet (kuten energia, tanssittavuus, valenssi, äänenvoimakkuus, akustiikka, elävyys, puheellisuus ja instrumentaalisuus) olivat näiden kahden välimaastossa F-pisteiden ollessa 200–300, mikä osoittaa, että Ne muodostavat melko tasapainoisen tietoblokinMikään niistä ei täysin dominoi, mutta yhdessä ne auttavat rakentamaan melko tarkan kuvan kappaleen menestysmahdollisuuksista.

Kaiken kaikkiaan ääniominaisuuksiin perustuvat mallit pystyivät ennustamaan noin 84–85 %:n onnistumisprosentti, jos vihje kuuluisi suosituimpien 15 %:n joukkoonTämä antaa jonkin verran empiiristä tukea vanhalle "hittitieteen" intuitiolle: hyvien tietojen ja asianmukaisten tekniikoiden avulla musiikillinen menestys ei ole täysin satunnaista, vaikka merkittävä ennalta arvaamaton komponentti onkin edelleen olemassa.

Tämän analyysin maalaama kuva osoittaa, että yhdistämällä Spotify-dataa, perinteisiä tilastoja ja koneoppimismalleja voimme mennä paljon pelkän striimien laskemisen yli. Keston, energian, valenssin ja instrumentaalisuuden vaikutuksen ymmärtäminen sekä toimituksellisten soittolistojen ja alustan suositusdynamiikan roolin ymmärtäminen tarjoaa artisteille, levy-yhtiöille ja analyytikoille hyvin konkreettisen tiekartan tulkitsemaan, miksi tietyistä kappaleista tulee hittejä ja miten he voivat maksimoida mahdollisuutensa liittyä tähän valittuun ryhmään menettämättä täysin inhimillistä ja luovaa elementtiä, joka onneksi pysyy minkä tahansa kaavan mukaisena.