Spotify slágerelemzés: adatok, algoritmusok és a zenei siker tudománya

Informatec Digital » Források » Spotify slágerelemzés: adatok, algoritmusok és a zenei siker tudománya

A Spotify tökéletes laboratóriummá vált annak tanulmányozására, hogy mitől lesz egy dal sláger : valós idejű lejátszási adatokkal, fejlett mérőszámokkal rendelkezünk az előadókról, és több millió hallgató hoz döntéseket másodpercenként. A Spotify messze nem csupán egy zenehallgatási platform, hanem egy hatalmas adatbázissá alakult , ahol minták, érzelmek, műfajok és lejátszási lista stratégiák elemezhetők, hogy megértsük, miért egyes dalok népszerűek, mások pedig miért merülnek feledésbe.

Az elmúlt években eszközök, tudományos kutatások és gépi tanulási modellek jelentek meg, amelyek kifejezetten a Spotify slágerelemzésére szolgálnak : a szerkesztői listák, mint például a Today's Top Hits vagy a Rap Caviar tanulmányozásától kezdve olyan algoritmusok fejlesztéséig, amelyek képesek megjósolni, hogy egy szám a katalógus legnépszerűbb csoportjába tartozik-e. Ugyanakkor a Spotify for Artists demokratizálta a hozzáférést ezekhez a mutatókhoz, lehetővé téve bármely előadó számára, hogy lássa, ki hallgatja őt, hol és hogyan fedezik fel, és ennek megfelelően módosítsa kreatív és marketingstratégiáját.

Mi is pontosan a Spotify slágerelemzés, és miért fontos?

Amikor Spotify slágerelemzésről beszélünk , nem csak arra gondolunk, hogy egy dalt hányszor játszottak le. Ez egy tágabb megközelítés, amely a hangzást, a kontextust és a felhasználói viselkedést ötvözi, hogy választ adjon egy kellemetlen, de kulcsfontosságú kérdésre: meg lehet jósolni egy dal sikerét a megjelenése előtt? A Spotify API-jából származó adatokat felhasználva a kutatók olyan változókkal dolgoznak, mint a népszerűség, az energia, a vegyérték, a hosszúság, a tempó és a táncolhatóság, hogy megpróbáljanak közelebb kerülni ehhez a válaszhoz.

Ez a megközelítés az úgynevezett „slágertudományban ” gyökerezik , egy olyan elképzelésben, amelyet Mike McCready tett népszerűvé a 2000-es évek elején: algoritmusok és matematikai modellek segítségével jósolják meg, hogy mely dalok fognak jól szerepelni a slágerlistákon és a rádióban. Bár a korai tanulmányok arra a következtetésre jutottak, hogy ez nagyon nehéz (és hogy a modellek nem elég pontosak), a helyzet teljesen megváltozott a streaming megjelenésével, az adatmennyiség hatalmas növekedésével és a gépi tanulási technikák finomodásával.

A Spotify ma egy API-t kínál, amely több tízezer zeneszámhoz és azok zenei, valamint kontextuális jellemzőihez fér hozzá : a hangnemtől és a módusztól kezdve egészen addig, hogy egy szám mennyire akusztikus vagy instrumentális, beleértve a dal érzékelésének leírására szolgáló mérőszámokat is (energia, vegyérték, táncolhatóság stb.). Mindez lehetővé teszi az elmozdulást a szubjektív véleményektől a sokkal pontosabb kvantitatív elemzés felé.

Eközben a Spotify for Artists eszköz segít az alkotóknak abban, hogy ne vesszenek el a hiúsági mutatókban, és arra összpontosítsanak, ami igazán számít: a hosszú távú közönségépítésre, az elköteleződésre, a megtartásra és arra, hogy a marketingtevékenységek hogyan hatnak a valódi rajongók létrehozására. Más szóval, számok, igen, de kontextussal és stratégiai szándékkal.

Hivatalos lejátszási listák és stratégia: a szerkesztői listák súlya

A Spotify slágerek komoly elemzésének egyik legfontosabb eleme a hivatalos szerkesztői lejátszási listák szerepe . Az olyan listák, mint a Discover Weekly, a Release Radar, a Today's Top Hits, a New Music Friday, a Rap Caviar, a Mint vagy a ¡Viva Latino!, hatalmas erősítőkként működnek: ha valaki felkerül valamelyikre, az teljesen megváltoztathatja egy dal vagy akár egy előadó karrierjének irányát.

A harmadik féltől származó eszközök, mint például a Soundcharts, lehetővé teszik, hogy lásd, hogyan teljesít egy előadó ezeken a lejátszási listákon : a megjelenések száma, a tartózkodás hossza, azok a piacok, ahol a legnagyobb hatást érik el stb. Ez a fajta elemzés egyértelművé teszi, hogy a szerkesztői listákon való jelenlét nem csak a megjelenésről szól, hanem a platform növekedési stratégiájának kulcsfontosságú eleme.

Vannak bizonyos visszatérő kritériumok a minőségi lejátszási listák összeállításakor. Például a különböző előadók sokasága fontosabb, mint ugyanazon nevek ismétlődése . Azok a lejátszási listák, amelyeken ugyanaz az előadó túl sokszor szerepel, általában alacsonyabb értékelést kapnak, mert csökkentik a hallgató felfedezési érzetét.

A műfajok koherens egyensúlyára is törekednek . Amikor egy lejátszási lista túl sok stílust kever egyértelmű irány nélkül, az élmény széttöredezetté válik, és az értékelés csökken. A legjobban teljesítő lejátszási listák általában egy vagy néhány jól meghatározott műfajra összpontosítanak, segítve a felhasználót abban, hogy egy pillantással megértse, mire számíthat, amikor megnyomja a lejátszás gombot.

Egy másik kulcsfontosságú szempont az ismert és a feltörekvő dalok keveréke . Azok a lejátszási listák, amelyek csak nagy slágereket tartalmaznak, rendben vannak, de kevés felfedezési lehetőséget kínálnak. Ezzel szemben azok a lejátszási listák, amelyek a már ismert dalokat kevésbé ismert gyöngyszemekkel ötvözik, általában nagyobb elköteleződést generálnak, és segítenek új slágerek létrehozásában.

Végül általános az egyetértés abban, hogy egy jó lejátszási listának legalább 50 zeneszámot kell tartalmaznia a teljes élmény érdekében . A 10-nél kevesebb zeneszámot tartalmazó lejátszási listákat gyakran gyengének tartják, és alacsonyabb pontszámot kapnak, ami a bennük szereplő zeneszámok teljesítményét is befolyásolja.

A Spotify rövid története és az analitika eredete

Mielőtt a Spotify képes lett volna fejlett slágerelemzést végezni, magának a platformnak meg kellett találnia a helyét a zeneiparban. Az ötlet, amelyet Daniel Ek társalapító fogalmazott meg, a Napster 2002-es összeomlása után merült fel: egy olyan szolgáltatást akart létrehozni, amely „jobb, mint a kalózkodás, de amely egyben kifizetődő is az iparágnak ”. Abban az időben Ek az uTorrentet futtatta, az egyik vezető P2P letöltő és megosztó klienst, így első kézből ismerte a jogosulatlan terjesztés világát.

Miután 2006 végén eladta az uTorrentet a BitTorrentnek, Ek teljes mértékben a Spotify építésére összpontosított. Az alkalmazás hivatalosan 2008-ban indult Svédországban, miután licenc- és részesedési megállapodásokat kötött a nagyobb lemezkiadókkal : a Sony Music Entertainmenttel, a Universal Music Grouppal és a Warner Music Grouppal. Egy évvel később az Egyesült Királyságba terjeszkedett, majd 2011-ben az Egyesült Államokban is elindult.

Ebben a kezdeti időszakban a fizetős előfizetői bázis Európában körülbelül 1 millióról 2012-re globálisan közel 4 millióra nőtt . 2016-ra a Spotify már 40 millió fizetős felhasználót és körülbelül 100 millió teljes felhasználót jelentett be, ezzel megszilárdítva a streaminget, mint a zenefogyasztás domináns formáját világszerte.

Ezzel egy időben kezdtek megjelenni a művészek számára készült adatkezelő eszközök. Először a Fan Insights jelent meg , amely egyes csapatoknak korlátozott hozzáférést biztosított a streaming adatokhoz: demográfiai, földrajzi és alapvető trendekhez. 2017-ben ez a megoldás fejlődött ki a Spotify for Artists alkalmazássá, amely megnyitotta az utat minden művész számára, hogy megtekinthesse kulcsfontosságú mutatóit, és az adatokat felhasználva döntéseket hozhasson a turnékkal, a kiadásokkal és a promócióval kapcsolatban.

A vállalat 2018-ban tőzsdére ment, közel 30.000 milliárd dolláros piaci kapitalizációval . Azóta a jelenléti ívben lévő piacok száma folyamatosan nőtt, a platformon belüli analitika fontosságával együtt. Ami licencelt médialejátszóként indult, mára globális infrastruktúrává vált, ahol az adatoké a legfontosabb.

Spotify metrikák: hogyan mérjünk egy dalt a streameken túl

A sláger-előrejelzési modellek felépítéséhez először is meg kell érteni, hogy milyen adatokat kínál a Spotify API . Egy, az indiai piacra összpontosító tanulmányban például több mint 46 000 dalt nyertek ki a Spotify által generált lejátszási listákból, amelyek a műfajok és alműfajok széles skáláját fedték le.

Az információk több blokkba vannak rendezve. A szám szintjén olyan adatokat találunk, mint az azonosító, a cím, az előadó, a népszerűség, a megjelenési dátum és az időtartam milliszekundumban . Az album szintjén az azonosító és a név tárolódik. A lejátszási lista szintjén a név, az azonosító, a műfaj és a hozzá tartozó alműfaj jelenik meg.

A találatelemzés szempontjából azonban a legérdekesebb aspektus a hangjellemzők , amelyeket különböző kategóriákba osztunk: hangulatjellemzők (táncolhatóság, energia, vegyérték, tempó), fizikai tulajdonságok (hangosság, beszédesség, instrumentalitás), kontextus (akusztikus jelleg, élénkség) és zenei szegmensek (hangnem, mód). Ezen változók mindegyikét gondosan definiálják és normalizálják.

A táncolhatóságot például egy 0 és 1 közötti értékkel fejezik ki, amely összefoglalja, hogy mennyire könnyű egy dalra táncolni olyan elemek alapján, mint a ritmus, a tempó stabilitása és az ütem erőssége. Az energia szintén 0 és 1 között változik, és megpróbálja megragadni, hogy a szám intenzíven, gyorsan és erőteljesen hangzik-e, szemben valami nyugodtabb vagy lágyabb dologgal.

A valencia a hanganyag érzékelt érzelmi „pozitivitását” írja le : az alacsony értékek szomorú, feszült vagy komor érzéseknek felelnek meg, míg a magas értékek vidám, élénk vagy euforikus zenének. Az akusztikusság annak valószínűségét méri, hogy egy szám akusztikus, az élénkség az élő közönség jelenlétét a felvételen, a beszédesség pedig a beszélt szavak arányát tükrözi a mixben (nagyon magas például podcastokban vagy beszélt szavakat tartalmazó számokban).

További fontos paraméterek a tempó BPM-ben , a teljes időtartam, a hangnem (egész számként kódolva), a módusz (dúr vagy mellék) és a szám népszerűsége. A népszerűség egy belső Spotify-mérőszám, amely 0 és 100 között mozog, és mind a streamek mennyiségétől, mind azok frissességétől függ . Egy olyan dal, ami évekkel ezelőtt hatalmas sikert aratott, de ma már ritkán játsszák, idővel csökkenni fog.

Hogyan kell előkészíteni és megtisztítani az adathalmazt a találatok előrejelzéséhez?

A Spotify-találatok elemzésének tárgyalásakor gyakran figyelmen kívül hagyott lépés az adathalmaz előkészítése . Ebben a tanulmányban az adatokat R és RStudio segítségével gyűjtöttük, a Spotify API-t a piac (India), műfajok és alműfajok különböző kombinációihoz hívva, globális és helyi súlyuk alapján kiválasztva.

Különböző tematikus lejátszási listákból származó dalok kombinálásakor gyakori, hogy sok dal ismétlődik, mivel ugyanaz a dal különböző listákban is megjelenhet. Mivel a cél nem magának a lejátszási stratégiának az elemzése volt, hanem a dalok jellemzőinek vizsgálata, a duplikált dalokat eltávolították , így a teljes bázis 46 417-ről körülbelül 39 147 egyedi dalra csökkent.

Azokat az oszlopokat, amelyeket nem magyarázó változóként használtak volna a modellekben, mint például az előadó, az album azonosítója és címe, valamint a lejátszási lista-specifikus mezők, eltávolították. Ezzel egyidejűleg a mezőneveket normalizálták , és az adattípusokat módosították: például a népszerűséget, a módot, a hangnemet és az időtartamot lebegőpontos értékekké alakították át a statisztikai elemzés megkönnyítése érdekében.

Egy kulcsfontosságú döntés az volt, hogy a népszerűséget egy kezelhetőbb változóvá alakítsák. Ahelyett, hogy 0 és 100 közötti folytonos értékkel dolgoztak volna, egy küszöbértéket határoztak meg a népszerű és a népszerűtlen dalok elkülönítésére . Az eloszlás 85. percentilisét véve (a népszerűség körülbelül 65-ös értéke), az e feletti értéket „népszerűnek”, a többit pedig „népszerűtlennek” tekintették.

Ily módon az adathalmazt közel 6.000 népszerű és körülbelül 33 000 népszerűtlen dalra osztották . A feltáró elemzéshez öt népszerűségi osztályba (nagyon magas, magas, közepes, alacsony és nagyon alacsony) sorolták, 20 pontos intervallumokkal, ami lehetővé tette a sikerességi szintek közötti finom trendek összehasonlítását.

Ezenkívül egy új változót generáltak a dalcímekből: egy hangulatjelzőt . A Python TextBlob könyvtárának használatával kiszámították az egyes címek polaritását (egy -1 és 1 közötti szám), és pozitív, negatív vagy semleges kategóriába sorolták. Ezt a numerikus értéket hozzáadták az adatkerethez annak vizsgálatára, hogy a cím hangvétele összefügg-e a népszerűségével.

Adatfeltárás: mi különbözteti meg a legnépszerűbb dalokat

Mielőtt bármilyen gépi tanulási modellt betanítanánk, elengedhetetlen időt szánni az adatok vizuális és statisztikai feltárására . Jelen tanulmány esetében eloszlási görbéket, népszerűségi csoportonkénti átlagokat, valamint az érzelmek és a siker közötti összefüggéseket elemeztük.

Az egyik meglepő megállapítás a legsikeresebb dalok vegyértékével kapcsolatos. A 90 feletti népszerűségi pontszámmal rendelkező számok vizsgálatakor megfigyelték, hogy nagyobb számuknak volt 0,5 alatti vegyértéke ; azaz inkább szomorúnak, komornak vagy melankolikusnak hangzottak, mint vidámnak. Ez nem volt abszolút domináns jelenség, de egyértelmű tendencia volt.

Amikor a népszerűség műfaj szerinti eloszlását ábrázoltuk, a legtöbb görbe megközelítőleg harang alakú volt , sok számmal az átlag körül, és kevesebbel a szélsőségeken. Az olyan műfajok, mint a rock, az R&B, az EDM, a világzene és az indiai zene azonban némi aszimmetriát mutattak a nagyszámú nulla népszerűségű szám miatt. Ezzel szemben az olyan stílusok, mint a pop, a rap, a latin és a desi kiegyensúlyozottabbnak tűntek, és a nulla népszerűségnél kisebb koncentrációval.

Ez arra utal, hogy ezekben a mainstreamebb műfajokban általában könnyebb elérni egy bizonyos szintű népszerűséget , még akkor is, ha a dalok nem rendelkeznek az összes ideális jellemzővel, míg más stílusokban a siker eloszlása ​​polarizáltabb.

A különböző jellemzők népszerűségi osztályok szerinti átlagainak összehasonlításakor egy nagyon egyértelmű minta rajzolódott ki: a legsikeresebb számok általában nagyobb energiával és hangossággal (észlelt hangerővel) rendelkeznek , valamint több instrumentális és kevesebb beszédességgel. Egyszerűen fogalmazva, a streaming platformokon legjobban teljesítő dalok általában erőteljesebbek és jobban a zenére, mint a kimondott szavakra összpontosítanak.

Azt is megfigyelték, hogy a népszerű számok alacsonyabb akusztikusságot és élőséget mutatnak ; vagyis kevésbé „akusztikusnak” és kevésbé „élőnek” hangzanak. Inkább stúdiófelvételek, kifinomultabbak, kevesebb környezeti zajjal vagy koncertszerű hangulattal rendelkeznek.

Egy másik fontos megállapítás, hogy a népszerű dalok általában rövidebbek, mint a kevésbé népszerűek . Egy olyan környezetben, ahol a bevétel a streamek számától függ, és az algoritmusok jutalmazzák az ismétlést, logikus, hogy a rövidebb számok gyorsabban gyűjthetik a lejátszásokat, és lejátszási listabarátabbá válnak.

Az észlelt boldogság (valencia) tekintetében érdekes a trend: a szintek az alacsonyabb népszerűségi osztályoktól a „felső” osztályig emelkednek, de a legszélsőségesebb kategóriában, a „nagyon magas”-ban jelentős csökkenés tapasztalható. Más szóval, a szupernépszerű dalok általában szomorúbbnak hangzanak, mint a pusztán „sikeresek” , ami számos értelmezést tesz lehetővé a közízléssel és a társadalmi-érzelmi kontextussal kapcsolatban.

Statisztikai elemzés: műfajok és hangjellemzők hatása

Miután az adatokat feltárták, a következő lépés a formális statisztikai tesztek alkalmazása volt annak megállapítására, hogy mely változók tekinthetők relevánsnak a népszerűség magyarázatában. Annak vizsgálatára, hogy a nem befolyásolja-e a sikert, varianciaanalízist (ANOVA) alkalmaztak kilenc fő műfajjal.

Az ANOVA eredménye nagyon magas F-értéket és gyakorlatilag semmilyen szignifikanciát nem mutatott, ami azt jelenti, hogy statisztikailag szignifikáns különbségek vannak a nemek között a népszerűségben . Ez azonban nem elég: azt is fontos tudni, hogy mely nemek között vannak ezek a különbségek, és hogy a változó hasznos lesz-e egy prediktív modellhez.

Mivel a varianciák nem voltak homogének, és a műfajonkénti dalok száma is változott, a Games-Howell post hoc tesztet alkalmaztuk . Ez az elemzés lehetővé tette számunkra, hogy meghatározzuk, mely műfaji kombinációk nem mutattak szignifikáns különbségeket a népszerűségben, ami összességében kevésbé tette ajánlottá a műfaj erős prediktorként való használatát a gépi tanulási modellekben.

Ezzel párhuzamosan független t-próbákat végeztek minden egyes hangjellemzőre, összehasonlítva a népszerű és a kevésbé népszerű dalcsoportok átlagait. 95%-os szignifikanciaszinten szinte minden változó (táncolhatóság, energia, hangosság, akusztikusság, élénkség, időtartam, tempó, vegyérték és instrumentalitás) szignifikáns különbséget mutatott a két csoport között.

Az egyetlen látszólagos kivétel a beszédesség volt . Az első tesztben az átlagok közötti különbség nem volt szignifikáns, de a további elemzés kimutatta, hogy a nagyon népszerű témák beszédességi tartományai (0,024 és 0,685 közötti értékekkel) a kevésbé népszerű osztály szélesebb tartományába (0 és 0,964 közé) estek. Ez az átfedés nem akadályozta meg, hogy a beszédesség, ha hatékonyan használták, információkkal járuljon hozzá a modellhez, ezért úgy döntöttek, hogy megtartják prediktorként.

Összefoglalva, a hanganyagok blokkja egyértelmű leíró erőt mutatott a népszerűség tekintetében , míg a műfajt óvatosabban kezelték, és egyes előrejelzési megközelítésekben elsődleges változóként elvetették.

Gépi tanulási modellek építése a találatok előrejelzésére

Miután az adathalmazt megtisztítottuk és a releváns változókat kiválasztottuk, itt volt az ideje bináris osztályozási modellek létrehozásának, amelyek képesek megjósolni, hogy egy dal a népszerűség felső 15%-ába tartozik-e. Ehhez a key és mode kategorikus változókat először dummy változókká alakítottuk a Pandas get_dummies függvényével.

Miután ezeket a próbaváltozókat beillesztettük, az eredeti tonalitási és módusz oszlopokat, valamint a folyamatos népszerűséget eltávolítottuk, és a bináris népszerűségi mezőt (népszerű vs. nem népszerű) megtartottuk célváltozóként. A modellek betanítása előtt az összes numerikus jellemzőt szabványosítottuk a StandardScaler segítségével, mivel ezek nagyon eltérő skálákon működtek, és fontos volt, hogy összehasonlítható súllyal rendelkezzenek.

Az adathalmazt a train_test_split függvénnyel tanuló- és tesztre osztottuk, a rekordok 20%-át tesztelésre tartva fenn . Ez megakadályozta az adatszivárgást, és biztosította, hogy a teljesítménymutatók a modellek tényleges általánosíthatóságát tükrözzék, ne csak a tanulóadatok megjegyzésének képességét.

Az első alkalmazott modell a logisztikus regresszió volt , egy széles körben használt technika a bináris osztályozásban. Egy iteratív változatot implementáltak 0,01 tanulási rátával és 200 iterációval, és keresztvalidációval értékelték ki. Az átlagos pontosság elérte a körülbelül 84,7%-ot, ami figyelemre méltóan erős eredmény egy olyan összetett problémánál, mint a zenei siker előrejelzése.

Ezután a K-legközelebbi szomszédok (KNN) algoritmust tesztelték , amely minden dalt a jellemzőtérben lévő k legközelebbi szomszédja alapján osztályoz. A ky értékének Grid Search segítségével történő beállításával az optimális konfiguráció megtalálásához nagyon hasonló pontosságot kaptak, körülbelül 84,8%-ot, a keresztvalidációs pontszám kismértékű javulásával a logisztikus regresszióhoz képest.

A következő modell a Support Vector Machine (SVM) volt , egy másik felügyelt technika, amely képes mind lineáris, mind nemlineáris kapcsolatokat kezelni. Ismét hiperparaméter-hangolással körülbelül 84,6%-os pontosságot értek el, a keresztellenőrzés során is hasonló értékeket kaptak, ami stabil teljesítményt jelez.

A jellemzők közötti függetlenség feltételezésén alapuló Naiv Bayes-osztályozót is értékelték . Annak ellenére, hogy a feltételezések tekintetében sokkal egyszerűbb modell, pontossági eredményei (körülbelül 84,6%) megegyeztek az SVM-mel, és nagyon közel álltak a logisztikus regresszióhoz és a KNN-hez, megerősítve azt az elképzelést, hogy a probléma szerkezete jól alkalmazható az ilyen típusú valószínűségi megközelítéshez.

Végül döntési fa alapú modelleket teszteltek. A döntési fa osztályozó jelentősen alacsonyabb, körülbelül 75,4%-os pontosságot ért el, és a keresztellenőrzés megerősítette ezt a teljesítménycsökkenést, amely valószínűleg a túlillesztési problémáknak volt köszönhető. A véletlenszerű erdő osztályozó , amely sok fát kombinál ezen hatások kisimítása érdekében, jelentősen javult, körülbelül 84,1%-os pontosságot és több mint 84%-ot a keresztellenőrzésben.

Az elemzés befejezéséhez egy összekeveredési mátrixot és egy osztályozási jelentést generáltak a Random Forest modellhez. A modell kiváló képességet mutatott a nem népszerű dalok (többségi osztály) azonosítására, 0,85-ös pontossággal és közel 0,99-es visszahívási aránnyal, míg a népszerű dalok osztályában (kisebbségi osztály) a teljesítménye szerényebb volt, 0,40-es pontossággal és 0,05-ös visszahívási aránnyal. Ez rávilágít az osztályok közötti egyensúlyhiány klasszikus kihívására az ilyen típusú problémákban.

A változók fontossága: mi számít a leginkább egy találat létrehozásakor?

A legpontosabb modell ismeretén túl kulcsfontosságú megérteni, hogy mely jellemzők nyújtanak valóban hasznos információt egy dal népszerűségének előrejelzéséhez. Ennek érdekében az XGBoost (XGBClassifier) ​​​​programot használták a változó fontossági pontszámok megszerzésére, az egyes jellemzőknek a döntési fákban a hibák csökkentéséhez való hozzájárulása alapján.

Az eredmények azt mutatták, hogy a dal hossza egyértelműen kiemelkedett a többi közül , az F pontszám jóval 400 felett volt. Ez a megállapítás összhangban van azzal az elképzeléssel, hogy a rövidebb számok ösztönzik az ismételt hallgatást, és így több lejátszást gyűjtenek össze kevesebb idő alatt, amit a Spotify ajánlóalgoritmusa általában jutalmaz.

A spektrum másik végén olyan változók, mint a kulcs, a mód vagy a címből magából a hangulatjel kinyerve , 50 alatti fontossági pontszámot kaptak, ami arra utal, hogy a modell teljes prediktív erejéhez való hozzájárulásuk minimális. Ez nem azt jelenti, hogy semmilyen hatásuk nincs, hanem inkább azt, hogy más jellemzőkhöz képest sokkal kisebb a súlyuk.

A fennmaradó hangjellemzők (mint például az energia, táncolhatóság, vegyérték, hangosság, akusztikusság, élénkség, beszédesség és instrumentalitás) egy köztes tartományba estek, 200 és 300 közötti F-pontszámmal, ami azt jelzi, hogy meglehetősen kiegyensúlyozott információblokkot alkotnak . Egyikük sem dominál teljesen, de együttesen segítenek meglehetősen pontos képet alkotni egy dal sikerének esélyeiről.

Összességében a hangjellemzőkön alapuló modellek körülbelül 84-85%-os pontossággal tudták megjósolni, hogy egy szám a legnépszerűbb 15% közé kerül-e , ami némi empirikus alátámasztást nyújt a „slágertudomány” régi intuíciójának: jó adatokkal és megfelelő technikákkal a zenei siker nem tisztán véletlenszerű, bár továbbra is van egy jelentős kiszámíthatatlan összetevő.

Az elemzés által festett kép azt mutatja, hogy a Spotify-adatok, a hagyományos statisztikák és a gépi tanulási modellek kombinálása lehetővé teszi számunkra, hogy messze túllépjünk a streamek egyszerű számlálásán. Az időtartam, az energia, a vegyérték és az instrumentalitás hatásának megértése, valamint a szerkesztői lejátszási listák szerepe és a platform ajánlási dinamikái nagyon konkrét ütemtervet ad a művészeknek, a kiadóknak és az elemzőknek annak értelmezéséhez, hogy miért válnak bizonyos dalok slágerekké, és hogyan maximalizálhatják esélyeiket arra, hogy csatlakozzanak ehhez a kiválasztott csoporthoz anélkül, hogy teljesen elveszítenék az emberi és kreatív elemet, amely szerencsére semmilyen képletre nem redukálható.