- API-ul Spotify oferă zeci de variabile audio și de context (energie, valență, durată, dansabilitate etc.) care vă permit să modelați și să înțelegeți ce face o melodie populară.
- Analiza statistică arată că aproape toate caracteristicile audio diferă între melodiile populare și cele nepopulare, în timp ce genul, tonalitatea sau sentimentul legat de titlu au o pondere predictivă mai mică.
- Modelele de învățare automată, cum ar fi Regresia Logistică, KNN, SVM, Naive Bayes și Random Forest, ating o precizie de aproximativ 84-85% în clasificarea dacă un subiect va fi în top 15% cele mai populare.
- Durata piesei, energia, volumul și instrumentalitatea acesteia se remarcă drept factori cheie ai popularității sale pe Spotify, într-un ecosistem în care playlist-urile editoriale și algoritmul de recomandare sunt cruciale.
Spotify a devenit laboratorul perfect pentru a studia ce face ca o melodie să fie un hit.Avem date de redare în timp real, valori avansate pentru artiști și milioane de ascultători care iau decizii în fiecare secundă. Departe de a fi doar o platformă de ascultare, Spotify s-a transformat într-o platformă uriașă... Baza de date unde pot fi analizate tipare, emoții, genuri și strategii de playlist pentru a înțelege de ce unele melodii prind succes, iar altele se scufundă în uitare.
În ultimii ani, instrumentele, cercetarea academică și modele de învățare automată dedicat pentru Analiza hiturilor SpotifyDe la studierea topurilor editoriale precum Today's Top Hits sau Rap Caviar, până la construirea de algoritmi capabili să prezică dacă o piesă va aparține grupului cel mai popular din catalog. În același timp, Spotify for Artists a democratizat accesul la aceste valori, permițând oricărui artist să vadă cine îl ascultă, unde și cum este descoperit și să își ajusteze strategia creativă și de marketing în consecință.
Ce este mai exact analiza hiturilor Spotify și de ce este importantă?
Când vorbim Analiza hiturilor Spotify Nu vorbim doar despre analizarea numărului de redări ale unei melodii. Este o abordare mai amplă, care combină sunetul, contextul și comportamentul utilizatorului pentru a răspunde la o întrebare incomodă, dar crucială: poți prezice succesul unei melodii înainte de lansarea ei? Folosind date din API-ul Spotify, cercetătorii lucrează cu variabile precum popularitatea, energia, valența, durata, tempo-ul și dansabilitatea pentru a încerca să se apropie de acest răspuns.
Această abordare își are rădăcinile în așa-numita „știința cântecelor de succes”Această idee, popularizată de Mike McCready la începutul anilor 2000, implică utilizarea algoritmilor și a modelelor matematice pentru a prezice ce melodii vor avea performanțe bune în topuri și la radio. Deși studiile inițiale au concluzionat că acest lucru era foarte dificil (și că modelele nu erau suficient de precise), peisajul s-a schimbat complet odată cu apariția streamingului, creșterea masivă a volumului de date și rafinarea tehnicilor de învățare automată.
Astăzi, Spotify oferă o interfață API cu acces la zeci de mii de melodii. atribute muzicale și contextualeDe la tonalitate și mod, până la probabilitatea ca o piesă să fie acustică sau instrumentală, inclusiv metrici special concepuți pentru a descrie modul în care este percepută melodia (energie, valență, dansabilitate etc.). Toate acestea ne permit să trecem de la opinii subiective la analize cantitative mult mai precise.
În paralel, instrumentul Spotify pentru artiști Îi ajută pe creatori să evite să se piardă în metrici superficiale și să se concentreze pe ceea ce contează cu adevărat: dezvoltarea publicului pe termen lung, implicarea, retenția și modul în care eforturile de marketing influențează crearea de fani autentici. Cu alte cuvinte, cifre, da, dar cu context și intenție strategică.
Playlist-uri oficiale și strategie: greutatea listelor editoriale
Unul dintre cele mai importante aspecte din orice analiză serioasă a hiturilor de pe Spotify este rolul playlisturi editoriale oficialeTopuri precum Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint sau ¡Viva Latino! acționează ca niște amplificatoare masive: accesarea unuia dintre ele poate schimba complet traiectoria unei melodii sau chiar a unei cariere.
Instrumentele terțe, cum ar fi Soundcharts, vă permit să vedeți cum se comportă un artist în aceste playlisturiNumărul de apariții, durata prezenței, piețele unde au cel mai mare impact etc. Acest tip de analiză arată clar că prezența în listele editoriale nu este un ornament, ci o componentă cheie a strategiei de creștere pe platformă.
Există anumite criterii recurente în construirea unor liste de redare de calitate. De exemplu, se apreciază existența o varietate de artiști în loc să repete aceleași nume iar și iarListele în care același artist apare de prea multe ori tind să primească ratinguri mai slabe, deoarece reduc sentimentul de descoperire al ascultătorului.
De asemenea, caut un/o echilibru coerent de genCând o listă de redare combină prea multe stiluri fără o direcție clară, experiență Devine fragmentat, iar ratingul scade. Listele cele mai bine percepute tind să se concentreze pe unul sau câteva genuri bine definite, ceea ce ajută utilizatorul să înțeleagă dintr-o privire la ce să se aștepte atunci când apasă butonul de redare.
Un alt aspect cheie este un amestec de teme cunoscute și emergenteListele de redare care includ doar hituri de succes sunt acceptabile, dar oferă puține oportunități de descoperire. În schimb, listele de redare care combină melodii consacrate cu hituri mai puțin cunoscute tind să genereze o implicare mai mare și să ajute la crearea de noi hituri.
În cele din urmă, există un consens conform căruia o listă de redare bună ar trebui să aibă cel puțin aproximativ 50 de piese pentru a oferi o experiență completăTopurile cu mai puțin de 10 melodii sunt adesea percepute ca fiind slabe și primesc scoruri mai mici, ceea ce afectează și performanța pieselor pe care le includ.
O scurtă istorie a Spotify și originea analizelor sale
Înainte ca Spotify să poată efectua analize avansate ale hiturilor, platforma însăși trebuia să-și găsească locul în industria muzicală. Ideea, concepută de cofondatorul Daniel Ek, a apărut după prăbușirea Napster în 2002. El a vrut să creeze un serviciu care să fie „mai bun decât pirateria, dar care să plătească și industria”.La acea vreme, Ek folosea uTorrent, unul dintre principalii clienți P2P pentru descărcare și partajare, așa că avea cunoștințe directe despre lumea distribuției neautorizate.
După ce a vândut uTorrent către BitTorrent la sfârșitul anului 2006, Ek s-a concentrat în întregime pe dezvoltarea Spotify. Aplicația a fost lansată oficial în 2008 în Suedia, după ce a atins acorduri de licențiere și participare la capital cu mari corporații muzicaleSony Music Entertainment, Universal Music Group și Warner Music Group. Un an mai târziu, s-a extins în Regatul Unit și, în 2011, a ajuns în Statele Unite.
În acea perioadă inițială, baza de abonați plătiți a crescut de la aproximativ 1 milion în Europa la aproximativ 4 milioane la nivel global în 2012Până în 2016, Spotify anunța deja 40 de milioane de utilizatori plătitori și aproximativ 100 de milioane de utilizatori în total, consolidând streamingul ca formă dominantă de consum de muzică la nivel mondial.
În același timp, au început să apară instrumente de date pentru artiști. Primul a fost Perspective ale fanilorAceastă soluție a oferit unor echipe acces limitat la date de streaming: demografie, geografie și tendințe de bază. În 2017, această soluție a evoluat în Spotify for Artists, deschizând calea pentru ca toți artiștii să își vadă indicatorii cheie și să utilizeze datele pentru a lua decizii cu privire la turnee, lansări și promovare.
În 2018, compania a intrat pe bursă cu o capitalizare de piață de aproximativ 30.000 milioaneDe atunci, numărul piețelor în care operează a continuat să crească, și odată cu acesta, importanța analizelor în cadrul platformei. Ceea ce a început ca un player media licențiat a devenit o infrastructură globală în care datele domnesc suprem.
Indicatori Spotify: cum să măsori o melodie dincolo de stream-uri
Pentru a construi modele de predicție a hit-urilor, este mai întâi necesar să înțelegem ce tip de date furnizate de API-ul SpotifyÎntr-un studiu axat pe piața indiană, de exemplu, peste 46.000 de înregistrări de melodii au fost extrase din listele de redare generate de Spotify, acoperind o gamă largă de genuri și subgenuri.
Informațiile sunt organizate în mai multe secțiuni. La nivel de pistă, găsim date precum identificator, titlu, artist, popularitate, data lansării și durată în milisecundeLa nivel de album, sunt stocate ID-ul și numele. La nivel de listă de redare, apar numele, ID-ul, genul și subgenul asociat.
Dar cel mai interesant lucru pentru analiza hit-urilor este funcții audioîmpărțite în diferite categorii: caracteristici ale „stării de spirit” (dansabilitatea, energia, valența, tempo-ul), proprietăți fizice (intensitatea sunetului, vorbirea, instrumentalitatea), contextul (acustica, vivacitatea) și segmentele muzicale (tonalitatea, modul). Fiecare dintre aceste variabile este atent definită și normalizată.
Dansabilitatea, de exemplu, este exprimată ca o valoare între 0 și 1 care rezumă cât de ușor este să dansezi pe o melodiePe baza unor elemente precum ritmul, stabilitatea tempo-ului și forța ritmului, energia variază, de asemenea, de la 0 la 1, încercând să surprindă dacă piesa sună intens, rapid și puternic, față de ceva mai calm sau mai slab.
Valencia descrie „pozitivitate” emoțională percepută În domeniul audio, valorile mici corespund sentimentelor de tristețe, tensiune sau sumbre, în timp ce valorile mari corespund muzicii vesele, luminoase sau euforice. Acustica măsoară probabilitatea ca o piesă să fie acustică, vivacitatea prezența unui public live în înregistrare, iar vorbibilitatea reflectă proporția de cuvinte rostite în mix (foarte mare, de exemplu, în podcasturi sau piese spoken-word).
Alți parametri importanți sunt tempo în BPMdurata totală, tonalitatea (codificată ca număr întreg), modul (major sau minor) și popularitatea piesei. Aceasta din urmă este o metrică internă Spotify care variază de la 0 la 100. Depinde atât de volumul fluxurilor, cât și de cât de recente sunt acestea.O melodie care a fost extrem de populară acum ani de zile, dar care nu mai este difuzată aproape deloc, își va vedea scăderea ratingului în timp.
Cum să pregătești și să cureți setul de date pentru a putea prezice accesările
Un pas care este adesea trecut cu vederea atunci când se discută despre analiza hiturilor de pe Spotify este pregătirea setului de dateÎn studiul de față, datele au fost colectate folosind R și RStudio, apelând API-ul Spotify pentru diferite combinații de piață (India), genuri și subgenuri selectate în funcție de ponderea lor globală și locală.
Când se combină melodii din diverse liste de redare tematice, este obișnuit ca mai multe piese să fie repetate, deoarece aceeași melodie poate apărea în liste diferite. Întrucât obiectivul nu a fost analizarea strategiei de creare a listelor de redare în sine, ci mai degrabă a caracteristicilor melodiilor, a fost... Au eliminat piesele duplicatereducând baza totală de la 46.417 la aproximativ 39.147 de melodii unice.
Coloanele care nu urmau să fie utilizate ca variabile explicative în modele, cum ar fi artistul, ID-ul și numele albumului și câmpurile specifice listei de redare, au fost eliminate. În același timp, Au standardizat numele câmpurilor și tipurile de date au fost ajustate: de exemplu, popularitatea, modul, cheia și durata au fost convertite în valori numerice de tip float pentru a facilita tratamentul statistic.
O decizie cheie a fost transformarea popularității într-o variabilă mai ușor de gestionat. În loc să se lucreze cu o valoare continuă de la 0 la 100, o pragul pentru separarea melodiilor populare de cele nepopulareLuând percentila 85 a distribuției (în jurul unei popularități de 65), piesele peste această valoare au fost considerate „populare”, iar restul „nepopulare”.
În acest fel, setul de date a fost împărțit în aproape 6.000 de melodii populare și aproximativ 33.000 de melodii nepopularePentru analiza exploratorie, datele au fost chiar segmentate în cinci clase de popularitate (foarte mare, mare, medie, mică și foarte mică), cu intervale de 20 de puncte, ceea ce a permis compararea tendințelor fine între nivelurile de succes.
În plus, o nouă variabilă a fost generată din titlurile melodiilor: a indicator de sentimentFolosind biblioteca TextBlob din Python, polaritatea fiecărui titlu (un număr între -1 și 1) a fost calculată și clasificată ca pozitivă, negativă sau neutră. Această valoare numerică a fost adăugată în cadrul de date pentru a studia dacă tonul titlului este legat de popularitatea sa.
Explorarea datelor: ce distinge cele mai populare melodii
Înainte de a antrena orice model de învățare automată, este esențial să se dedice timp explorarea vizuală și statistică a datelorÎn cazul acestui studiu, au fost analizate curbele de distribuție, mediile pe grupe de popularitate și relațiile dintre emoții și succes.
Una dintre constatările izbitoare se referă la popularitatea celor mai de succes melodii. Atunci când s-au analizat piesele cu un rating de popularitate peste 90, s-a observat că Un număr mai mare dintre acestea au fost sub valoarea de 0,5 în ValenciaCu alte cuvinte, sunau mai trist, mai sumbru sau melancolic decât vesel. Nu era o dominație absolută, dar era o tendință clară.
Când a fost reprezentată grafic distribuția popularității în funcție de gen, majoritatea curbelor au adoptat o formă aproximativă de clopotcu multe piese în jurul mediei și mai puține la extreme. Cu toate acestea, genuri precum rock, R&B, EDM, muzica world și muzica indiană au prezentat o oarecare asimetrie din cauza numărului mare de piese cu popularitate zero. În schimb, stiluri precum pop, rap, latino și desi au părut mai echilibrate și cu o concentrație mai mică de piese cu rating zero.
Aceasta sugerează că, în genurile mai mainstream, este, în general, mai ușor să atingi un anumit nivel de popularitatechiar dacă melodiile nu au toate caracteristicile ideale, în timp ce în alte stiluri distribuția succesului este mai polarizată.
Când se compară mediile diferitelor caracteristici în funcție de clasa de popularitate, a reieșit un model foarte clar: subiectele cu cel mai mare succes tind să aibă energie mai mare și intensitate mai mare (volum perceput)precum și mai mult instrumentalism și mai puțină vorbire superficială. Simplu spus, melodiile care au cel mai bun ritm în streaming tind să fie mai puternice și mai concentrate pe muzică decât pe cuvinte rostite.
De asemenea, s-a observat că piesele populare prezintă acustică mai scăzută și vivacitate mai scăzutăCu alte cuvinte, sună mai puțin „acustic” și mai puțin „live”. Sunt mai mult produse în studio, mai rafinate, cu mai puțin zgomot ambiental sau senzație de concert.
O altă constatare cheie este că melodiile populare tind să fie mai scurte decât cele nepopulareÎntr-un context în care veniturile depind de numărul de redări în flux, iar algoritmii recompensează repetarea, este logic ca piesele mai scurte să poată acumula redări mai rapid și să devină mai „prietenoase” pentru playlist-uri.
În ceea ce privește fericirea percepută (valența), tendința este curioasă: nivelurile cresc de la clasele de popularitate inferioare la clasa „superioară”, dar în categoria cea mai extremă, cea „foarte ridicată”, există o scădere semnificativă. Cu alte cuvinte, Melodiile super-populare tind să sune mai triste decât cele pur și simplu „de succes”.Aceasta deschide ușa către numeroase interpretări despre gusturile publicului și contextul socio-emoțional.
Analiză statistică: impactul genurilor și atributelor audio
Odată ce datele au fost explorate, următorul pas a fost aplicarea teste statistice formale pentru a vedea ce variabile ar putea fi considerate relevante în explicarea popularității. Pentru a studia dacă genul a influențat succesul, s-a utilizat o analiză a varianței (ANOVA) cu nouă genuri principale.
Rezultatul ANOVA a dat o valoare F foarte mare și o semnificație practic zero, ceea ce înseamnă că Există diferențe semnificative statistic în ceea ce privește popularitatea între genuriTotuși, acest lucru nu este suficient: este important și de știut între ce perechi de sexe apar aceste diferențe și dacă variabila va fi utilă pentru un model predictiv.
Întrucât varianțele nu au fost omogene și numărul de melodii pe gen a variat, s-au folosit următoarele: Testul post-hoc Games-HowellAceastă analiză a permis verificarea combinațiilor de gen care nu au prezentat diferențe semnificative în popularitate, ceea ce, per total, a făcut mai puțin recomandabilă utilizarea sexului ca predictor puternic în modelele de învățare automată.
În paralel, au fost efectuate următoarele teste t independente Pentru fiecare caracteristică audio, mediile au fost comparate între grupul de cântece populare și grupul de cântece nepopulare. Cu un nivel de semnificație de 95%, s-a constatat că aproape toate variabilele (dansabilitatea, energia, intensitatea sonoră, acustica, caracterul vioi, durata, tempo-ul, valența și instrumentalitatea) au prezentat diferențe semnificative între cele două grupuri.
Singura excepție aparentă a fost vorbireÎn primul test, diferența dintre medii nu a fost semnificativă, dar analize ulterioare au arătat că intervalele de vorbire pentru subiectele foarte populare (cu valori între 0,024 și 0,685) s-au încadrat în intervalul mai larg al clasei mai puțin populare (între 0 și 0,964). Această suprapunere nu a împiedicat vorbirea, atunci când este utilizată eficient, să contribuie cu informații la model, așa că s-a decis păstrarea acesteia ca predictor.
În concluzie, blocul de funcții audio a demonstrat o putere descriptivă clară privind popularitatea, în timp ce sexul a fost tratat cu mai multă prudență și a fost exclus ca variabilă primară în unele abordări de predicție.
Construirea de modele de învățare automată pentru a prezice accesările
Cu setul de date curat și variabilele relevante selectate, a venit momentul să creăm modele de clasificare binară capabil să prezică dacă o melodie aparține primelor 15% din popularitate. Pentru a face acest lucru, variabilele categorice key și mode au fost mai întâi convertite în variabile fictive folosind funcția get_dummies a Pandas.
După încorporarea acestor fictive, coloanele originale pentru cheie și mod, precum și popularitatea continuă, au fost eliminate, iar variabila țintă a fost păstrată. câmp binar de popularitate (popular vs. nepopular). Înainte de antrenarea modelelor, toate caracteristicile numerice au fost standardizate cu StandardScaler, deoarece acestea funcționau la scări foarte diferite și era important să aibă o pondere comparabilă.
Setul de date a fost împărțit în antrenament și test folosind funcția train_test_split, rezervând 20% din înscrierile pentru testareÎn acest fel, s-au evitat scurgerile de informații și s-a asigurat că indicatorii de performanță reflectă generalizabilitatea reală a modelelor și nu doar capacitatea lor de a memora datele de antrenament.
Primul model aplicat a fost Regresie logisticăAceastă tehnică este utilizată pe scară largă în clasificarea binară. O versiune iterativă cu o rată de învățare de 0,01 și 200 de iterații a fost implementată și evaluată folosind validarea încrucișată. Precizia medie a atins aproximativ 84,7%, un rezultat remarcabil de puternic pentru o problemă atât de complexă precum prezicerea succesului muzical.
Apoi algoritmul a fost testat K-Cei mai apropiați vecini (KNN)care clasifică fiecare melodie în funcție de cei k vecini cei mai apropiați din spațiul caracteristicilor. Ajustarea valorii lui ky folosind Grid Search pentru a găsi configurația optimă a dat o precizie foarte similară, în jur de 84,8%, cu o ușoară îmbunătățire a scorului de validare încrucișată în comparație cu regresia logistică.
Următorul model a fost Mașină cu vectori de suport (SVM)A fost utilizată și o altă tehnică supervizată, capabilă să gestioneze atât relații liniare, cât și neliniare. Din nou, prin ajustarea hiperparametrilor, s-au obținut precizii de aproximativ 84,6%, cu valori echivalente în validarea încrucișată, indicând o performanță stabilă.
De asemenea, au fost evaluate următoarele: Clasificator Bayes naivBazat pe ipoteza independenței dintre caracteristici. În ciuda faptului că este un model mult mai simplu din punct de vedere al ipotezelor, rezultatele sale privind acuratețea (aproximativ 84,6%) au fost la egalitate cu SVM și foarte apropiate de regresia logistică și KNN, întărind ideea că structura problemei se pretează bine acestui tip de abordare probabilistică.
În final, au fost testate modele bazate pe arbori de decizie. Clasificator de arbore de decizie A atins o precizie semnificativ mai mică, în jur de 75,4%, iar validarea încrucișată a confirmat această scădere a performanței, probabil din cauza unor probleme de supraadaptare. Clasificator de pădure aleatoriu, care combină mai mulți arbori pentru a netezi aceste efecte, s-a îmbunătățit semnificativ, atingând o precizie de aproximativ 84,1% și peste 84% în validarea încrucișată.
Pentru a completa analiza, o matricea de confuzie și un raport de clasificare pentru Pădurea Aleatoare. Modelul a demonstrat o capacitate excelentă de a identifica cântece nepopulare (clasa majoritară), cu o precizie de 0,85 și o reamintire apropiată de 0,99, în timp ce performanța sa în clasa cântecelor populare (minoritare) a fost mai modestă, cu o precizie de 0,40 și o reamintire de 0,05. Acest lucru evidențiază provocarea clasică a dezechilibrului de clasă în acest tip de problemă.
Importanța variabilelor: ce cântărește cel mai mult atunci când se creează un hit
Dincolo de a ști care model este mai precis, este esențial să înțelegem ce funcții oferă de fapt informații utile atunci când se prezice dacă o melodie va fi populară. În acest scop, s-a utilizat XGBoost (XGBClassifier) pentru a obține scoruri de importanță variabile, bazate pe contribuția fiecărei caracteristici la reducerea erorilor în arborii de decizie.
Rezultatele au arătat că Durata melodiei a ieșit în evidență în mod clar față de restulcu un scor F mult peste 400. Această constatare se potrivește cu ideea că piesele mai scurte încurajează ascultarea repetată și, prin urmare, acumulează mai multe redări într-un timp mai scurt, lucru pe care algoritmul de recomandare al Spotify tinde să îl recompenseze.
La extrema opusă, variabile precum tonalitatea, modul sau sentiment preluat din titlu Aceștia au obținut scoruri de importanță sub 50, ceea ce sugerează că contribuția lor la puterea predictivă generală a modelului a fost mică. Aceasta nu înseamnă că nu au niciun efect, ci mai degrabă că, în comparație cu alte caracteristici, ponderea lor este mult mai mică.
Celelalte atribute audio (cum ar fi energia, dansabilitatea, valența, volumul, acustica, vioiciunea, vorbirea și instrumentalitatea) s-au situat într-un interval intermediar, cu scoruri F între 200 și 300, indicând faptul că Formează un bloc informațional destul de echilibratNiciunul dintre ele nu domină complet, dar toate împreună ajută la construirea unei imagini destul de precise a șanselor de succes ale unei melodii.
În total, modelele bazate pe caracteristici audio au putut prezice cu aproximativ o rată de succes de 84-85% dacă un indiciu ar face parte din cele mai populare 15%Acest lucru oferă un oarecare sprijin empiric vechii intuiții a „științei hiturilor”: cu date solide și tehnici adecvate, succesul muzical nu este pur aleatoriu, deși există în continuare o componentă imprevizibilă semnificativă.
Tabloul de vedere conturat de această analiză arată că combinarea datelor Spotify, a statisticilor tradiționale și a modelelor de învățare automată ne permite să mergem mult dincolo de simpla numărare a stream-urilor. Înțelegerea impactului duratei, energiei, valenței și instrumentalității, împreună cu rolul playlist-urilor editoriale și dinamica recomandărilor platformei, oferă artiștilor, caselor de discuri și analiștilor o foaie de parcurs foarte concretă pentru interpretarea motivelor pentru care anumite melodii devin hituri și cum își pot maximiza șansele de a se alătura acelui grup select fără a pierde complet elementul uman și creativ care, din fericire, rămâne ireductibil la orice formulă.
