- „Spotify“ API siūlo daugybę garso ir konteksto kintamųjų (energijos, valentingumo, trukmės, šokamumo ir kt.), kurie leidžia modeliuoti ir suprasti, kas daro dainą populiarią.
- Statistinė analizė rodo, kad beveik visos garso ypatybės skiriasi tarp populiarių ir nepopuliarių dainų, o žanras, tonalumas ar pavadinimo nuotaika turi mažesnį prognozavimo svorį.
- Mašininio mokymosi modeliai, tokie kaip logistinė regresija, KNN, SVM, Naivusis Bajesas ir Atsitiktinis miškas, pasiekia apie 84–85 % tikslumą klasifikuodami, ar tema pateks į 15 % populiariausių.
- Dainos ilgis, energija, garsumas ir instrumentalumas išsiskiria kaip pagrindiniai veiksniai, lemiantys jos populiarumą „Spotify“ platformoje – ekosistemoje, kurioje redakciniai grojaraščiai ir rekomendacijų algoritmas yra labai svarbūs.
„Spotify“ tapo puikia laboratorija tyrinėti, kas dainą daro hitu : turime realaus laiko atkūrimo duomenis, pažangius atlikėjų metrikos duomenis ir milijonus klausytojų, kurie kas sekundę priima sprendimus. „Spotify“ toli gražu nebėra tik klausymosi platforma, ji virto didžiule duomenų baze , kurioje galima analizuoti modelius, emocijas, žanrus ir grojaraščių strategijas, siekiant suprasti, kodėl vienos dainos išpopuliarėja, o kitos nunyksta.
Pastaraisiais metais atsirado įrankiai, akademiniai tyrimai ir mašininio mokymosi modeliai, skirti „Spotify“ hitų analizei : nuo redakcinių topų, tokių kaip „Today's Top Hits“ ar „Rap Caviar“, tyrimo iki algoritmų, galinčių numatyti, ar kūrinys priklausys populiariausiai katalogo grupei, kūrimo. Tuo pačiu metu „Spotify for Artists“ demokratizavo prieigą prie šių rodiklių, leisdama bet kuriam atlikėjui matyti, kas jo klausosi, kur ir kaip jis yra atrandamas, ir atitinkamai koreguoti savo kūrybinę ir rinkodaros strategiją.
Kas tiksliai yra „Spotify“ hitų analizė ir kodėl ji svarbi?
Kalbėdami apie „Spotify“ hitų analizę, turime omenyje ne tik tai, kiek kartų daina buvo grota. Tai platesnis požiūris, kuris apjungia garsą, kontekstą ir vartotojo elgesį, kad atsakytų į nepatogų, bet esminį klausimą: ar galima numatyti dainos sėkmę prieš ją išleidžiant? Naudodami „Spotify“ API duomenis, tyrėjai dirba su tokiais kintamaisiais kaip populiarumas, energija, valentingumas, trukmė, tempas ir šokio prieinamumas, kad priartėtų prie šio atsakymo.
Šis požiūris įsišaknijęs vadinamajame „hitų moksle “ – Mike'o McCready'o 2000-ųjų pradžioje išpopuliarintoje idėjoje: algoritmų ir matematinių modelių naudojimas siekiant numatyti, kurios dainos gerai pasirodys topuose ir radijuje. Nors ankstyvieji tyrimai parodė, kad tai labai sunku (ir kad modeliai nebuvo pakankamai tikslūs), situacija visiškai pasikeitė atsiradus transliacijoms, smarkiai išaugus duomenų kiekiui ir patobulėjus mašininio mokymosi technikoms.
Šiandien „Spotify“ siūlo API sąsają su dešimčių tūkstančių kūrinių ir jų muzikinių bei kontekstinių atributų informacija : nuo tonacijos ir moduso iki tikimybės, ar kūrinys yra akustinis, ar instrumentinis, įskaitant metrikas, specialiai sukurtas apibūdinti, kaip daina suvokiama (energija, valentingumas, tinkamumas šokti ir kt.). Visa tai leidžia pereiti nuo subjektyvių nuomonių prie daug tikslesnės kiekybinės analizės.
Tuo tarpu įrankis „Spotify for Artists“ padeda kūrėjams nepasiklysti tuščiažodžiavimuose ir sutelkti dėmesį į tai, kas iš tiesų svarbu: ilgalaikę auditorijos plėtrą, įsitraukimą, išlaikymą ir tai, kaip rinkodaros pastangos veikia tikrų gerbėjų kūrimą. Kitaip tariant, skaičiai – taip, bet su kontekstu ir strateginiais tikslais.
Oficialūs grojaraščiai ir strategija: redakcinių sąrašų svoris
Vienas iš svarbiausių elementų bet kokioje rimtoje „Spotify“ hitų analizėje yra oficialių redakcinių grojaraščių vaidmuo . Tokie sąrašai kaip „Discover Weekly“, „Release Radar“, „Today's Top Hits“, „New Music Friday“, „Rap Caviar“, „Mint“ ar „¡Viva Latino!“ veikia kaip didžiuliai stiprintuvai: prisijungimas prie vieno iš jų gali visiškai pakeisti dainos ar net atlikėjo karjeros trajektoriją.
Trečiųjų šalių įrankiai, tokie kaip „Soundcharts“, leidžia matyti, kaip atlikėjas atrodo šiuose grojaraščiuose : pasirodymų skaičius, viešnagės trukmė, rinkos, kuriose jis daro didžiausią įtaką, ir kt. Šio tipo analizė aiškiai parodo, kad buvimas redakciniuose topuose yra ne tik pasirodymas, bet ir pagrindinis platformos augimo strategijos komponentas.
Kuriant kokybiškus grojaraščius, yra tam tikrų pasikartojančių kriterijų. Pavyzdžiui, atlikėjų įvairovė yra vertinama labiau nei nuolatinis tų pačių vardų kartojimas . Grojaraščiai, kuriuose tas pats atlikėjas pasirodo per daug kartų, paprastai gauna žemesnius įvertinimus, nes sumažina klausytojo atradimo jausmą.
Taip pat siekiama darnios žanrų pusiausvyros . Kai grojaraštyje sumaišoma per daug stilių be aiškios krypties, patirtis tampa fragmentiška ir sumažėja įvertinimas. Geriausiai veikiantys grojaraščiai paprastai sutelkia dėmesį į vieną ar kelis aiškiai apibrėžtus žanrus, padėdami vartotojui iš pirmo žvilgsnio suprasti, ko tikėtis paspaudus paleidimo mygtuką.
Kitas svarbus aspektas – gerai žinomų ir naujų kūrinių derinys . Grojaraščiai, kuriuose yra tik labai populiarūs hitai, yra gerai, tačiau jie mažai skatina atradimus. Priešingai, grojaraščiai, kuriuose derinamos žinomos dainos su mažiau žinomais perlais, paprastai sukelia didesnį įsitraukimą ir padeda kurti naujus hitus.
Galiausiai, visuotinai sutariama, kad geras grojaraštis turėtų turėti bent 50 takelių, kad būtų galima mėgautis visaverčiu grojimu . Grojaraščiai, kuriuose yra mažiau nei 10 dainų, dažnai laikomi prastais ir gauna žemesnius balus, o tai taip pat turi įtakos juose esančių takelių našumui.
Trumpa „Spotify“ istorija ir jos analizės kilmė
Prieš tai, kai „Spotify“ galėjo atlikti pažangią hitų analizę, pati platforma turėjo rasti savo vietą muzikos industrijoje. Idėja, kurią sumanė bendraįkūrėjas Danielis Ekas, kilo po „Napster“ žlugimo 2002 m.: jis norėjo sukurti paslaugą, „geresnę už piratavimą, bet kuri taip pat būtų naudinga pramonei “. Tuo metu Ekas valdė „uTorrent“ – vieną iš pirmaujančių P2P atsisiuntimo ir bendrinimo klientų, todėl jis turėjo tiesioginių žinių apie neleistino platinimo pasaulį.
2006 m. pabaigoje pardavęs „uTorrent“ bendrovei „BitTorrent“, Ekas visą dėmesį skyrė „Spotify“ kūrimui. Programėlė oficialiai buvo pristatyta 2008 m. Švedijoje, sudarius licencijavimo ir nuosavybės sutartis su pagrindinėmis įrašų kompanijomis : „Sony Music Entertainment“, „Universal Music Group“ ir „Warner Music Group“. Po metų ji išsiplėtė į JK, o 2011 m. – JAV.
Per tą pradinį laikotarpį mokančių abonentų bazė išaugo nuo maždaug 1 milijono Europoje iki beveik 4 milijonų visame pasaulyje 2012 m. 2016 m. „Spotify“ jau skelbė turinti 40 milijonų mokančių vartotojų ir apie 100 milijonų iš viso vartotojų, įtvirtindama transliaciją kaip dominuojančią muzikos vartojimo formą visame pasaulyje.
Tuo pačiu metu pradėjo atsirasti duomenų įrankiai atlikėjams. Pirmiausia atsirado „Fan Insights“ , kuri kai kurioms komandoms suteikė ribotą prieigą prie transliacijos duomenų: demografinių, geografinių ir pagrindinių tendencijų. 2017 m. šis sprendimas išsivystė į „Spotify for Artists“, atvėrusią duris visiems atlikėjams peržiūrėti savo pagrindinius rodiklius ir naudoti duomenis priimant sprendimus dėl gastrolių, leidimų ir reklamos.
2018 m. bendrovė tapo vieša, o jos rinkos kapitalizacija siekė beveik 30.000 mlrd. JAV dolerių . Nuo to laiko rinkų, kuriose ji veikia, skaičius toliau augo, kartu su analitikos svarba platformoje. Tai, kas prasidėjo kaip licencijuotas medijos leistuvas, tapo pasauline infrastruktūra, kurioje duomenys yra svarbiausia.
„Spotify“ metrika: kaip išmatuoti dainos vertę ne tik transliacijose
Norint sukurti hitų prognozavimo modelius, pirmiausia reikia suprasti, kokius duomenis siūlo „Spotify“ API . Pavyzdžiui, tyrime, skirtame Indijos rinkai, iš „Spotify“ sugeneruotų grojaraščių buvo ištraukta daugiau nei 46 000 dainų įrašų, apimančių įvairius žanrus ir subžanrus.
Informacija suskirstyta į kelis blokus. Takelio lygmenyje randame tokius duomenis kaip identifikatorius, pavadinimas, atlikėjas, populiarumas, išleidimo data ir trukmė milisekundėmis . Albumo lygmenyje saugomas ID ir pavadinimas. Grojaraščio lygmenyje rodomas pavadinimas, ID, žanras ir susijęs subžanras.
Tačiau įdomiausias aspektas atliekant paspaudimų analizę yra garso ypatybės , suskirstytos į skirtingas kategorijas: nuotaikos charakteristikos (šokamumas, energija, valentingumas, tempas), fizinės savybės (garsumas, kalbumas, instrumentalumas), kontekstas (akustiškumas, gyvumas) ir muzikiniai segmentai (tonacija, modusas). Kiekvienas iš šių kintamųjų yra kruopščiai apibrėžtas ir normalizuotas.
Pavyzdžiui, šokio pojūtis išreiškiamas verte nuo 0 iki 1, kuri apibendrina, kaip lengva šokti pagal dainą , remiantis tokiais elementais kaip ritmas, tempo stabilumas ir takto stiprumas. Energija taip pat svyruoja nuo 0 iki 1 ir bando užfiksuoti, ar kūrinys skamba intensyviai, greitai ir galingai, ar ramiau ar švelniau.
Valentingumas apibūdina suvokiamą emocinį garso įrašo „pozityvumą“ : žemos vertės atitinka liūdnus, įtemptus ar niūrius jausmus, o didelės vertės – linksmą, šviesią ar euforišką muziką. Akustiškumas matuoja takelio akustinio skambesio tikimybę, gyvumas – gyvos auditorijos buvimą įraše, o kalbumas atspindi sakytinių žodžių dalį mikse (labai didelė, pavyzdžiui, tinklalaidėse ar sakytinių žodžių takeliuose).
Kiti svarbūs parametrai yra tempas BPM , bendra trukmė, tonacija (užkoduota kaip sveikasis skaičius), modusas (pagrindinis ar šalutinis) ir kūrinio populiarumas. Populiarumas yra vidinis „Spotify“ rodiklis, svyruojantis nuo 0 iki 100 ir priklausantis tiek nuo transliacijų skaičiaus, tiek nuo jų naujumo . Dainos, kuri prieš daugelį metų buvo labai populiari, bet dabar retai grojama, įvertinimas laikui bėgant sumažės.
Kaip paruošti ir išvalyti duomenų rinkinį, kad būtų galima numatyti atitikmenis
Vienas žingsnis, kuris dažnai pamirštamas aptariant „Spotify“ hitų analizę, yra duomenų rinkinio paruošimas . Šiame tyrime duomenys buvo renkami naudojant „R“ ir „RStudio“, iškviečiant „Spotify“ API skirtingiems rinkos (Indija), žanrų ir subžanrų deriniams, parinktiems pagal jų pasaulinį ir vietinį svorį.
Derinant dainas iš įvairių teminių grojaraščių, įprasta, kad daugelis kūrinių kartojasi, nes ta pati daina gali būti rodoma skirtinguose sąrašuose. Kadangi tikslas buvo ne analizuoti pačią grojaraščio sudarymo strategiją, o dainų charakteristikas, pasikartojantys kūriniai buvo pašalinti , sumažinant bendrą bazę nuo 46 417 iki maždaug 39 147 unikalių dainų.
Stulpeliai, kurie modeliuose nebuvo naudojami kaip aiškinamieji kintamieji, pvz., atlikėjas, albumo ID ir pavadinimas bei grojaraščiui būdingi laukai, buvo pašalinti. Tuo pačiu metu laukų pavadinimai buvo normalizuoti , o duomenų tipai pakoreguoti: pavyzdžiui, populiarumas, režimas, tonacija ir trukmė buvo konvertuoti į slankiojančias reikšmes, kad būtų lengviau atlikti statistinę analizę.
Svarbus sprendimas buvo populiarumą paversti lengviau valdomu kintamuoju. Užuot dirbus su ištisine verte nuo 0 iki 100, buvo apibrėžta riba, skirta atskirti populiarias ir nepopuliarias dainas . Remiantis 85-uoju pasiskirstymo procentiliu (apie 65 populiarumo procentilį), dainos, viršijančios šią vertę, buvo laikomos „populiariomis“, o likusieji – „nepopuliariais“.
Tokiu būdu duomenų rinkinys buvo padalintas į beveik 6.000 populiarių ir apie 33 000 nepopuliarių dainų . Žvalgomosios analizės tikslais jis netgi buvo suskirstytas į penkias populiarumo klases (labai aukštą, aukštą, vidutinį, žemą ir labai žemą) su 20 balų intervalais, o tai leido palyginti subtilias tendencijas tarp sėkmės lygių.
Be to, iš dainų pavadinimų buvo sugeneruotas naujas kintamasis: nuotaikos indikatorius . Naudojant „TextBlob“ biblioteką „Python“ kalboje, buvo apskaičiuotas kiekvieno pavadinimo poliškumas (skaičius nuo -1 iki 1) ir klasifikuojamas kaip teigiamas, neigiamas arba neutralus. Ši skaitinė reikšmė buvo pridėta prie duomenų rinkinio, siekiant ištirti, ar pavadinimo tonas yra susijęs su jo populiarumu.
Duomenų tyrinėjimas: kuo skiriasi populiariausios dainos?
Prieš apmokant bet kokį mašininio mokymosi modelį, būtina skirti laiko vizualiniam ir statistiniam duomenų tyrimui . Šio tyrimo atveju buvo analizuojamos pasiskirstymo kreivės, vidurkiai pagal populiarumo grupes ir ryšiai tarp emocijų ir sėkmės.
Vienas iš ryškių išvadų susijęs su sėkmingiausių dainų valentingumu. Nagrinėjant kūrinius, kurių populiarumo balas didesnis nei 90, pastebėta, kad didesnė jų dalis turėjo valentingumo vertę, mažesnę nei 0,5 ; tai yra, jie skambėjo liūdniau, labiau niūriai ar melancholiškai nei linksmai. Tai nebuvo absoliutus dominavimas, bet tai buvo aiški tendencija.
Nubraižius populiarumo pasiskirstymą pagal žanrą, dauguma kreivių įgavo apytikslę varpo formą : daugelis kūrinių buvo arti vidurkio, o kraštutiniuose – mažiau. Tačiau tokie žanrai kaip rokas, R&B, EDM, world ir indiška muzika parodė tam tikrą asimetriją dėl didelio skaičiaus kūrinių, kurie nebuvo populiarūs. Priešingai, tokie stiliai kaip pop, repas, Lotynų Amerikos ir desi muzika atrodė labiau subalansuoti ir su mažesne koncentracija, esant nulinei populiarumo ribai.
Tai rodo, kad tuose labiau populiariuose žanruose paprastai lengviau pasiekti tam tikrą populiarumo lygį , net jei dainos neturi visų idealių savybių, o kituose stiliuose sėkmės pasiskirstymas yra labiau poliarizuotas.
Lyginant skirtingų savybių vidurkius pagal populiarumo klasę, išryškėjo labai aiškus modelis: sėkmingiausi kūriniai paprastai pasižymi didesne energija ir garsumu (suvokiamu garsumu) , taip pat daugiau instrumentalumo ir mažiau kalbumo. Paprastai tariant, dainos, kurios geriausiai pasirodo transliacijų platformose, paprastai yra galingesnės ir labiau orientuotos į muziką nei į ištartus žodžius.
Taip pat pastebėta, kad populiarūs kūriniai pasižymi prastesniu akustiniu skambesiu ir gyvumu ; tai yra, jie skamba mažiau „akustiškai“ ir mažiau „gyvai“. Jie labiau sukurti studijoje, labiau išbaigti, juose mažiau aplinkos triukšmo arba jaučiamas koncertinis pojūtis.
Dar vienas svarbus atradimas yra tas, kad populiarios dainos paprastai yra trumpesnės nei nepopuliarios . Atsižvelgiant į tai, kad pajamos priklauso nuo transliacijų skaičiaus, o algoritmai apdovanoja už kartojimą, logiška, kad trumpesni kūriniai gali greičiau sukaupti perklausų skaičių ir tapti patogesni grojaraščiams.
Kalbant apie suvokiamą laimę (valentiškumą), tendencija įdomi: lygis kyla nuo žemesnio populiarumo klasių iki „aukštesnio“ populiarumo klasės, tačiau kraštutinėje kategorijoje – „labai aukšto“ – pastebimas ryškus kritimas. Kitaip tariant, itin populiarios dainos paprastai skamba liūdniau nei tiesiog „sėkmingos“ , o tai atveria duris daugeliui interpretacijų apie visuomenės skonį ir socialinį bei emocinį kontekstą.
Statistinė analizė: žanrų ir garso atributų poveikis
Išnagrinėjus duomenis, kitas žingsnis buvo taikyti oficialius statistinius testus, siekiant nustatyti, kurie kintamieji gali būti laikomi svarbiais paaiškinant populiarumą. Norint ištirti, ar lytis turėjo įtakos sėkmei, buvo naudojama dispersinė analizė (ANOVA) su devyniais pagrindiniais žanrais.
ANOVA rezultatas parodė labai didelę F reikšmę ir praktiškai jokios reikšmės, o tai reiškia, kad yra statistiškai reikšmingų populiarumo skirtumų tarp lyčių . Tačiau to nepakanka: taip pat svarbu žinoti, tarp kurių lyčių porų šie skirtumai egzistuoja ir ar kintamasis bus naudingas prognozavimo modeliui.
Kadangi dispersijos nebuvo homogeniškos ir dainų skaičius pagal žanrą skyrėsi, buvo naudojamas Games-Howell post hoc testas . Ši analizė leido mums nustatyti, kurie žanrų deriniai neparodė reikšmingų populiarumo skirtumų, todėl apskritai mašininio mokymosi modeliuose žanrą naudoti kaip stiprų prognozavimo veiksnį buvo mažiau patartina.
Lygiagrečiai kiekvienam garso elementui buvo atlikti nepriklausomi t-testai , lyginant populiarių ir nepopuliarių dainų grupių vidurkius. Esant 95 % reikšmingumo lygmeniui, beveik visi kintamieji (šokamumas, energija, garsumas, akustiškumas, gyvumas, trukmė, tempas, valentingumas ir instrumentiškumas) parodė reikšmingus skirtumus tarp dviejų grupių.
Vienintelė akivaizdi išimtis buvo kalbumas . Pirmajame teste vidurkių skirtumas nebuvo reikšmingas, tačiau tolesnė analizė parodė, kad labai populiarių temų kalbumo diapazonai (kurių vertės buvo nuo 0,024 iki 0,685) pateko į platesnį mažiau populiarios klasės diapazoną (nuo 0 iki 0,964). Šis sutapimas nesutrukdė kalbumui, kai jis buvo naudojamas efektyviai, prisidėti prie modelio informacijos, todėl buvo nuspręsta jį išlaikyti kaip prognozavimo veiksnį.
Apibendrinant galima teigti, kad garso ypatybių blokas parodė aiškią aprašomąją galią populiarumo atžvilgiu , o žanras buvo vertinamas atsargiau ir kai kuriuose prognozavimo metoduose atmestas kaip pagrindinis kintamasis.
Mašininio mokymosi modelių kūrimas, siekiant numatyti įvykius
Išvalius duomenų rinkinį ir pasirinkus atitinkamus kintamuosius, atėjo laikas sukurti dvejetainius klasifikavimo modelius, galinčius numatyti, ar daina priklauso 15 % populiariausių dainų. Tam kategoriniai kintamieji „key“ ir „mode“ pirmiausia buvo paversti fiktyviais kintamaisiais naudojant „Pandas“ funkciją „get_dummies“.
Įtraukus šiuos fiktyvius kintamuosius, pradiniai tonalumo ir modos stulpeliai, taip pat nuolatinis populiarumas, buvo pašalinti, o dvejetainis populiarumo laukas (populiarus ir nepopuliarus) buvo paliktas kaip tikslinis kintamasis. Prieš apmokant modelius, visos skaitinės savybės buvo standartizuotos naudojant „StandardScaler“, nes jie veikė labai skirtingais masteliais ir buvo svarbu, kad jų svoris būtų panašus.
Duomenų rinkinys buvo padalintas į mokymo ir testavimo dalis naudojant „train_test_split“ funkciją, rezervuojant 20 % įrašų testavimui . Tai užkirto kelią duomenų nutekėjimui ir užtikrino, kad našumo rodikliai atspindėtų tikrąjį modelių apibendrinamumą, o ne tik jų gebėjimą įsiminti mokymo duomenis.
Pirmasis pritaikytas modelis buvo logistinė regresija – plačiai dvejetainėje klasifikacijoje naudojama technika. Įdiegta ir kryžminiu patvirtinimu įvertinta iteracinė versija su 0,01 mokymosi greičiu ir 200 iteracijų. Vidutinis tikslumas siekė maždaug 84,7 % – tai nepaprastai geras rezultatas tokiai sudėtingai problemai kaip muzikinės sėkmės prognozavimas.
Toliau buvo išbandytas K artimiausių kaimynų (KNN) algoritmas , kuris kiekvieną dainą klasifikuoja pagal k artimiausių kaimynų požymių erdvėje. Koreguojant ky reikšmę naudojant tinklelio paiešką optimaliai konfigūracijai rasti, buvo gautas labai panašus tikslumas – apie 84,8 %, o kryžminio patvirtinimo balas šiek tiek pagerėjo, palyginti su logistine regresija.
Kitas modelis buvo atraminių vektorių mašina (SVM) – dar viena prižiūrima technika, galinti apdoroti tiek tiesinius, tiek netiesinius ryšius. Vėlgi, taikant hiperparametrų derinimą, buvo pasiektas maždaug 84,6 % tikslumas, o kryžminio patvirtinimo metu gautos lygiavertės vertės, rodančios stabilų veikimą.
Taip pat buvo įvertintas Naivusis Bajeso klasifikatorius , pagrįstas požymių nepriklausomumo prielaida . Nepaisant to, kad prielaidų atžvilgiu tai yra daug paprastesnis modelis, jo tikslumo rezultatai (maždaug 84,6 %) buvo tokie patys kaip SVM ir labai artimi logistinei regresijai bei KNN, o tai sustiprina mintį, kad problemos struktūra gerai tinka tokio tipo tikimybiniam metodui.
Galiausiai buvo išbandyti sprendimų medžiais pagrįsti modeliai. Sprendimų medžių klasifikatorius pasiekė žymiai mažesnį tikslumą – apie 75,4 %, o kryžminis patvirtinimas patvirtino šį našumo sumažėjimą, greičiausiai dėl per didelio pritaikymo problemų. Atsitiktinių miškų klasifikatorius , kuris sujungia daug medžių, kad išlygintų šiuos efektus, žymiai patobulėjo, pasiekdamas apie 84,1 % tikslumą ir daugiau nei 84 % kryžminio patvirtinimo metu.
Analizei atlikti buvo sugeneruota „Random Forest“ painiavos matrica ir klasifikavimo ataskaita . Modelis puikiai atpažino nepopuliarias dainas (daugumos klasė) – 0,85 tikslumu ir artimu 0,99 atkūrimo rodikliu, o populiarių dainų klasėje (mažumų klasė) jo rezultatai buvo kuklesni – 0,40 tikslumu ir 0,05 atkūrimo rodikliu. Tai pabrėžia klasikinį klasės disbalanso iššūkį sprendžiant tokio tipo problemas.
Kintamųjų svarba: kas svarbiausia kuriant įvykį
Be to, kuris modelis yra tiksliausias, labai svarbu suprasti, kurie požymiai iš tiesų suteikia naudingos informacijos prognozuojant, ar daina bus populiari. Šiuo tikslu buvo naudojamas „XGBoost“ (XGBClassifier) įvertinimas kintamaisiais svarbos balais, pagrįstais kiekvieno požymio indėliu mažinant klaidų skaičių sprendimų medžiuose.
Rezultatai parodė, kad dainos ilgis aiškiai išsiskyrė iš kitų – jos F balas gerokai viršijo 400. Šis atradimas atitinka idėją, kad trumpesni kūriniai skatina pakartotinį klausymąsi ir todėl per trumpesnį laiką sukaupia daugiau perklausų – tai, ką „Spotify“ rekomendacijų algoritmas linkęs apdovanoti.
Kitame spektro gale tokie kintamieji kaip raktas, režimas ar iš paties pavadinimo išgauta nuotaika gavo svarbos balus, mažesnius nei 50, o tai rodo, kad jų indėlis į bendrą modelio prognozavimo galią buvo minimalus. Tai nereiškia, kad jie visiškai neturi jokio poveikio, o veikiau, palyginti su kitomis savybėmis, jų svoris yra daug mažesnis.
Likę garso atributai (pvz., energija, šokamumas, valentingumas, garsumas, akustiškumas, gyvumas, kalbingumas ir instrumentalumas) pateko į tarpinį diapazoną, o F balai buvo nuo 200 iki 300, o tai rodo, kad jie sudaro gana subalansuotą informacijos bloką . Nė vienas iš jų visiškai nedominuoja, tačiau kartu jie padeda susidaryti gana tikslų dainos sėkmės galimybių vaizdą.
Apskritai, modeliai, pagrįsti garso ypatybėmis, galėjo maždaug 84–85 % tikslumu numatyti, ar kūrinys pateks į 15 % populiariausių , o tai empiriškai patvirtina seną „hitų mokslo“ intuiciją: turint gerus duomenis ir tinkamus metodus, muzikinė sėkmė nėra visiškai atsitiktinė, nors vis dar yra reikšmingas nenuspėjamumo komponentas.
Šios analizės nupieštas vaizdas rodo, kad derinant „Spotify“ duomenis, tradicinę statistiką ir mašininio mokymosi modelius, galime žengti daug toliau nei vien tik skaičiuoti srautus. Supratimas apie trukmės, energijos, valentingumo ir instrumentalumo poveikį, kartu su redakcinių grojaraščių vaidmeniu ir platformos rekomendacijų dinamika, suteikia atlikėjams, įrašų kompanijoms ir analitikams labai konkretų veiksmų planą, kaip interpretuoti, kodėl tam tikros dainos tampa hitais ir kaip jie gali maksimaliai padidinti savo galimybes prisijungti prie tos atrinktos grupės, visiškai neprarandant žmogiškojo ir kūrybinio elemento, kuris, laimei, lieka neapibrėžtas jokia formule.
