ניתוח להיטים של ספוטיפיי: נתונים, אלגוריתמים ומדע ההצלחה המוזיקלית

אינפורמטק דיגיטל » Recursos » ניתוח להיטים של ספוטיפיי: נתונים, אלגוריתמים ומדע ההצלחה המוזיקלית

ספוטיפיי הפכה למעבדה המושלמת לחקר מה הופך שיר ללהיט : יש לנו נתוני השמעה בזמן אמת, מדדים מתקדמים לאמנים, ומיליוני מאזינים שמקבלים החלטות בכל שנייה. ספוטיפיי רחוקה מלהיות רק פלטפורמת האזנה, היא הפכה למסד נתונים עצום שבו ניתן לנתח דפוסים, רגשות, ז'אנרים ואסטרטגיות של פלייליסטים כדי להבין מדוע שירים מסוימים מרוויחים ואחרים דועכים אל תוך האלמוניות.

בשנים האחרונות צצו כלים, מחקר אקדמי ומודלים של למידת מכונה המוקדשים לניתוח להיטים של Spotify : החל מלימוד מצעדי עריכה כמו Today's Top Hits או Rap Caviar, ועד לבניית אלגוריתמים המסוגלים לחזות האם שיר ישתייך לקבוצה הפופולרית ביותר בקטלוג. במקביל, Spotify for Artists יצרה דמוקרטיזציה של הגישה למדדים אלה, ומאפשרת לכל אמן לראות מי מאזין לו, היכן וכיצד הוא מתגלה, ולהתאים את אסטרטגיית הקריאייטיב והשיווק שלו בהתאם.

מהו בעצם ניתוח תוצאות בספוטיפיי ולמה זה חשוב?

כשאנחנו מדברים על ניתוח להיטים של Spotify, אנחנו לא מתייחסים רק למספר הפעמים ששיר נוגן. זוהי גישה רחבה יותר המשלבת אודיו, הקשר והתנהגות משתמש כדי לענות על שאלה לא נוחה אך מכרעת: האם ניתן לחזות את הצלחתו של שיר לפני שהוא יוצא לאור? באמצעות נתונים מה-API של Spotify, חוקרים עובדים עם משתנים כמו פופולריות, אנרגיה, ערכיות, משך זמן, קצב ויכולת ריקוד כדי לנסות להתקרב לתשובה זו.

גישה זו נובעת ממה שמכונה "מדע שירי הלהיט ", רעיון שהפך לפופולרי על ידי מייק מקרידי בתחילת שנות ה-2000: שימוש באלגוריתמים ובמודלים מתמטיים כדי לחזות אילו שירים יצליחו במצעדים וברדיו. למרות שמחקרים מוקדמים הגיעו למסקנה שזה קשה מאוד (ושהמודלים לא היו מדויקים מספיק), הנוף השתנה לחלוטין עם הופעת הסטרימינג, העלייה העצומה בנפח הנתונים ועידון טכניקות למידת מכונה.

כיום, Spotify מציעה ממשק API עם גישה לעשרות אלפי רצועות ולתכונות המוזיקליות וההקשריות שלהן : החל מהסולם והמוד ועד לסבירות שהשיר יהיה אקוסטי או אינסטרומנטלי, כולל מדדים שנועדו במיוחד לתאר כיצד השיר נתפס (אנרגיה, ערכיות, יכולת ריקוד וכו'). כל זה מאפשר מעבר מדעות סובייקטיביות לניתוח כמותי מדויק הרבה יותר.

בינתיים, כלי Spotify for Artists עוזר ליוצרים להימנע מאבדים את הידע שלהם במדדי יהירות ולהתמקד במה שחשוב באמת: פיתוח קהל לטווח ארוך, מעורבות, שימור לקוחות וכיצד מאמצי שיווק משפיעים על יצירת מעריצים אמיתיים. במילים אחרות, מספרים, כן, אבל עם הקשר וכוונה אסטרטגית.

פלייליסטים רשמיים ואסטרטגיה: משקלן של רשימות עריכה

אחד המרכיבים החשובים ביותר בכל ניתוח רציני של להיטים בספוטיפיי הוא תפקידן של רשימות השמעה רשמיות . רשימות כמו Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint או ¡Viva Latino! משמשות כמגברים אדירים: כניסה לאחת מהן יכולה לשנות לחלוטין את מסלולו של שיר או אפילו את הקריירה של אמן.

כלים של צד שלישי כמו Soundcharts מאפשרים לכם לראות כיצד אמן מתפקד בפלייליסטים אלה : מספר הופעות, משך שהייה, שווקים שבהם יש לו את ההשפעה הגדולה ביותר וכו'. ניתוח מסוג זה מבהיר שנוכחות במצעדי עריכה אינה רק למטרות ראווה, אלא מרכיב מפתח באסטרטגיית צמיחה בפלטפורמה.

ישנם קריטריונים חוזרים מסוימים בבניית פלייליסטים איכותיים. לדוגמה, מגוון אמנים מוערך על פני חזרה על אותם שמות שוב ושוב . פלייליסטים שבהם אותו אמן מופיע פעמים רבות מדי נוטים לקבל דירוגים נמוכים יותר משום שהם מפחיתים את תחושת הגילוי של המאזין.

כמו כן, מבוקש איזון קוהרנטי של ז'אנרים . כאשר פלייליסט מערבב יותר מדי סגנונות ללא כיוון ברור, החוויה הופכת מקוטעת והדירוג יורד. הפלייליסטים בעלי הביצועים הטובים ביותר נוטים להתמקד בז'אנר אחד או בכמה ז'אנרים מוגדרים היטב, מה שעוזר למשתמש להבין במבט חטוף למה לצפות כשהוא לוחץ על הפעלה.

היבט מרכזי נוסף הוא השילוב בין שירים ידועים לשירים חדשים . פלייליסטים הכוללים רק להיטים גדולים הם בסדר, אבל הם מציעים מעט מאוד אפשרויות לגילוי. לעומת זאת, פלייליסטים המשלבים שירים מבוססים עם פנינים פחות מוכרות נוטים לייצר מעורבות רבה יותר ולעזור ליצור להיטים חדשים.

לבסוף, קיימת הסכמה כללית שרשימת השמעה טובה צריכה להכיל לפחות 50 שירים כדי להציע חוויה מלאה . רשימות השמעה עם פחות מ-10 שירים נתפסות לעתים קרובות כגרועות ומקבלות ציונים נמוכים יותר, מה שמשפיע גם על ביצועי הרצועות שהן כוללות.

היסטוריה קצרה של ספוטיפיי ומקור האנליטיקה שלה

לפני שספוטיפיי יכלה לבצע ניתוח מתקדם של להיטים, הפלטפורמה עצמה הייתה צריכה למצוא את מקומה בתעשיית המוזיקה. הרעיון, שהגה המייסד השותף דניאל אק, עלה לאחר קריסת נאפסטר בשנת 2002: הוא רצה ליצור שירות "טוב יותר מפיראטיות, אבל שגם ישלם לתעשייה ". באותה תקופה, אק הפעיל את uTorrent, אחד מלקוחות ההורדה והשיתוף המובילים של P2P, כך שהייתה לו היכרות ממקור ראשון עם עולם ההפצה הלא מורשית.

לאחר שמכר את uTorrent ל-BitTorrent בסוף 2006, אק התמקד לחלוטין בבניית Spotify. האפליקציה הושקה רשמית בשנת 2008 בשוודיה, לאחר שהגיעה להסכמי רישוי והון עם חברות תקליטים גדולות : Sony Music Entertainment, Universal Music Group ו-Warner Music Group. שנה לאחר מכן, היא התרחבה לבריטניה, ובשנת 2011 היא הושקה בארה"ב.

בתקופה ראשונית זו, בסיס המנויים בתשלום גדל מכמיליון באירופה לכמעט 4 מיליון ברחבי העולם בשנת 2012. עד 2016, ספוטיפיי כבר הכריזה על 40 מיליון משתמשים בתשלום וכ-100 מיליון משתמשים בסך הכל, ובכך ביססה את הסטרימינג כצורת צריכת המוזיקה הדומיננטית ברחבי העולם.

במקביל, החלו לצוץ כלי נתונים עבור אמנים. ראשית הגיע Fan Insights , שהציע לחלק מהצוותים גישה מוגבלת לנתוני סטרימינג: נתונים דמוגרפיים, גיאוגרפיים ומגמות בסיסיות. בשנת 2017, פתרון זה התפתח ל-Spotify for Artists, ופתח את הדלת לכל האמנים לצפות במדדים המרכזיים שלהם ולהשתמש בנתונים כדי לקבל החלטות לגבי סיבובי הופעות, יציאות וקידום.

בשנת 2018, החברה הונפקה לציבור עם שווי שוק של כמעט 30.000 מיליארד דולר . מאז, מספר השווקים שבהם היא פועלת המשיך לגדול, יחד עם חשיבות האנליטיקה בפלטפורמה. מה שהחל כנגן מדיה מורשה הפך לתשתית עולמית שבה הנתונים שולטים בכיפה.

מדדי ספוטיפיי: איך למדוד שיר מעבר להזרמות

כדי לבנות מודלים של חיזוי להיטים, ראשית יש להבין איזה סוג נתונים מציע ה-API של Spotify . במחקר שהתמקד בשוק ההודי, לדוגמה, חולצו יותר מ-46.000 רשומות שירים מפלייליסטים שנוצרו על ידי Spotify, המכסות מגוון רחב של ז'אנרים ותת-ז'אנרים.

המידע מאורגן במספר בלוקים. ברמת הרצועה, אנו מוצאים נתונים כגון מזהה, שם, אמן, פופולריות, תאריך יציאה ומשך זמן במילישניות . ברמת האלבום, המזהה והשם נשמרים. ברמת רשימת ההשמעה, מופיעים השם, המזהה, הז'אנר ותת-הז'אנר המשויך.

אבל ההיבט המעניין ביותר לניתוח להיטים הוא מאפייני השמע , המחולקים לקטגוריות שונות: מאפייני מצב רוח (יכולת ריקוד, אנרגיה, ערכיות, טמפו), מאפיינים פיזיקליים (עוצמת קול, דיבוריות, אינסטרומנטליות), הקשר (אקוסטיות, חיות) וקטעים מוזיקליים (סולם, מוד). כל אחד מהמשתנים הללו מוגדר ומנורמל בקפידה.

ריקודיות, לדוגמה, מתבטאת כערך בין 0 ל-1 המסכם כמה קל לרקוד לצלילי שיר , בהתבסס על אלמנטים כמו קצב, יציבות טמפו ועוצמת הקצב. אנרגיה משתנה גם בין 0 ל-1 ומנסה ללכוד האם השיר נשמע אינטנסיבי, מהיר ועוצמתי, לעומת משהו רגוע או רך יותר.

ערכיות מתארים את ה"חיוביות" הרגשית הנתפסת של האודיו: ערכים נמוכים מתאימים לתחושות עצובות, מתוחות או קודרות, בעוד ערכים גבוהים מתאימים למוזיקה עליזה, בהירה או אופורית. אקוסטיות מודדת את הסבירות שהשיר יהיה אקוסטי, חיוניות את נוכחותו של קהל חי בהקלטה, ודיבוריות משקפת את שיעור המילים המדוברות במיקס (גבוה מאוד, למשל, בפודקאסטים או בקטעי מוזיקה מדוברת).

פרמטרים חשובים נוספים כוללים את הקצב ב-BPM , משך הזמן הכולל, סולם (מקודד כמספר שלם), מצב (מז'ור או מינור) ופופולריות הרצועה. פופולריות היא מדד פנימי של ספוטיפיי שנע בין 0 ל-100 ותלוי הן בנפח ההזרמות והן במועד האחרון שלהן . שיר שהיה ענק לפני שנים אך כיום מושמע לעתים רחוקות, הציון שלו יורד עם הזמן.

כיצד להכין ולנקות את מערך הנתונים כדי שנוכל לחזות התאמות

שלב אחד שלעתים קרובות מתעלמים ממנו כשדנים בניתוח תוצאות Spotify הוא הכנת מערך הנתונים . במחקר זה, הנתונים נאספו באמצעות R ו-RStudio, תוך קריאה ל-API של Spotify עבור שילובים שונים של שוק (הודו), ז'אנרים ותת-ז'אנרים שנבחרו בהתאם למשקלם הגלובלי והמקומי.

כאשר משלבים שירים מפלייליסטים נושאיים שונים, מקובל שרצועות רבות חוזרות על עצמן, מכיוון שאותו שיר יכול להופיע ברשימות שונות. מכיוון שהמטרה לא הייתה לנתח את אסטרטגיית הפלייליסט עצמה, אלא את מאפייני השירים, הוסרו רצועות כפולות , מה שהפחית את הבסיס הכולל מ-46.417 לכ-39.147 שירים ייחודיים.

עמודות שלא נועדו לשמש כמשתני הסבר במודלים, כגון אמן, מזהה ושם אלבום, ושדות ספציפיים לרשימת השמעה, הוסרו. במקביל, שמות השדות נורמלו וסוגי הנתונים הותאמו: לדוגמה, פופולריות, מצב, מפתח ומשך הומרו לערכים צפים כדי להקל על הניתוח הסטטיסטי.

החלטה מרכזית הייתה להפוך את הפופולריות למשתנה קל יותר לניהול. במקום לעבוד עם ערך רציף מ-0 עד 100, הוגדר סף להפרדה בין שירים פופולריים לשירים לא פופולריים . באחוזון ה-85 של ההתפלגות (בסביבות פופולריות של 65), שירים מעל ערך זה נחשבו "פופולריים" והשאר "לא פופולריים".

בדרך זו, מערך הנתונים חולק לכמעט 6.000 שירים פופולריים וכ-33.000 שירים לא פופולריים . לצורך הניתוח החקרני, הוא אף חולק לחמש קטגוריות פופולריות (גבוהה מאוד, גבוהה, בינונית, נמוכה ונמוכה מאוד), עם מרווחים של 20 נקודות, שאפשרו השוואה של מגמות עדינות בין רמות ההצלחה.

בנוסף, נוצר משתנה חדש משמות השירים: אינדיקטור סנטימנט . באמצעות ספריית TextBlob בפייתון, חושבה הקוטביות עבור כל כותרת (מספר בין -1 ל-1) וסווגה כחיובית, שלילית או ניטרלית. ערך מספרי זה נוסף למסגרת הנתונים כדי לבדוק האם הטון של הכותרת קשור לפופולריות שלה.

חקירת נתונים: מה מבדיל את השירים הפופולריים ביותר

לפני אימון כל מודל למידת מכונה, חיוני להקדיש זמן לחקירה חזותית וסטטיסטית של הנתונים . במקרה של מחקר זה, נותחו עקומות התפלגות, ממוצעים לכל קבוצת פופולריות, והקשרים בין רגשות להצלחה.

אחד הממצאים הבולטים קשור לערך של השירים המצליחים ביותר. כאשר בחנו שירים עם ציון פופולריות מעל 90, נצפה כי מספר גדול יותר מהם היה בעל ערך ערכיות מתחת ל-0,5 ; כלומר, הם נשמעו עצובים יותר, קודרים יותר או מלנכוליים מאשר עליזים. זו לא הייתה דומיננטיות מוחלטת, אבל זו הייתה מגמה ברורה.

כאשר שורטטה התפלגות הפופולריות לפי ז'אנר, רוב העקומות קיבלו צורה של פעמון בקירוב , כאשר שירים רבים נמצאים סביב הממוצע ופחות בקצוות. עם זאת, ז'אנרים כמו רוק, R&B, EDM, מוזיקה עולמית ומוזיקה הודית הראו אסימטריה מסוימת עקב מספר רב של שירים עם אפס פופולריות. לעומת זאת, סגנונות כמו פופ, ראפ, לטיני ודסי נראו מאוזנים יותר ועם פחות ריכוז באפס.

זה מצביע על כך שבז'אנרים המיינסטרים יותר בדרך כלל קל יותר להשיג רמה מסוימת של פופולריות , גם אם לשירים אין את כל המאפיינים האידיאליים, בעוד שבסגנונות אחרים חלוקת ההצלחה מקוטבת יותר.

כאשר משווים את הממוצעים של המאפיינים השונים לפי קטגוריית פופולריות, התגלה דפוס ברור מאוד: השירים המצליחים ביותר נוטים להיות בעלי אנרגיה ועוצמה (עוצמה נתפסת) גבוהות יותר , כמו גם יותר אינסטרומנטליות ופחות דיבוריות. במילים פשוטות, שירים שמופיעים בצורה הטובה ביותר בפלטפורמות סטרימינג הם בדרך כלל חזקים יותר ומתמקדים יותר במוזיקה מאשר במילים מדוברות.

כמו כן, נצפה כי שירים פופולריים מפגינים אקוסטיות וחיות נמוכות יותר ; כלומר, הם נשמעים פחות "אקוסטיים" ופחות "חיים". הם מופקים יותר באולפן, מלוטשים יותר, עם פחות רעשי סביבה או תחושה של קונצרט.

ממצא מרכזי נוסף הוא ששירים פופולריים נוטים להיות קצרים יותר משירים לא פופולריים . בהקשר שבו ההכנסות תלויות במספר הסטרימינג ואלגוריתמים מתגמלים חזרות, הגיוני ששירים קצרים יותר יכולים לצבור השמעות מהר יותר ולהפוך לידידותיים יותר לפלייליסטים.

בכל הנוגע לאושר נתפס (ערכיות), המגמה מוזרה: הרמות עולות מקבוצות הפופולריות הנמוכות למעמד ה"גבוה", אך בקטגוריה הקיצונית ביותר, ה"גבוהה מאוד", יש ירידה ניכרת. במילים אחרות, שירים סופר-פופולריים נוטים להישמע עצובים יותר משירים "מצליחים" בלבד , מה שפותח פתח לפרשנויות רבות לגבי טעם הקהל וההקשר החברתי-רגשי.

ניתוח סטטיסטי: השפעת ז'אנרים ותכונות שמע

לאחר בדיקת הנתונים, השלב הבא היה יישום מבחנים סטטיסטיים פורמליים כדי לראות אילו משתנים ניתן לראותם רלוונטיים בהסבר הפופולריות. כדי לבדוק האם מגדר משפיע על הצלחה, נעשה שימוש בניתוח שונות (ANOVA) עם תשעה ז'אנרים עיקריים.

תוצאת ה-ANOVA הניבה ערך F גבוה מאוד וכמעט ללא מובהקות, כלומר ישנם הבדלים מובהקים סטטיסטית בפופולריות בין המינים . עם זאת, זה לא מספיק: חשוב גם לדעת בין אילו זוגות מגדרים קיימים ההבדלים הללו והאם המשתנה יהיה שימושי למודל ניבוי.

בהינתן שהשונות לא הייתה הומוגנית ומספר השירים לכל ז'אנר השתנה, נעשה שימוש במבחן פוסט הוק של גיימס-האוול . ניתוח זה אפשר לנו לקבוע אילו שילובי ז'אנרים לא הראו הבדלים משמעותיים בפופולריות, מה שבסך הכל הפחית את המומלץ להשתמש בז'אנר כגורם ניבוי חזק במודלים של למידת מכונה.

במקביל, בוצעו מבחני t בלתי תלויים עבור כל מאפיין שמע, תוך השוואת הממוצעים בין קבוצות השירים הפופולריים והלא פופולריים. ברמת מובהקות של 95%, כמעט כל המשתנים (יכולת ריקוד, אנרגיה, עוצמה, אקוסטיות, חיות, משך, קצב, ערכיות ואינסטרומנטליות) הראו הבדלים משמעותיים בין שתי הקבוצות.

היוצא מן הכלל היחיד לכאורה היה דיבוריות . במבחן הראשון, ההבדל בממוצעים לא היה מובהק, אך ניתוח נוסף גילה שטווחי דיבוריות עבור נושאים פופולריים מאוד (עם ערכים בין 0,024 ל-0,685) נפלו בטווח הרחב יותר של המחלקה הפחות פופולרית (בין 0 ל-0,964). חפיפה זו לא מנעה מדיבוריות, כאשר נעשה בה שימוש יעיל, לתרום מידע למודל, ולכן הוחלט לשמור עליה כגורם ניבוי.

לסיכום, בלוק תכונות האודיו הפגין כוח תיאורי ברור בנוגע לפופולריות , בעוד שז'אנר טופל בזהירות רבה יותר ונסלל כמשתנה עיקרי בגישות חיזוי מסוימות.

בניית מודלים של למידת מכונה לחיזוי פגיעות

לאחר ניקוי מערך הנתונים ונבחרו המשתנים הרלוונטיים, הגיע הזמן ליצור מודלים של סיווג בינארי המסוגלים לחזות האם שיר שייך ל-15% המובילים בפופולריות. לשם כך, המשתנים הקטגוריים key ו-mode הומרו תחילה למשתני דמה באמצעות הפונקציה get_dummies של Pandas.

לאחר שילוב מודלים אלו, הוסרו עמודות הטונאליות והמוד המקוריות, כמו גם הפופולריות הרציפה, ושדה הפופולריות הבינארי (פופולרי לעומת לא פופולרי) נשמר כמשתנה היעד. לפני אימון המודלים, כל התכונות המספריות עברו סטנדרטיזציה באמצעות StandardScaler, מכיוון שהן פעלו על קני מידה שונים מאוד והיה חשוב שיהיה להן משקל דומה.

מערך הנתונים פוצל לאימון ולבדיקה באמצעות הפונקציה train_test_split, תוך שמירת 20% מהרשומות לבדיקה . פעולה זו מנעה דליפות נתונים והבטיחה שמדדי הביצועים שיקפו את יכולת ההכללה בפועל של המודלים, ולא רק את יכולתם לשנן נתוני אימון.

המודל הראשון שיושם היה רגרסיה לוגיסטית , טכניקה הנמצאת בשימוש נרחב בסיווג בינארי. גרסה איטרטיבית עם קצב למידה של 0,01 ו-200 איטרציות יושמה והוערכה באמצעות אימות צולב. הדיוק הממוצע הגיע לכ-84,7%, תוצאה חזקה במיוחד עבור בעיה מורכבת כמו ניבוי הצלחה מוזיקלית.

לאחר מכן, נבדק אלגוריתם K-Nearest Neighbors (KNN) , אשר מסווג כל שיר לפי k שכנים קרובים ביותר שלו במרחב התכונות. על ידי התאמת ערך ky באמצעות Grid Search כדי למצוא את התצורה האופטימלית, הושג דיוק דומה מאוד, כ-84,8%, עם שיפור קל בציון האימות הצולב בהשוואה לרגרסיה לוגיסטית.

המודל הבא היה Support Vector Machine (SVM) , טכניקה מפוקחת נוספת המסוגלת לטפל הן בקשרים ליניאריים והן בקשרים לא ליניאריים. שוב, באמצעות כוונון היפר-פרמטרים, הושגו דיוקים של כ-84,6%, עם ערכים שווים באימות צולב, דבר המצביע על ביצועים יציבים.

כמו כן, הוערך מסווג Naive Bayes , המבוסס על הנחת אי-תלות בין מאפיינים . למרות היותו מודל פשוט בהרבה מבחינת הנחות, תוצאות הדיוק שלו (כ-84,6%) היו דומות ל-SVM וקרובות מאוד לרגרסיה לוגיסטית ול-KNN, מה שמחזק את הרעיון שמבנה הבעיה מתאים היטב לסוג זה של גישה הסתברותית.

לבסוף, נבדקו מודלים מבוססי עץ החלטה. מסווג עץ ההחלטה השיג דיוק נמוך משמעותית, כ-75,4%, ותיקוף צולב אישר ירידה זו בביצועים, ככל הנראה עקב בעיות התאמת יתר. מסווג היערות האקראי , המשלב עצים רבים כדי להחליק את ההשפעות הללו, השתפר משמעותית, והשיג דיוק של כ-84,1% ומעל 84% באיקוף צולב.

להשלמת הניתוח, נוצרו מטריצת בלבול ודוח סיווג עבור היער האקראי. המודל הראה יכולת מצוינת לזהות שירים לא פופולריים (מעמד הרוב), עם דיוק של 0,85 וזכירה קרובה ל-0,99, בעוד שביצועיו במעמד השירים הפופולריים (מעמד המיעוט) היו צנועים יותר, עם דיוק של 0,40 וזכירה של 0,05. עובדה זו מדגישה את האתגר הקלאסי של חוסר איזון מעמדי בסוג זה של בעיה.

חשיבות המשתנים: מה ששוקל הכי הרבה בעת יצירת פגיעה

מעבר לידיעה איזה מודל הוא המדויק ביותר, חיוני להבין אילו מאפיינים באמת מספקים מידע שימושי בעת ניבוי האם שיר יהיה פופולרי. לשם כך, נעשה שימוש ב-XGBoost ‏(XGBClassifier) ​​כדי לקבל ציוני חשיבות משתנים, המבוססים על תרומתו של כל מאפיין להפחתת שגיאות בעצי ההחלטה.

התוצאות הראו שאורכו של השיר בלט בבירור מהשאר , עם ציון F הרבה מעל 400. ממצא זה תואם את הרעיון ששירים קצרים יותר מעודדים האזנה חוזרת ולכן צוברים יותר השמעות בפחות זמן, דבר שאלגוריתם ההמלצות של ספוטיפיי נוטה לתגמל.

בקצה השני של הספקטרום, משתנים כמו המפתח, המצב או הסנטימנט המופק מהכותרת עצמה קיבלו ציוני חשיבות מתחת ל-50, דבר המצביע על כך שתרומתם לכוח החיזוי הכולל של המודל הייתה מינימלית. אין זה אומר שאין להם השפעה כלל, אלא שבהשוואה למאפיינים אחרים, משקלם קטן בהרבה.

תכונות האודיו הנותרות (כגון אנרגיה, יכולת ריקוד, ערכיות, עוצמה, אקוסטיות, חיות, דיבוריות ואינסטרומנטליות) נפלו בטווח ביניים, עם ציוני F בין 200 ל-300, דבר המצביע על כך שהן יוצרות גוש מידע מאוזן למדי . אף אחת מהן אינה שולטת לחלוטין, אך יחד הן עוזרות לבנות תמונה מדויקת למדי של סיכויי ההצלחה של שיר.

בסך הכל, המודלים המבוססים על תכונות שמע הצליחו לחזות בדיוק של כ- 84-85% האם רצועה תהיה חלק מ-15% הפופולריים ביותר , מה שנותן תמיכה אמפירית מסוימת לאינטואיציה הישנה של "מדע שירי הלהיט": עם נתונים טובים וטכניקות מתאימות, הצלחה מוזיקלית אינה אקראית לחלוטין, אם כי עדיין קיים מרכיב משמעותי בלתי צפוי.

התמונה המצוירת על ידי ניתוח זה מראה ששילוב נתוני Spotify, סטטיסטיקות מסורתיות ומודלים של למידת מכונה מאפשר לנו ללכת הרבה מעבר לספירת סטרימינג בלבד. הבנת ההשפעה של משך, אנרגיה, ערכיות ואינסטרומנטליות, יחד עם תפקידן של רשימות השמעה עריכתיות ודינמיקת ההמלצות של הפלטפורמה, מספקת לאמנים, לייבלים ואנליסטים מפת דרכים קונקרטית מאוד לפרשנות מדוע שירים מסוימים הופכים ללהיטים וכיצד הם יכולים למקסם את סיכוייהם להצטרף לקבוצה נבחרת זו מבלי לאבד לחלוטין את האלמנט האנושי והיצירתי שלמרבה המזל, נותר בלתי ניתן לצמצום לכל נוסחה.