Spotify 히트곡 분석: 데이터, 알고리즘, 그리고 음악적 성공의 과학

인포마텍 디지털 » 자료 » 스포티파이 히트곡 분석: 데이터, 알고리즘 및 음악적 성공의 과학

Spotify는 히트곡을 만드는 요소를 연구하기 위한 완벽한 실험실이 되었습니다 . 실시간 재생 데이터, 아티스트를 위한 고급 통계 자료, 그리고 매초마다 결정을 내리는 수백만 명의 청취자까지 모두 활용할 수 있기 때문입니다. Spotify는 단순한 음악 감상 플랫폼을 넘어, 패턴, 감정, 장르, 플레이리스트 전략 등을 분석하여 어떤 노래는 성공하고 어떤 노래는 잊히는 이유를 밝혀낼 수 있는 거대한 데이터베이스 로 변모했습니다.

최근 몇 년 동안 Spotify 히트곡 분석 에 특화된 도구, 학술 연구, 머신러닝 모델들이 등장했습니다 . '오늘의 최고 히트곡'이나 '랩 캐비어' 같은 편집 차트를 분석하는 것부터, 특정 곡이 Spotify 카탈로그에서 가장 인기 있는 그룹의 곡이 될지 예측하는 알고리즘을 개발하는 것까지 다양한 연구가 진행되었습니다. 동시에 Spotify for Artists는 이러한 지표에 대한 접근성을 보편화하여 모든 아티스트가 자신의 음악을 누가 듣고 있는지, 어디서 어떻게 발견되는지 확인하고, 그에 맞춰 창작 및 마케팅 전략을 조정할 수 있도록 지원하고 있습니다.

Spotify 히트 분석이란 정확히 무엇이며 왜 중요한가요?

Spotify 히트곡 분석 이라고 하면 단순히 노래 재생 횟수만을 의미하는 것이 아닙니다. 음악, 맥락, 사용자 행동을 종합적으로 고려하여 불편하지만 중요한 질문에 대한 답을 찾는 더 포괄적인 접근 방식입니다. 바로 노래 발매 전에 성공 여부를 예측할 수 있을까 하는 질문입니다. 연구원들은 Spotify API에서 얻은 데이터를 활용하여 인기, 에너지, 감정적 가치, 재생 시간, 템포, 댄스 가능성 등의 변수를 분석하고 그 해답에 가까워지려고 노력합니다.

이러한 접근 방식은 2000년대 초 마이크 맥크레디가 대중화한 이른바 "히트곡 과학 "에 뿌리를 두고 있습니다. 이는 알고리즘과 수학적 모델을 사용하여 어떤 노래가 차트와 라디오에서 좋은 성적을 낼지 예측하는 개념입니다. 초기 연구에서는 이러한 예측이 매우 어렵고 모델의 정확도도 충분하지 않다는 결론을 내렸지만, 스트리밍 서비스의 등장, 데이터 양의 폭발적인 증가, 그리고 머신러닝 기술의 발전으로 상황은 완전히 달라졌습니다.

오늘날 Spotify는 수만 곡의 음악과 맥락적 속성 에 접근할 수 있는 API를 제공합니다 . 여기에는 곡의 조성과 모드부터 어쿠스틱 또는 연주곡 여부, 그리고 곡에 대한 인식을 설명하기 위해 특별히 고안된 지표(에너지, 감정적 가치, 댄스 가능성 등)까지 포함됩니다. 이 모든 것을 통해 주관적인 의견에서 훨씬 더 정확한 정량적 분석으로의 전환이 가능해집니다.

한편, Spotify for Artists 도구 는 크리에이터들이 허황된 지표에 매몰되지 않고 진정으로 중요한 것, 즉 장기적인 팬층 구축, 참여도 향상, 팬 유지, 그리고 마케팅 활동이 진정한 팬을 만드는 데 미치는 영향에 집중할 수 있도록 도와줍니다. 다시 말해, 수치도 중요하지만 맥락과 전략적 의도를 고려해야 한다는 것입니다.

공식 플레이리스트와 전략: 에디터 리스트의 중요성

Spotify 히트곡을 심층 분석할 때 가장 중요한 요소 중 하나는 공식 에디터 플레이리스트 의 역할입니다 . Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint, ¡Viva Latino!와 같은 플레이리스트는 엄청난 파급 효과를 발휘합니다. 이러한 플레이리스트에 포함되면 노래는 물론 아티스트의 커리어 궤적까지 완전히 바뀔 수 있습니다.

Soundcharts와 같은 타사 도구를 사용하면 아티스트가 이러한 플레이리스트에서 어떤 성과를 내는지 확인할 수 있습니다 . 예를 들어, 플레이리스트에 등장한 횟수, 머무른 기간, 가장 큰 영향력을 발휘하는 시장 등을 알 수 있습니다. 이러한 분석을 통해 음악 차트에 이름을 올리는 것이 단순히 보여주기식 행위가 아니라 플랫폼에서의 성장 전략에 있어 핵심적인 요소라는 점이 분명해집니다.

훌륭한 플레이리스트를 만드는 데에는 몇 가지 공통적인 기준이 있습니다. 예를 들어, 같은 아티스트의 곡이 반복되는 것보다 다양한 아티스트의 곡을 포함하는 것이 더 가치 있습니다 . 같은 아티스트가 너무 많이 등장하는 플레이리스트는 청취자의 새로운 발견의 즐거움을 떨어뜨리기 때문에 낮은 평점을 받는 경향이 있습니다.

다양한 장르의 조화로운 균형 또한 중요합니다 . 플레이리스트가 명확한 방향성 없이 너무 많은 스타일을 혼합하면 경험 이 파편화되고 평점이 떨어집니다. 가장 좋은 평가를 받는 플레이리스트는 하나 또는 몇 가지 잘 정의된 장르에 집중하여 사용자가 재생 버튼을 누르기 전에 어떤 음악을 기대할 수 있는지 한눈에 파악할 수 있도록 합니다.

또 다른 중요한 측면은 잘 알려진 곡과 새롭게 떠오르는 곡의 조화 입니다 . 히트곡만 모아놓은 플레이리스트도 물론 좋지만, 새로운 곡을 발견할 기회는 적습니다. 반대로, 이미 유명한 곡과 잘 알려지지 않은 숨겨진 명곡을 함께 담은 플레이리스트는 더 많은 참여를 유도하고 새로운 히트곡을 발굴하는 데 도움이 됩니다.

마지막으로, 좋은 플레이리스트는 완벽한 경험을 제공하기 위해 최소 50곡 이상을 포함해야 한다는 데 의견이 일치합니다 . 10곡 미만의 곡으로 구성된 플레이리스트는 종종 질이 떨어진다고 인식되어 낮은 점수를 받으며, 이는 플레이리스트에 포함된 곡들의 성과에도 영향을 미칩니다.

Spotify의 간략한 역사와 분석 기능의 기원

Spotify가 고급 히트곡 분석 기능을 갖추기 전에, 먼저 음악 산업에서 Spotify만의 자리를 찾아야 했습니다. 공동 창업자 다니엘 에크가 구상한 이 아이디어는 2002년 냅스터의 몰락 이후에 나왔습니다. 그는 "불법 복제보다 낫지만, 업계에도 이익이 되는" 서비스를 만들고 싶었습니다 . 당시 에크는 주요 P2P 다운로드 및 공유 서비스 중 하나인 uTorrent를 운영하고 있었기 때문에 불법 배포의 실상을 잘 알고 있었습니다.

2006년 말 uTorrent를 BitTorrent에 매각한 후, 에크는 Spotify 개발에 전념했습니다. 이 애플리케이션은 Sony Music Entertainment, Universal Music Group, Warner Music Group 등 주요 음반사와 라이선스 및 지분 계약을 체결한 후 2008년 스웨덴에서 공식 출시되었습니다 . 1년 후 영국으로 서비스를 확장했고, 2011년에는 미국에서도 출시되었습니다.

초창기 유료 구독자 수는 유럽에서 약 100만 명에서 2012년 전 세계적으로 거의 40만 명 으로 증가했습니다 . 2016년에는 스포티파이가 유료 사용자 4천만 명, 전체 사용자 약 1억 명을 기록하며 스트리밍을 전 세계 음악 소비의 주요 형태로 자리매김하게 했습니다.

이와 동시에 아티스트를 위한 데이터 도구들이 등장하기 시작했습니다. 처음에는 팬 인사이트(Fan Insights) 가 나왔는데 , 이는 일부 팀에게 스트리밍 데이터에 대한 제한적인 접근 권한(인구 통계, 지역, 기본 트렌드)을 제공했습니다. 2017년에는 이 솔루션이 스포티파이 포 아티스트(Spotify for Artists)로 발전하여 모든 아티스트가 주요 지표를 확인하고 투어, 발매, 프로모션에 대한 의사 결정을 내리는 데 데이터를 활용할 수 있게 되었습니다.

2018년, 이 회사는 시가총액 약 30.000억 달러 로 기업공개(IPO)를 실시했습니다 . 이후 사업 영역은 꾸준히 확장되었으며, 플랫폼 내 분석 기능의 중요성도 커졌습니다. 단순한 미디어 플레이어 라이선스 사업으로 시작한 이 회사는 이제 데이터가 최우선시되는 글로벌 인프라로 성장했습니다.

Spotify 지표: 스트리밍 외에 노래를 측정하는 방법

히트곡 예측 모델을 구축하려면 먼저 Spotify API가 제공하는 데이터 유형을 이해해야 합니다 . 예를 들어 인도 시장을 대상으로 한 연구에서는 Spotify에서 생성된 플레이리스트에서 46.000곡 이상의 음원 데이터를 추출했는데, 이 데이터는 다양한 장르와 하위 장르를 아우릅니다.

정보는 여러 블록으로 구성되어 있습니다. 트랙 수준에서는 식별자, 제목, 아티스트, 인기, 발매일, 재생 시간(밀리초) 등의 데이터가 있습니다 . 앨범 수준에서는 ID와 앨범 이름이 저장됩니다. 재생 목록 수준에서는 재생 목록 이름, ID, 장르 및 관련 하위 장르가 표시됩니다.

하지만 히트곡 분석에서 가장 흥미로운 측면은 오디오 특징 이며 , 이는 분위기 특성(댄스 가능성, 에너지, 감정가, 템포), 물리적 특성(음량, 음성, 악기 소리), 맥락(음향, 생동감), 음악적 요소(조, 선율) 등 다양한 범주로 나뉩니다. 이러한 각 변수는 신중하게 정의되고 정규화됩니다.

예를 들어, 댄스 가능성은 리듬, 템포 안정성, 박자 강도와 같은 요소를 바탕으로 노래에 맞춰 춤을 추기 얼마나 쉬운지를 0에서 1 사이의 값으로 나타냅니다 . 에너지 또한 0에서 1 사이의 값으로 표현되며, 곡이 강렬하고 빠르고 파워풀한지, 아니면 더 차분하고 부드러운지를 나타냅니다.

감정적 긍정성 (Valency)은 오디오에서 느껴지는 감정적 "긍정성"을 나타냅니다 . 낮은 값은 슬픔, 긴장 또는 침울한 감정에 해당하고, 높은 값은 명랑하고 밝거나 행복한 음악과 일치합니다. 음향성(Acousticness)은 트랙이 어쿠스틱일 가능성을, 생동감(Liveness)은 녹음에 라이브 관객이 있는지를, 그리고 음성적 요소(Speechiness)는 믹스에서 음성 단어의 비율을 반영합니다(팟캐스트나 음성 트랙의 경우 매우 높음).

다른 중요한 매개변수로는 BPM 단위의 템포 , 총 재생 시간, 키(정수로 인코딩됨), 모드(장조 또는 단조), 그리고 트랙 인기도가 있습니다. 인기도는 Spotify 내부 지표로 0에서 100 사이의 값을 가지며 스트리밍 횟수와 최근 스트리밍 여부에 따라 결정됩니다 . 몇 년 전에 큰 인기를 얻었지만 지금은 거의 재생되지 않는 노래는 시간이 지남에 따라 인기도가 떨어집니다.

예측 결과를 얻기 위해 데이터셋을 준비하고 정리하는 방법

Spotify 히트곡 분석을 논의할 때 종종 간과되는 단계 중 하나는 데이터셋 준비 입니다 . 본 연구에서는 R과 RStudio를 사용하여 Spotify API를 호출하여 시장(인도), 장르, 하위 장르의 다양한 조합에 대한 데이터를 수집했습니다. 이러한 조합은 글로벌 및 로컬 가중치를 고려하여 선정되었습니다.

다양한 테마의 플레이리스트에서 곡들을 조합할 때, 같은 곡이 여러 플레이리스트에 중복해서 나타나는 경우가 흔합니다. 하지만 이 연구의 목표는 플레이리스트 전략 자체를 분석하는 것이 아니라 곡들의 특징을 파악하는 것이었기에, 중복된 곡들을 제거하여 전체 데이터에서 46.417곡을 약 39.147곡으로 줄였습니다.

모델에서 설명 변수로 사용되지 않을 열(예: 아티스트, 앨범 ID 및 이름, 플레이리스트 관련 필드)은 제거되었습니다. 동시에 필드 이름은 표준화되었고 데이터 유형도 조정되었습니다. 예를 들어, 인기, 모드, 키, 재생 시간은 통계 분석을 용이하게 하기 위해 부동 소수점 값으로 변환되었습니다.

핵심적인 결정은 인기를 보다 관리하기 쉬운 변수로 바꾸는 것이었습니다. 0에서 100까지의 연속적인 값으로 처리하는 대신, 인기곡과 비인기곡을 구분하는 기준값을 정의했습니다 . 분포의 85번째 백분위수(인기 약 65)를 기준으로, 그 값보다 높은 곡들을 "인기곡"으로, 나머지는 "비인기곡"으로 분류했습니다.

이러한 방식으로 데이터셋은 약 6.000곡의 인기곡과 약 33.000곡의 비인기곡 으로 나뉘었습니다 . 탐색적 분석을 위해 데이터셋을 20점 간격으로 5개의 인기 등급(매우 높음, 높음, 중간, 낮음, 매우 낮음)으로 세분화하여 성공 수준 간의 미묘한 경향을 비교할 수 있도록 했습니다.

또한, 노래 제목에서 새로운 변수인 감정 지표를 생성했습니다 . 파이썬의 TextBlob 라이브러리를 사용하여 각 제목의 극성(-1에서 1 사이의 숫자)을 계산하고 긍정, 부정 또는 중립으로 분류했습니다. 이 수치 값을 데이터프레임에 추가하여 제목의 어조가 인기도와 관련이 있는지 분석했습니다.

데이터 탐색: 가장 인기 있는 노래들을 구분 짓는 요소는 무엇일까요?

머신러닝 모델을 학습시키기 전에 데이터에 대한 시각적 및 통계적 탐색 에 시간을 투자하는 것이 필수적입니다 . 본 연구에서는 분포 곡선, 인기 그룹별 평균, 감정과 성공 간의 관계를 분석했습니다.

가장 성공적인 곡들의 감정적 성향에 관한 주목할 만한 결과 중 하나가 나타났습니다. 인기 점수가 90점 이상인 곡들을 살펴보니, 감정적 성향 값이 0,5 미만인 곡들이 더 많았습니다 . 즉, 밝고 경쾌한 곡보다는 슬프고, 침울하고, 우울한 느낌을 주는 곡들이 많았다는 뜻입니다. 절대적인 우세는 아니었지만, 분명한 경향이었습니다.

장르별 인기 분포를 그래프로 나타냈을 때, 대부분의 곡선은 평균값 주변에 많은 곡들이 집중되고 양극단에는 적은 곡들이 분포하는 종 모양을 보였다. 그러나 록, R&B, EDM, 월드 뮤직, 인도 음악과 같은 장르는 인기가 0인 곡들이 많아 다소 비대칭적인 양상을 보였다. 반면 팝, 랩, 라틴, 데시 음악은 인기가 0인 곡들이 상대적으로 적고 분포가 더 균형 잡힌 모습을 보였다.

이는 주류 장르에서는 노래가 모든 이상적인 특징을 갖추지 못하더라도 일정 수준의 인기를 얻기가 일반적으로 더 쉬운 반면, 다른 장르에서는 성공의 분포가 더 양극화되어 있음을 시사합니다.

인기도별로 다양한 특징들의 평균값을 비교해 보니 매우 분명한 패턴이 드러났습니다. 가장 성공적인 곡들은 에너지가 넘치고 음량이 크며(인지되는 볼륨) , 악기 연주 비중이 높고 내레이션은 적은 경향이 있었습니다. 간단히 말해, 스트리밍 플랫폼에서 가장 좋은 성과를 내는 곡들은 대개 더 강렬하고 내레이션보다는 음악 자체에 더 집중되어 있습니다.

또한 인기곡들은 음향적 특성과 생동감이 떨어지는 것으로 나타났습니다 . 즉, "어쿠스틱"하거나 "라이브"한 느낌이 덜하고, 스튜디오에서 제작된 듯 더 세련되며, 주변 소음이나 콘서트 현장의 느낌이 부족하다는 것입니다.

또 다른 중요한 발견은 인기 있는 노래 일수록 인기가 없는 노래보다 길이가 짧은 경향이 있다는 것입니다 . 수익이 스트리밍 횟수에 따라 결정되고 알고리즘이 반복 재생을 보상하는 상황에서, 짧은 곡이 더 빨리 재생 횟수를 늘리고 플레이리스트에 더 적합해지는 것은 당연한 결과입니다.

인지된 행복감(긍정/부정적 감정)에 관해서는 흥미로운 경향이 나타납니다. 인기도가 낮은 곡에서 높은 곡으로 갈수록 행복감 수준이 상승하지만, 가장 높은 인기도인 "매우 높은" 곡에서는 오히려 현저하게 하락합니다. 다시 말해, 매우 인기 있는 노래일수록 단순히 "성공한" 노래보다 더 슬픈 느낌을 주는 경향이 있는데 , 이는 대중의 취향과 사회 정서적 맥락에 대한 다양한 해석을 가능하게 합니다.

통계 분석: 장르 및 오디오 속성의 영향

데이터 분석이 완료된 후, 다음 단계는 인기를 설명하는 데 어떤 변수가 관련성이 있는지 알아보기 위해 공식적인 통계 검정을 적용하는 것이었습니다 . 성별이 성공에 영향을 미치는지 알아보기 위해 9개의 주요 장르를 대상으로 분산 분석(ANOVA)을 사용했습니다.

분산 분석 결과 F값이 매우 높게 나왔지만 통계적으로 유의미한 차이는 거의 없었습니다. 이는 성별 간 인기도에 통계적으로 유의미한 차이가 있다는 것을 의미합니다 . 하지만 이것만으로는 충분하지 않습니다. 어떤 성별 쌍에서 이러한 차이가 나타나는지, 그리고 해당 변수가 예측 모델에 유용한지 여부도 파악하는 것이 중요합니다.

분산이 동질적이지 않고 장르별 곡 수가 다양했기 때문에 Games-Howell 사후 검정을 사용했습니다 . 이 분석을 통해 인기도에서 유의미한 차이를 보이지 않는 장르 조합을 확인할 수 있었으며, 이는 전반적으로 장르를 머신러닝 모델에서 강력한 예측 변수로 사용하는 것이 바람직하지 않다는 것을 의미합니다.

이와 병행하여 각 오디오 특징에 대해 독립 t-검정을 실시하여 인기곡 그룹과 비인기곡 그룹 간의 평균값을 비교했습니다. 95% 유의수준에서 거의 모든 변수(댄스 가능성, 에너지, 음량, 음향성, 생동감, 지속 시간, 템포, 감정가, 악기 사용 정도)에서 두 그룹 간에 유의미한 차이가 나타났습니다.

유일한 예외는 언어적 특성 이었다 . 첫 번째 테스트에서는 평균값의 차이가 유의미하지 않았지만, 추가 분석 결과 인기 있는 주제(0,024~0,685)의 언어적 특성 범위가 인기도가 낮은 주제(0~0,964)의 더 넓은 범위 내에 포함되는 것으로 나타났다. 이러한 중복에도 불구하고 언어적 특성은 효과적으로 사용될 경우 모델에 유용한 정보를 제공할 수 있었으므로 예측 변수로 유지하기로 결정했다.

요약하자면, 오디오 특징 블록은 인기도에 대한 명확한 설명력을 보여준 반면, 장르는 더욱 신중하게 다루어졌으며 일부 예측 접근 방식에서는 주요 변수에서 제외되었습니다.

히트율을 예측하는 머신러닝 모델 구축

데이터셋을 정리하고 관련 변수를 선택한 후, 이제 노래가 인기 상위 15%에 속하는지 예측할 수 있는 이진 분류 모델을 만들 차례였습니다 . 이를 위해 먼저 Pandas의 get_dummies 함수를 사용하여 범주형 변수인 key와 mode를 더미 변수로 변환했습니다.

이러한 더미 변수를 추가한 후, 원래의 음색 및 모드 열과 연속형 인기도 변수는 제거되었고, 이진형 인기도 필드 (인기 있음 vs. 인기 없음)가 목표 변수로 남았습니다. 모델 학습 전에 모든 수치형 특징들은 서로 다른 척도를 사용하고 있었기 때문에 유사한 가중치를 갖는 것이 중요했으므로 StandardScaler를 사용하여 표준화했습니다.

`train_test_split` 함수를 사용하여 데이터셋을 훈련 세트와 테스트 세트로 분할하고, 전체 레코드의 20%를 테스트 세트 로 할당했습니다 . 이는 데이터 유출을 방지하고 성능 지표가 모델의 실제 일반화 능력을 반영하도록 보장했으며, 단순히 훈련 데이터를 암기하는 능력만을 나타내는 것이 아니었습니다.

첫 번째로 적용한 모델은 이진 분류에 널리 사용되는 로지스틱 회귀 분석 기법이었다. 학습률 0,01, 반복 횟수 200회의 반복 모델을 구현하고 교차 검증을 통해 평가했다. 평균 정확도는 약 84,7%에 달했는데, 이는 음악적 성공 예측과 같이 복잡한 문제에서 매우 우수한 결과이다.

다음으로, 특징 공간에서 각 노래를 가장 가까운 k개의 이웃에 따라 분류하는 K-최근접 이웃(KNN) 알고리즘을 테스트했습니다 . 그리드 탐색을 통해 최적의 설정을 찾기 위해 ky 값을 조정한 결과, 로지스틱 회귀 분석과 비교했을 때 교차 검증 점수가 약간 향상된 약 84,8%의 매우 유사한 정확도를 얻었습니다.

다음 모델은 선형 및 비선형 관계 모두를 처리할 수 있는 또 다른 지도 학습 기법인 서포트 벡터 머신(SVM) 이었습니다 . 마찬가지로 하이퍼파라미터 튜닝을 통해 약 84,6%의 정확도를 달성했으며, 교차 검증에서도 동일한 값이 나와 안정적인 성능을 보였습니다.

특징 간 독립성을 가정한 나이브 베이즈 분류 기도 평가했습니다 . 가정이 훨씬 단순한 모델임에도 불구하고, 정확도 결과(약 84,6%)는 SVM과 동등했으며 로지스틱 회귀 및 KNN과 매우 유사하여 문제 구조가 이러한 확률적 접근 방식에 적합하다는 점을 뒷받침합니다.

마지막으로 의사결정 트리 기반 모델을 테스트했습니다. 의사결정 트리 분류기는 약 75,4%의 상당히 낮은 정확도를 보였으며, 교차 검증을 통해 이러한 성능 저하가 확인되었습니다. 이는 과적합 문제 때문인 것으로 추정됩니다. 여러 트리를 결합하여 이러한 영향을 완화하는 랜덤 포레스트 분류기는 약 84,1%의 정확도를 달성하며 성능이 크게 향상되었고, 교차 검증에서도 84% 이상의 정확도를 보였습니다.

분석을 완료하기 위해 랜덤 포레스트에 대한 혼동 행렬과 분류 보고서를 생성했습니다 . 이 모델은 비인기곡(다수 클래스)을 식별하는 데 있어 0,85의 정확도와 0,99에 가까운 재현율을 보여주며 뛰어난 성능을 보였지만, 인기곡(소수 클래스) 클래스에서는 0,40의 정확도와 0,05의 재현율로 다소 저조한 성능을 나타냈습니다. 이는 이러한 유형의 문제에서 클래스 불균형이 갖는 고전적인 어려움을 보여줍니다.

변수의 중요성: 히트곡을 만들 때 가장 중요한 요소는 무엇일까요?

어떤 모델이 가장 정확한지 아는 것 외에도, 노래의 인기 여부를 예측할 때 실제로 유용한 정보를 제공하는 특징이 무엇인지 이해하는 것이 중요합니다 . 이를 위해 XGBoost(XGBClassifier)를 사용하여 의사결정 트리의 오류를 줄이는 데 각 특징이 기여하는 정도를 기반으로 변수 중요도 점수를 산출했습니다.

분석 결과, 해당 곡의 길이가 다른 곡들과 확연히 차별화되었으며 , F 점수는 400점을 훨씬 웃돌았습니다. 이러한 결과는 짧은 곡일수록 반복 청취를 유도하여 더 짧은 시간 안에 더 많은 재생 횟수를 기록하게 한다는 점과 일맥상통하며, 이는 스포티파이의 추천 알고리즘이 선호하는 요소입니다.

반대로, 키워드, 모드, 제목 자체에서 추출한 감정과 같은 변수들은 중요도 점수가 50점 미만으로 나타났는데, 이는 모델의 전반적인 예측력에 대한 기여도가 미미하다는 것을 의미합니다. 즉, 이러한 변수들이 전혀 영향을 미치지 않는다는 뜻이 아니라, 다른 특징들에 비해 그 영향력이 훨씬 작다는 것입니다.

나머지 오디오 속성(에너지, 댄스 가능성, 감정가, 음량, 음향, 생동감, 음성, 악기 소리)은 F-점수가 200에서 300 사이로 중간 범위에 속하며, 이는 해당 속성 들이 비교적 균형 잡힌 정보 블록을 형성함을 나타냅니다 . 어느 속성도 완전히 압도적이지는 않지만, 함께 작용하여 노래의 성공 가능성을 상당히 정확하게 예측하는 데 도움을 줍니다.

종합적으로 볼 때, 오디오 특징 기반 모델은 특정 곡이 상위 15% 인기곡에 포함될지 여부를 약 84~85%의 정확도 로 예측할 수 있었는데 , 이는 "히트곡 과학"이라는 오래된 직관에 대한 실증적인 근거를 제공합니다. 즉, 좋은 데이터와 적절한 기술을 활용하면 음악적 성공은 순전히 우연에 의한 것이 아니지만, 여전히 상당한 예측 불가능 요소가 존재한다는 것입니다.

이 분석은 스포티파이 데이터, 기존 통계, 머신러닝 모델을 결합하면 단순히 스트리밍 횟수를 세는 것 이상의 결과를 얻을 수 있음을 보여줍니다. 재생 시간, 에너지, 감정적 가치, 음악적 도구의 영향력은 물론, 에디터 플레이리스트와 플랫폼의 추천 시스템까지 고려하면 아티스트, 레이블, 분석가들은 특정 곡이 히트하는 이유와 그 성공 가능성을 극대화하는 방법을 구체적으로 파악할 수 있습니다. 특히, 어떤 공식으로도 설명할 수 없는 인간적이고 창의적인 요소를 잃지 않으면서 말이죠.