Analiza hitów Spotify: dane, algorytmy i nauka o sukcesie muzycznym

Informatec Digital » Zasoby » Analiza hitów Spotify: dane, algorytmy i nauka o sukcesie muzycznym

Spotify stał się idealnym laboratorium do badania tego, co sprawia, że ​​piosenka staje się hitemDysponujemy danymi o odtwarzaniu w czasie rzeczywistym, zaawansowanymi metrykami dla artystów i milionami słuchaczy podejmujących decyzje co sekundę. Spotify to już nie tylko platforma do słuchania, ale ogromna platforma. baza danych gdzie można analizować wzorce, emocje, gatunki i strategie tworzenia playlist, aby zrozumieć, dlaczego niektóre piosenki zyskują popularność, a inne popadają w zapomnienie.

W ostatnich latach narzędzia, badania naukowe i modele uczenia maszynowego przeznaczony do Analiza hitów SpotifyOd analizy rankingów redakcyjnych, takich jak Today's Top Hits czy Rap Caviar, po tworzenie algorytmów, które potrafią przewidzieć, czy dany utwór będzie należał do najpopularniejszej grupy w katalogu. Jednocześnie Spotify for Artists zdemokratyzował dostęp do tych wskaźników, umożliwiając każdemu artyście sprawdzenie, kto go słucha, gdzie i jak jest odkrywany, i odpowiednie dostosowanie swojej strategii kreatywnej i marketingowej.

Czym właściwie jest analiza hitów Spotify i dlaczego jest taka ważna?

Kiedy mówimy o Analiza hitów Spotify Nie chodzi tu tylko o analizę liczby odtworzeń utworu. To szersze podejście, które łączy dźwięk, kontekst i zachowanie użytkownika, aby odpowiedzieć na niewygodne, ale kluczowe pytanie: czy można przewidzieć sukces utworu przed jego premierą? Korzystając z danych z API Spotify, badacze analizują zmienne takie jak popularność, energia, wartościowość, długość trwania, tempo i taneczność, aby zbliżyć się do tej odpowiedzi.

Podejście to ma swoje korzenie w tzw. „naukowy przebój”Ta koncepcja, spopularyzowana przez Mike'a McCready'ego na początku XXI wieku, polega na wykorzystaniu algorytmów i modeli matematycznych do przewidywania, które utwory będą dobrze radziły sobie na listach przebojów i w radiu. Chociaż wstępne badania wykazały, że jest to bardzo trudne (a modele nie są wystarczająco dokładne), sytuacja całkowicie się zmieniła wraz z pojawieniem się streamingu, ogromnym wzrostem ilości danych i udoskonaleniem technik uczenia maszynowego.

Spotify oferuje dziś API z dostępem do dziesiątek tysięcy utworów za pomocą atrybuty muzyczne i kontekstoweOd tonacji i trybu, po prawdopodobieństwo, że utwór jest akustyczny lub instrumentalny, w tym wskaźniki zaprojektowane specjalnie do opisu odbioru utworu (energia, walorowość, taneczność itp.). Wszystko to pozwala nam przejść od subiektywnych opinii do znacznie bardziej precyzyjnych analiz ilościowych.

Równolegle narzędzie Spotify dla artystów Pomaga twórcom uniknąć gubienia się w próżnych statystykach i skupić się na tym, co naprawdę ważne: długoterminowym rozwoju odbiorców, zaangażowaniu, retencji i wpływie działań marketingowych na pozyskiwanie prawdziwych fanów. Innymi słowy, liczby – owszem, ale z kontekstem i strategicznym zamysłem.

Oficjalne playlisty i strategia: waga list redakcyjnych

Jednym z najważniejszych elementów każdej poważnej analizy hitów na Spotify jest rola oficjalne playlisty redakcyjneListy przebojów takie jak Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint czy ¡Viva Latino! działają jak potężne wzmacniacze: znalezienie się na którejś z nich może całkowicie odmienić trajektorię utworu, a nawet karierę.

Narzędzia innych firm, takie jak Soundcharts, umożliwiają przeglądanie jak artysta zachowuje się na tych playlistachLiczba wystąpień, długość pobytu, rynki, na których mają największy wpływ itp. Tego typu analiza jasno pokazuje, że obecność na listach redakcyjnych nie jest ozdobą, ale kluczowym elementem strategii rozwoju platformy.

Istnieją pewne powtarzające się kryteria w tworzeniu wysokiej jakości playlist. Na przykład, ceni się, że… różnorodność artystów zamiast ciągłego powtarzania tych samych nazwiskListy, na których ten sam artysta pojawia się zbyt wiele razy, otrzymują zazwyczaj niższe oceny, ponieważ zmniejszają u słuchaczy poczucie odkrywania.

Również szukam spójna równowaga płciKiedy playlista łączy zbyt wiele stylów bez wyraźnego kierunku, doświadczenie Staje się rozdrobniona, a ranking spada. Najlepiej odbierane listy zazwyczaj koncentrują się na jednym lub kilku dobrze zdefiniowanych gatunkach, co pomaga użytkownikowi na pierwszy rzut oka zorientować się, czego może się spodziewać po naciśnięciu przycisku „Odtwórz”.

Innym kluczowym aspektem jest połączenie znanych i nowych tematówPlaylisty zawierające wyłącznie wielkie hity są w porządku, ale nie oferują wiele możliwości odkrywania. Z kolei playlisty łączące znane utwory z mniej znanymi perełkami zazwyczaj generują większe zaangażowanie i pomagają w tworzeniu nowych hitów.

Wreszcie istnieje pewna zgoda co do tego, że dobra playlista powinna zawierać co najmniej około 50 utworów, które zapewnią Ci pełne wrażeniaListy przebojów zawierające mniej niż 10 piosenek są często postrzegane jako słabe i otrzymują niższe noty, co również wpływa na wyniki utworów, które się na nich znajdują.

Krótka historia Spotify i początki jego analityki

Zanim Spotify mogło przeprowadzić zaawansowaną analizę hitów, platforma sama musiała znaleźć swoje miejsce w branży muzycznej. Pomysł, zrodzony przez współzałożyciela Daniela Eka, narodził się po upadku Napstera w 2002 roku. Chciał stworzyć usługę „lepszą niż piractwo, ale jednocześnie przynoszącą zyski branży”.W tym czasie Ek zajmował się korzystaniem z uTorrenta, jednego z największych klientów P2P do pobierania i udostępniania plików, dzięki czemu miał wiedzę z pierwszej ręki na temat nieautoryzowanej dystrybucji.

Po sprzedaży uTorrenta BitTorrentowi pod koniec 2006 roku, Ek skupił się całkowicie na rozwijaniu Spotify. Aplikacja została oficjalnie uruchomiona w Szwecji w 2008 roku, po osiągnięciu umowy licencyjne i dotyczące udziału kapitałowego z dużymi korporacjami muzycznymiSony Music Entertainment, Universal Music Group i Warner Music Group. Rok później firma rozszerzyła działalność na Wielką Brytanię, a w 2011 roku dotarła do Stanów Zjednoczonych.

W tym początkowym okresie liczba abonentów płacących wzrosła z około 1 miliona w Europie do około 4 miliony na całym świecie w 2012 rokuDo 2016 r. Spotify ogłosiło, że ma już 40 milionów płacących użytkowników i około 100 milionów użytkowników ogółem, co ugruntowało pozycję streamingu jako dominującej formy konsumpcji muzyki na całym świecie.

W tym samym czasie zaczęły pojawiać się narzędzia do przetwarzania danych dla artystów. Najpierw Spostrzeżenia fanówTo rozwiązanie oferowało niektórym zespołom ograniczony dostęp do danych streamingowych: danych demograficznych, geograficznych i podstawowych trendów. W 2017 roku rozwiązanie to przekształciło się w Spotify for Artists, otwierając wszystkim artystom możliwość wglądu w kluczowe wskaźniki i wykorzystywania tych danych do podejmowania decyzji dotyczących tras koncertowych, wydawnictw i promocji.

W 2018 roku spółka weszła na giełdę z kapitalizacją rynkową wynoszącą ok. 30.000 mlnOd tego czasu liczba rynków, na których działa, stale rośnie, a wraz z nią rośnie znaczenie analityki w ramach platformy. To, co zaczęło się jako licencjonowany odtwarzacz multimediów, stało się globalną infrastrukturą, w której dane są najważniejsze.

Wskaźniki Spotify: jak mierzyć utwór poza odsłuchami

Aby zbudować modele przewidywania trafień, najpierw trzeba zrozumieć, jaki typ dane dostarczone przez API SpotifyPrzykładowo, w jednym z badań skupionych na rynku indyjskim wyodrębniono ponad 46 000 utworów z playlist utworzonych przez Spotify, obejmujących szeroką gamę gatunków i podgatunków.

Informacje są podzielone na kilka sekcji. Na poziomie ścieżki znajdują się takie dane, jak: identyfikator, tytuł, artysta, popularność, data wydania i czas trwania w milisekundachNa poziomie albumu przechowywane są identyfikator i nazwa. Na poziomie playlisty wyświetlana jest nazwa, identyfikator, gatunek i powiązany podgatunek.

Ale najciekawszą rzeczą w analizie trafień jest funkcje audioPodzielone na różne kategorie: cechy „nastroju” (taneczność, energia, walencja, tempo), właściwości fizyczne (głośność, gadatliwość, instrumentalność), kontekst (akustyczność, żywość) oraz segmenty muzyczne (tonacja, tryb). Każda z tych zmiennych jest starannie zdefiniowana i znormalizowana.

Na przykład zdolność do tańca wyrażana jest jako wartość pomiędzy 0 a 1, która podsumowuje jak łatwo jest tańczyć do piosenkiEnergia waha się od 0 do 1 na podstawie takich elementów, jak rytm, stabilność tempa i siła uderzenia, próbując uchwycić, czy utwór brzmi intensywnie, szybko i potężnie, czy raczej spokojniej i łagodniej.

Valencia opisuje postrzegana emocjonalna „pozytywność” W audio niskie wartości odpowiadają smutnym, napiętym lub ponurym uczuciom, natomiast wysokie wartości pasują do muzyki radosnej, pogodnej lub euforycznej. Akustyczność mierzy prawdopodobieństwo, że utwór jest akustyczny, żywotność – obecność publiczności na żywo w nagraniu, a wymowność odzwierciedla proporcję słów mówionych w miksie (bardzo wysoka, na przykład w podcastach lub utworach spoken-word).

Inne ważne parametry to tempo w BPMCałkowity czas trwania, tonacja (zakodowana jako liczba całkowita), tryb (dur lub mol) oraz popularność utworu. Ten ostatni to wewnętrzna metryka Spotify, mieszcząca się w przedziale od 0 do 100. Zależy to zarówno od objętości strumieni, jak i od tego, jak są one aktualnePiosenka, która była hitem wiele lat temu, a teraz jest rzadko grana, z czasem straci na popularności.

Jak przygotować i oczyścić zbiór danych, aby móc przewidywać trafienia

Jednym z kroków, który często jest pomijany podczas omawiania analizy hitów Spotify, jest przygotowanie zbioru danychW niniejszym badaniu dane gromadzono przy użyciu środowiska R i RStudio, wywołując API Spotify dla różnych kombinacji rynku (Indie), gatunków i podgatunków wybranych na podstawie ich globalnego i lokalnego znaczenia.

Łącząc utwory z różnych playlist tematycznych, często zdarza się, że wiele utworów się powtarza, ponieważ ten sam utwór może pojawiać się na różnych listach. Ponieważ celem nie była analiza samej strategii playlistowania, a raczej charakterystyki utworów, Usunęli duplikaty utworówzmniejszając całkowitą bazę z 46 417 do około 39 147 unikalnych piosenek.

Usunięto kolumny, które nie miały być używane jako zmienne objaśniające w modelach, takie jak wykonawca, identyfikator i nazwa albumu oraz pola specyficzne dla playlisty. Jednocześnie Ustandaryzowali nazwy pól a typy danych zostały dostosowane: na przykład popularność, tryb, klucz i czas trwania zostały przekształcone w wartości liczbowe typu float, aby ułatwić obliczenia statystyczne.

Kluczową decyzją było przekształcenie popularności w zmienną łatwiejszą do opanowania. Zamiast pracować z wartością ciągłą od 0 do 100, próg oddzielający popularne i niepopularne piosenkiBiorąc pod uwagę 85. percentyl rozkładu (około popularności 65), utwory powyżej tej wartości uznawano za „popularne”, a pozostałe za „niepopularne”.

W ten sposób zbiór danych został podzielony na prawie 6.000 popularnych piosenek i około 33.000 niepopularnychNa potrzeby analizy eksploracyjnej dane podzielono na pięć klas popularności (bardzo wysoka, wysoka, średnia, niska i bardzo niska) z odstępami co 20 punktów, co pozwoliło na porównanie drobnych trendów między poziomami sukcesu.

Dodatkowo z tytułów piosenek wygenerowano nową zmienną: wskaźnik nastrojówKorzystając z biblioteki TextBlob w Pythonie, obliczono polarność każdego tytułu (liczba z zakresu od -1 do 1) i sklasyfikowano ją jako dodatnią, ujemną lub neutralną. Tę wartość liczbową dodano do ramki danych, aby zbadać, czy ton tytułu jest powiązany z jego popularnością.

Eksploracja danych: co wyróżnia najpopularniejsze piosenki

Przed rozpoczęciem szkolenia jakiegokolwiek modelu uczenia maszynowego konieczne jest poświęcenie czasu na wizualna i statystyczna eksploracja danychW przypadku tego badania analizowano krzywe rozkładu, średnie dla każdej grupy popularności oraz związki między emocjami a sukcesem.

Jednym z uderzających odkryć jest popularność najpopularniejszych piosenek. Analizując utwory z rankingiem popularności powyżej 90, zaobserwowano, że Większość z nich była poniżej wartości 0,5 w WalencjiInnymi słowy, brzmieli bardziej smutno, ponuro lub melancholijnie niż radośnie. Nie była to absolutna dominacja, ale wyraźna tendencja.

Gdy wykreślono rozkład popularności według płci, większość krzywych przyjęła przybliżony kształt dzwonkaZ wieloma utworami oscylującymi wokół średniej i mniejszą liczbą skrajnych. Jednak gatunki takie jak rock, R&B, EDM, muzyka świata i indyjska wykazywały pewną asymetrię ze względu na dużą liczbę utworów o zerowej popularności. Z kolei style takie jak pop, rap, latino i desi wydawały się bardziej zrównoważone i z mniejszą koncentracją utworów o zerowej oglądalności.

Sugeruje to, że w przypadku gatunków bardziej popularnych jest to generalnie łatwiej osiągnąć pewien poziom popularnościnawet jeśli utwory nie mają wszystkich idealnych cech, w innych stylach rozkład sukcesów jest bardziej spolaryzowany.

Porównując średnie różnych cech według klasy popularności, wyłonił się bardzo wyraźny wzorzec: najpopularniejsze tematy mają tendencję do większa energia i większa głośność (odczuwalna głośność)a także więcej instrumentalizmu i mniej gadatliwości. Mówiąc prościej, utwory, które najlepiej sprawdzają się w streamingu, są zazwyczaj bardziej wyraziste i bardziej skupione na muzyce niż na słowach.

Zaobserwowano również, że popularne utwory zawierają niższa akustyka i niższa żywotnośćInnymi słowy, brzmią mniej „akustycznie” i mniej „na żywo”. Są bardziej studyjne, bardziej dopracowane, z mniejszą ilością szumów otoczenia czy koncertowego charakteru.

Kolejnym kluczowym odkryciem jest to, że popularne piosenki mają tendencję do krótsze od niepopularnychW kontekście, w którym przychody zależą od liczby odtworzeń, a algorytmy nagradzają powtarzanie, logiczne jest, że krótsze utwory mogą być szybciej odsłuchiwane i stać się bardziej „przyjaznymi” dla playlist.

Jeśli chodzi o postrzegane szczęście (wartość), trend jest ciekawy: poziomy rosną od niższych klas popularności do klasy „wyższej”, ale w najbardziej skrajnej kategorii, „bardzo wysokiej”, obserwuje się wyraźny spadek. Innymi słowy, Bardzo popularne piosenki z reguły brzmią smutniej niż te po prostu „udane”.Otwiera to drzwi do wielu interpretacji dotyczących gustu publicznego i kontekstu społeczno-emocjonalnego.

Analiza statystyczna: wpływ gatunków i atrybutów audio

Po przeanalizowaniu danych następnym krokiem było zastosowanie formalne testy statystyczne Aby sprawdzić, które zmienne można uznać za istotne w wyjaśnianiu popularności. Aby zbadać, czy płeć wpływa na sukces, zastosowano analizę wariancji (ANOVA) dla dziewięciu głównych gatunków.

Wynik analizy wariancji (ANOVA) wykazał bardzo wysoką wartość F i praktycznie zerową istotność, co oznacza, że Istnieją statystycznie istotne różnice w popularności między gatunkamiTo jednak nie wszystko: ważne jest również, aby wiedzieć, pomiędzy którymi parami płci te różnice występują i czy zmienna ta będzie przydatna w modelu predykcyjnym.

Ponieważ różnice nie były jednorodne i liczba utworów w danym gatunku była różna, zastosowano następujące podejście: Test post-hoc Gamesa-HowellaAnaliza ta umożliwiła sprawdzenie, które kombinacje płci nie wykazały istotnych różnic w popularności, co ogólnie rzecz biorąc sprawiło, że mniej wskazane stało się wykorzystywanie płci jako silnego predyktora w modelach uczenia maszynowego.

Równolegle prowadzono: niezależne testy t Dla każdej cechy audio porównano średnie między grupą piosenek popularnych i niepopularnych. Przy poziomie istotności 95% stwierdzono, że prawie wszystkie zmienne (taneczność, energia, głośność, akustyka, żywotność, czas trwania, tempo, walencja i instrumentalność) wykazywały istotne różnice między obiema grupami.

Jedynym widocznym wyjątkiem był gadatliwośćW pierwszym teście różnica średnich nie była istotna, ale dalsza analiza wykazała, że ​​zakresy słowności dla tematów o dużej popularności (z wartościami od 0,024 do 0,685) mieściły się w szerszym zakresie dla klasy mniej popularnej (od 0 do 0,964). To nakładanie się nie przeszkodziło słowności, przy jej efektywnym wykorzystaniu, w dostarczaniu informacji do modelu, dlatego postanowiono zachować ją jako predyktor.

Podsumowując, blok funkcji audio zademonstrował wyraźna moc opisowa dotycząca popularności, podczas gdy płeć była traktowana ostrożniej i została wykluczona jako zmienna podstawowa w niektórych podejściach predykcyjnych.

Budowanie modeli uczenia maszynowego w celu przewidywania trafień

Mając czysty zbiór danych i wybrane odpowiednie zmienne, nadszedł czas na utworzenie modele klasyfikacji binarnej Potrafi przewidzieć, czy utwór należy do 15% najpopularniejszych. Aby to zrobić, zmienne kategoryczne ton i tryb zostały najpierw przekształcone w zmienne fikcyjne za pomocą funkcji get_dummies w Pandas.

Po uwzględnieniu tych wartości zastępczych oryginalne kolumny dotyczące tonacji i trybu, a także dalszej popularności, zostały usunięte, a zmienna docelowa została zachowana. binarne pole popularności (popularne vs. niepopularne). Przed trenowaniem modeli wszystkie cechy numeryczne zostały znormalizowane za pomocą StandardScaler, ponieważ działały w bardzo różnych skalach i ważne było, aby miały porównywalną wagę.

Zbiór danych podzielono na część szkoleniową i testową za pomocą funkcji train_test_split, rezerwując 20% rejestracji na testyW ten sposób uniknięto wycieków informacji i zapewniono, że wskaźniki wydajności odzwierciedlają faktyczną generalizowalność modeli, a nie tylko ich zdolność do zapamiętywania danych szkoleniowych.

Pierwszym zastosowanym modelem był Regresja logistycznaTa technika jest szeroko stosowana w klasyfikacji binarnej. Zaimplementowano wersję iteracyjną o współczynniku uczenia 0,01 i 200 iteracjach, którą następnie przetestowano za pomocą walidacji krzyżowej. Średnia dokładność wyniosła około 84,7%, co stanowi wyjątkowo wysoki wynik w przypadku tak złożonego problemu, jak przewidywanie sukcesu muzycznego.

Następnie przetestowano algorytm K-Najbliżsi sąsiedzi (KNN)który klasyfikuje każdy utwór według k najbliższych sąsiadów w przestrzeni cech. Dostosowanie wartości ky za pomocą przeszukiwania siatki w celu znalezienia optymalnej konfiguracji dało bardzo podobną dokładność, około 84,8%, z niewielką poprawą wyniku walidacji krzyżowej w porównaniu z regresją logistyczną.

Następnym modelem był Maszyna wektorów nośnych (SVM)Zastosowano inną nadzorowaną technikę, zdolną do obsługi zarówno zależności liniowych, jak i nieliniowych. Ponownie, dzięki dopasowaniu hiperparametrów, osiągnięto dokładność na poziomie około 84,6%, z równoważnymi wartościami w walidacji krzyżowej, co wskazuje na stabilną wydajność.

Oceniono również: Klasyfikator Naiwnego BayesaOparty na hipotezie niezależności cech. Pomimo znacznie prostszego modelu pod względem założeń, jego wyniki dokładności (około 84,6%) były porównywalne z SVM i bardzo zbliżone do regresji logistycznej i KNN, co potwierdza tezę, że struktura problemu dobrze nadaje się do tego typu podejścia probabilistycznego.

Na koniec przetestowano modele bazujące na drzewach decyzyjnych. Klasyfikator drzewa decyzyjnego Osiągnięto znacznie niższą dokładność, około 75,4%, a walidacja krzyżowa potwierdziła ten spadek wydajności, prawdopodobnie spowodowany problemami z nadmiernym dopasowaniem. Losowy klasyfikator lasu, który łączy wiele drzew w celu wygładzenia tych efektów, znacznie się poprawił, osiągając dokładność na poziomie około 84,1% i ponad 84% w walidacji krzyżowej.

Aby zakończyć analizę, macierz pomyłek i raport klasyfikacyjny dla Lasu Losowego. Model wykazał doskonałą zdolność do identyfikacji piosenek niepopularnych (klasa większościowa) z dokładnością 0,85 i wskaźnikiem rozpoznawalności bliskim 0,99, podczas gdy jego skuteczność w przypadku piosenek popularnych (mniejszość) była bardziej umiarkowana, z dokładnością 0,40 i wskaźnikiem rozpoznawalności 0,05. Podkreśla to klasyczne wyzwanie związane z nierównowagą klas w tego typu problemach.

Znaczenie zmiennych: co jest najważniejsze przy tworzeniu hitu

Oprócz wiedzy, który model jest dokładniejszy, kluczowe jest zrozumienie które funkcje faktycznie dostarczają przydatnych informacji Podczas przewidywania, czy piosenka będzie popularna, wykorzystano XGBoost (XGBClassifier) ​​do uzyskania zmiennych wartości ważności, opartych na wpływie każdej cechy na redukcję błędów w drzewach decyzyjnych.

Wyniki pokazały, że Długość utworu wyraźnie wyróżniała się na tle pozostałychz wynikiem F znacznie powyżej 400. Odkrycie to jest zgodne z teorią, że krótsze utwory zachęcają do wielokrotnego słuchania, a co za tym idzie, można je częściej odsłuchać w krótszym czasie, co jest cechą, którą algorytm rekomendacji Spotify zazwyczaj nagradza.

Na przeciwnym biegunie znajdują się zmienne takie jak klucz, tryb lub uczucie wzięte z tytułu Otrzymali oni oceny ważności poniżej 50, co sugeruje, że ich wkład w ogólną moc predykcyjną modelu był niewielki. Nie oznacza to, że nie mają żadnego wpływu, ale raczej, że w porównaniu z innymi cechami ich waga jest znacznie mniejsza.

Pozostałe atrybuty audio (takie jak energia, taneczność, wartościowość, głośność, akustyczność, żywotność, gadatliwość i instrumentalność) mieściły się w zakresie pośrednim, z wynikami F pomiędzy 200 a 300, co wskazuje, że Tworzą one dość zrównoważony blok informacyjnyŻadna z nich nie dominuje całkowicie, ale wszystkie razem pomagają zbudować dość dokładny obraz szans piosenki na sukces.

Łącznie modele oparte na cechach audio były w stanie przewidzieć około 84-85% wskaźnik sukcesu, jeśli wskazówka będzie częścią 15% najpopularniejszychDostarcza to pewnych empirycznych dowodów na poparcie starej intuicji „nauki przebojów”: przy dobrych danych i właściwych technikach sukces muzyczny nie jest kwestią przypadku, choć istnieje znaczący nieprzewidywalny czynnik.

Obraz przedstawiony w tej analizie pokazuje, że połączenie danych Spotify, tradycyjnych statystyk i modeli uczenia maszynowego pozwala nam wyjść daleko poza proste liczenie odtworzeń. Zrozumienie wpływu czasu trwania, energii, wartościowości i instrumentalności, a także roli playlist redakcyjnych i dynamiki rekomendacji platformy, dostarcza artystom, wytwórniom i analitykom bardzo konkretnych wskazówek, dzięki którym mogą zinterpretować, dlaczego konkretne utwory stają się hitami i jak mogą zmaksymalizować swoje szanse na dołączenie do tej elitarnej grupy, nie tracąc całkowicie ludzkiego i kreatywnego pierwiastka, który na szczęście pozostaje nieredukowalny do żadnej formuły.