- Rozhranie Spotify API ponúka desiatky zvukových a kontextových premenných (energia, valencia, trvanie, tanečnosť atď.), ktoré vám umožňujú modelovať a pochopiť, čo robí skladbu populárnou.
- Štatistická analýza ukazuje, že takmer všetky zvukové charakteristiky sa líšia medzi populárnymi a nepopulárnymi skladbami, zatiaľ čo žáner, tonalita alebo sentiment názvu majú menšiu prediktívnu váhu.
- Modely strojového učenia, ako je logistická regresia, KNN, SVM, naivný Bayes a náhodný les, dosahujú presnosť približne 84 – 85 % pri klasifikácii, či sa téma bude nachádzať v prvých 15 % najpopulárnejších.
- Dĺžka skladby, jej energia, hlasitosť a inštrumentálnosť sú kľúčovými faktormi jej popularity na Spotify v ekosystéme, kde sú redakčné playlisty a algoritmus odporúčaní kľúčové.
Spotify sa stalo perfektným laboratóriom na štúdium toho, čo robí z piesne hitMáme údaje o prehrávaní v reálnom čase, pokročilé metriky pre umelcov a milióny poslucháčov, ktorí sa rozhodujú každú sekundu. Spotify sa už zďaleka nestal len platformou na počúvanie, ale obrovskou... databázy kde je možné analyzovať vzorce, emócie, žánre a stratégie playlistov, aby sme pochopili, prečo niektoré piesne získavajú na popularite a iné upadajú do zabudnutia.
V posledných rokoch nástroje, akademický výskum a modely strojového učenia venovaná Analýza hitov SpotifyOd štúdia redakčných rebríčkov ako Today's Top Hits alebo Rap Caviar až po vytváranie algoritmov schopných predpovedať, či bude skladba patriť do najpopulárnejšej skupiny v katalógu. Zároveň Spotify for Artists demokratizoval prístup k týmto metrikám, čo umožňuje každému umelcovi vidieť, kto ho počúva, kde a ako ho objavujú, a podľa toho upraviť svoju kreatívnu a marketingovú stratégiu.
Čo presne je analýza hitov Spotify a prečo je dôležitá?
Keď o tom hovoríme Analýza hitov Spotify Nehovoríme len o tom, koľkokrát bola skladba prehratá. Ide o širší prístup, ktorý kombinuje zvuk, kontext a správanie používateľov, aby odpovedal na nepríjemnú, ale kľúčovú otázku: dá sa predpovedať úspech skladby ešte pred jej vydaním? Pomocou údajov z rozhrania API Spotify výskumníci pracujú s premennými, ako je popularita, energia, valencia, trvanie, tempo a tanečnosť, aby sa pokúsili priblížiť k tejto odpovedi.
Tento prístup má korene v tzv. „veda o hitoch“Túto myšlienku, ktorú spopularizoval Mike McCready začiatkom 2000. storočia, zahŕňa použitie algoritmov a matematických modelov na predpovedanie toho, ktoré skladby budú mať dobrý výkon v hitparádach a rádiách. Zatiaľ čo prvé štúdie dospeli k záveru, že je to veľmi ťažké (a že modely neboli dostatočne presné), situácia sa úplne zmenila s príchodom streamovania, masívnym nárastom objemu dát a zdokonalením techník strojového učenia.
Spotify dnes ponúka API s prístupom k desiatkam tisícov skladieb. hudobné a kontextové atribútyOd tóniny a módu až po pravdepodobnosť, či je skladba akustická alebo inštrumentálna, vrátane metrík špeciálne navrhnutých na opis toho, ako je skladba vnímaná (energia, valencia, tanečnosť atď.). To všetko nám umožňuje prejsť od subjektívnych názorov k oveľa presnejším kvantitatívnym analýzam.
Súbežne s tým nástroj Spotify pre umelcov Pomáha to tvorcom vyhnúť sa strate v márnivých metrikách a zamerať sa na to, na čom skutočne záleží: dlhodobý rozvoj publika, zapojenie, udržanie si zákazníkov a vplyv marketingových aktivít na vytváranie skutočných fanúšikov. Inými slovami, čísla áno, ale s kontextom a strategickým zámerom.
Oficiálne playlisty a stratégia: váha redakčných zoznamov
Jednou z najdôležitejších súčastí akejkoľvek serióznej analýzy hitov na Spotify je úloha... oficiálne redakčné playlistyRebríčky ako Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint alebo ¡Viva Latino! fungujú ako masívne zosilňovače: dostať sa do jedného z nich môže úplne zmeniť trajektóriu piesne alebo dokonca kariéry.
Nástroje tretích strán, ako napríklad Soundcharts, vám umožňujú vidieť ako sa interpret správa v týchto playlistochPočet zobrazení, dĺžka zotrvania, trhy, kde majú najväčší vplyv atď. Tento typ analýzy jasne ukazuje, že prítomnosť v redakčných zoznamoch nie je ozdobou, ale kľúčovou súčasťou stratégie rastu na platforme.
Pri tvorbe kvalitných playlistov existujú určité opakujúce sa kritériá. Napríklad sa cení, že existujú rôzni umelci namiesto opakovania tých istých mien dookolaZoznamy, kde sa ten istý interpret objavuje príliš veľakrát, majú tendenciu dosahovať horšie hodnotenia, pretože znižujú pocit objavovania u poslucháča.
Tiež hľadám koherentná rodová rovnováhaKeď playlist mieša príliš veľa štýlov bez jasného smeru, skúsenosť Stáva sa fragmentovaným a hodnotenie klesá. Najlepšie vnímané zoznamy sa zvyčajne zameriavajú na jeden alebo niekoľko dobre definovaných žánrov, čo pomáha používateľovi na prvý pohľad pochopiť, čo môže očakávať po stlačení tlačidla prehrávania.
Ďalším kľúčovým aspektom je zmes známych a nových témPlaylisty, ktoré obsahujú iba veľké hity, sú v poriadku, ale ponúkajú málo priestoru na objavovanie. Naproti tomu playlisty, ktoré kombinujú zavedené skladby s menej známymi skvostami, zvyčajne generujú väčšiu angažovanosť a pomáhajú vytvárať nové hity.
Nakoniec existuje určitý konsenzus, že dobrý playlist by mal mať aspoň približne 50 skladieb pre kompletný zážitokRebríčky s menej ako 10 skladbami sú často vnímané ako slabé a dostávajú nižšie hodnotenie, čo ovplyvňuje aj výkonnosť skladieb, ktoré obsahujú.
Stručná história Spotify a pôvod jeho analytických nástrojov
Predtým, ako Spotify mohol vykonávať pokročilú analýzu hitov, si samotná platforma musela nájsť svoje miesto v hudobnom priemysle. Nápad, s ktorým prišiel spoluzakladateľ Daniel Ek, vznikol po páde Napsteru v roku 2002. Chcel vytvoriť službu, ktorá by bola „lepšia ako pirátstvo, ale zároveň by sa odvetviu vyplatila“.V tom čase Ek prevádzkoval uTorrent, jedného z hlavných P2P klientov na sťahovanie a zdieľanie, takže mal skúsenosti so svetom neoprávnenej distribúcie z prvej ruky.
Po predaji aplikácie uTorrent spoločnosti BitTorrent koncom roka 2006 sa Ek úplne zameral na budovanie Spotify. Aplikácia bola oficiálne spustená v roku 2008 vo Švédsku po dosiahnutí licenčné a majetkové zmluvy s významnými hudobnými spoločnosťamiSony Music Entertainment, Universal Music Group a Warner Music Group. O rok neskôr expandovala do Spojeného kráľovstva a v roku 2011 pristála v Spojených štátoch.
V tomto počiatočnom období sa základňa platených predplatiteľov v Európe zvýšila z približne 1 milióna na približne 4 milióny na celom svete v roku 2012Do roku 2016 spoločnosť Spotify už oznamovala 40 miliónov platiacich používateľov a celkový počet používateľov približne 100 miliónov, čím sa streamovanie upevnilo ako dominantná forma konzumácie hudby na celom svete.
Zároveň sa začali objavovať dátové nástroje pre umelcov. Prvým bol Postrehy fanúšikovToto riešenie ponúkalo niektorým tímom obmedzený prístup k streamovacím údajom: demografické údaje, geografia a základné trendy. V roku 2017 sa toto riešenie vyvinulo do Spotify for Artists, čím sa všetkým umelcom otvorili dvere k prezeraniu ich kľúčových metrík a k využívaniu údajov na rozhodovanie o turné, vydaniach a propagácii.
V roku 2018 spoločnosť vstúpila na burzu s trhovou kapitalizáciou približne 30.000 miliónovOdvtedy počet trhov, na ktorých pôsobí, neustále rastie a s tým aj dôležitosť analytiky v rámci platformy. To, čo sa začalo ako licencovaný prehrávač médií, sa stalo globálnou infraštruktúrou, kde dáta vládnu.
Metriky Spotify: ako merať skladbu aj mimo streamov
Na vytvorenie modelov predikcie zásahov je najprv potrebné pochopiť, aký typ údaje poskytované rozhraním Spotify APINapríklad v jednej štúdii zameranej na indický trh bolo z playlistov vygenerovaných službou Spotify extrahovaných viac ako 46 000 nahrávok skladieb, ktoré pokrývali širokú škálu žánrov a podžánrov.
Informácie sú usporiadané do niekoľkých sekcií. Na úrovni trate nájdeme údaje ako napríklad identifikátor, názov, interpret, popularita, dátum vydania a trvanie v milisekundáchNa úrovni albumu sa ukladá ID a názov. Na úrovni zoznamu skladieb sa zobrazuje názov, ID, žáner a príslušný podžáner.
Ale najzaujímavejšia vec pre analýzu zásahov je zvukové funkcierozdelené do rôznych kategórií: charakteristiky „nálady“ (tanečnosť, energia, valencia, tempo), fyzikálne vlastnosti (hlasitosť, rečovosť, inštrumentálnosť), kontext (akustika, živosť) a hudobné segmenty (tónina, mód). Každá z týchto premenných je starostlivo definovaná a normalizovaná.
Napríklad tanečnosť sa vyjadruje ako hodnota medzi 0 a 1, ktorá sumarizuje aké ľahké je tancovať na pieseňNa základe prvkov, ako je rytmus, stabilita tempa a sila rytmu, sa energia pohybuje od 0 do 1, pričom sa snaží zachytiť, či skladba znie intenzívne, rýchlo a silno, oproti niečomu pokojnejšiemu alebo jemnejšiemu.
Valencia opisuje, vnímaná emocionálna „pozitivita“ V audiu nízke hodnoty zodpovedajú smutným, napätým alebo pochmúrnym pocitom, zatiaľ čo vysoké hodnoty sa hodia k veselej, jasnej alebo euforickej hudbe. Akustika meria pravdepodobnosť, že skladba bude akustická, živosť prítomnosť živého publika v nahrávke a rečovosť odráža podiel hovorených slov v mixe (veľmi vysoké, napríklad v podcastoch alebo skladbách s hovoreným slovom).
Ďalšími dôležitými parametrami sú tempo v BPMcelková dĺžka trvania, tónina (kódovaná ako celé číslo), mód (durový alebo mollový) a popularita skladby. Posledná menovaná je interná metrika Spotify, ktorá sa pohybuje od 0 do 100. Záleží to od objemu streamov aj od ich aktuálnosti.Skladba, ktorá bola pred rokmi veľmi populárna, ale už sa takmer nehráva, časom zaznamená pokles sledovanosti.
Ako pripraviť a vyčistiť súbor údajov, aby bolo možné predpovedať zhody
Jeden krok, ktorý sa pri diskusii o analýze hitov Spotify často prehliada, je príprava súboru údajovV danej štúdii boli údaje zhromaždené pomocou R a RStudio, pričom sa volalo rozhranie Spotify API pre rôzne kombinácie trhu (India), žánrov a podžánrov vybraných podľa ich globálnej a lokálnej váhy.
Pri kombinovaní skladieb z rôznych tematických playlistov je bežné, že sa veľa skladieb opakuje, pretože tá istá skladba sa môže objaviť v rôznych zoznamoch. Keďže cieľom nebolo analyzovať samotnú stratégiu playlistov, ale skôr charakteristiky skladieb, bolo Odstránili duplicitné skladbyčím sa celková základňa znížila zo 46 417 na približne 39 147 unikátnych skladieb.
Stĺpce, ktoré sa v modeloch nemali používať ako vysvetľujúce premenné, ako napríklad interpret, ID a názov albumu a polia špecifické pre zoznam skladieb, boli odstránené. Zároveň, Štandardizovali názvy polí a typy údajov boli upravené: napríklad popularita, režim, kľúč a trvanie boli prevedené na číselné hodnoty typu float, aby sa uľahčilo štatistické spracovanie.
Kľúčovým rozhodnutím bolo transformovať popularitu na lepšie zvládnuteľnú premennú. Namiesto práce so spojitou hodnotou od 0 do 100, prah pre oddelenie populárnych a nepopulárnych skladiebAk vezmeme do úvahy 85. percentil distribúcie (pri popularite okolo 65), skladby nad touto hodnotou boli považované za „populárne“ a zvyšok za „nepopulárne“.
Týmto spôsobom bol súbor údajov rozdelený na takmer 6 000 populárnych piesní a približne 33 000 nepopulárnychPre prieskumnú analýzu boli údaje dokonca rozdelené do piatich tried popularity (veľmi vysoká, vysoká, stredná, nízka a veľmi nízka) s intervalmi 20 bodov, čo umožnilo porovnanie jemných trendov medzi úrovňami úspešnosti.
Okrem toho bola z názvov skladieb vygenerovaná nová premenná: a indikátor sentimentuPomocou knižnice TextBlob v jazyku Python bola vypočítaná polarita každého názvu (číslo medzi -1 a 1) a klasifikovaná ako pozitívna, negatívna alebo neutrálna. Táto číselná hodnota bola pridaná do dátového rámca s cieľom preskúmať, či tón názvu súvisí s jeho popularitou.
Prieskum dát: čo odlišuje najpopulárnejšie piesne
Pred trénovaním akéhokoľvek modelu strojového učenia je nevyhnutné venovať čas vizuálne a štatistické skúmanie údajovV prípade tejto štúdie boli analyzované distribučné krivky, priemery podľa skupiny popularity a vzťahy medzi emóciami a úspechom.
Jedno z pozoruhodných zistení sa týka popularity najúspešnejších skladieb. Pri pohľade na skladby s hodnotením popularity nad 90 sa zistilo, že Väčší počet z nich bol pod hodnotou 0,5 vo ValenciiInými slovami, zneli smutnejšie, skôr pochmúrne alebo melancholicky ako veselo. Nebola to absolútna dominancia, ale bola to jasná tendencia.
Keď sa vykreslilo rozdelenie popularity podľa pohlavia, väčšina kriviek prijala približný tvar zvonus mnohými skladbami okolo priemeru a menším počtom extrémov. Žánre ako rock, R&B, EDM, world music a indická hudba však vykazovali určitú asymetriu kvôli veľkému počtu skladieb s nulovou popularitou. Naproti tomu štýly ako pop, rap, latin a desi sa zdali byť vyváženejšie a s menšou koncentráciou skladieb s nulovým hodnotením.
To naznačuje, že v tých mainstreamovejších žánroch je to vo všeobecnosti ľahšie dosiahnuť určitú úroveň popularityaj keď piesne nemajú všetky ideálne vlastnosti, zatiaľ čo v iných štýloch je rozdelenie úspechu polarizovanejšie.
Pri porovnaní priemerov rôznych funkcií podľa triedy popularity sa objavil veľmi jasný vzorec: najúspešnejšie témy majú tendenciu väčšia energia a väčšia hlasitosť (vnímaná hlasitosť)ako aj viac inštrumentalizmu a menej reči. Jednoducho povedané, skladby, ktoré dosahujú najlepšie výsledky pri streamovaní, bývajú silnejšie a viac zamerané na hudbu ako na hovorené slová.
Bolo tiež pozorované, že populárne skladby obsahujú nižšia akustika a nižšia živosťInými slovami, znejú menej „akusticky“ a menej „naživo“. Sú viac štúdiovo produkované, uhladenejšie, s menším množstvom ambientného hluku alebo koncertného pocitu.
Ďalším kľúčovým zistením je, že populárne piesne majú tendenciu byť kratšie ako tie nepopulárneV kontexte, kde príjmy závisia od počtu streamov a algoritmy odmeňujú opakovanie, dáva zmysel, že kratšie skladby môžu rýchlejšie akumulovať počet prehratí a stať sa „vhodnejšími“ pre playlisty.
Pokiaľ ide o vnímané šťastie (valenciu), trend je zvláštny: úrovne stúpajú od nižších tried popularity k „vyššej“ triede, ale v najextrémnejšej kategórii, „veľmi vysokej“, dochádza k výraznému poklesu. Inými slovami, Superpopulárne piesne majú tendenciu zneť smutnejšie ako tie, ktoré sú len „úspešné“.To otvára dvere mnohým interpretáciám o verejnom vkuse a sociálno-emocionálnom kontexte.
Štatistická analýza: vplyv žánrov a zvukových atribútov
Po preskúmaní údajov bolo ďalším krokom ich aplikácia formálne štatistické testy aby sa zistilo, ktoré premenné by sa mohli považovať za relevantné pri vysvetľovaní popularity. Na preskúmanie, či pohlavie ovplyvnilo úspech, bola použitá analýza rozptylu (ANOVA) s deviatimi hlavnými žánrami.
Výsledok ANOVA priniesol veľmi vysokú hodnotu F a prakticky nulovú významnosť, čo znamená, že Medzi žánrami existujú štatisticky významné rozdiely v populariteTo však nestačí: je tiež dôležité vedieť, medzi ktorými pármi pohlaví sa tieto rozdiely vyskytujú a či bude premenná užitočná pre prediktívny model.
Keďže rozptyly neboli homogénne a počet skladieb v jednotlivých žánroch sa líšil, použilo sa nasledovné: Post-hoc test Games-HowellTáto analýza umožnila overiť, ktoré kombinácie pohlaví nevykazovali významné rozdiely v popularite, čo celkovo znemožňovalo používanie pohlavia ako silného prediktora v modeloch strojového učenia.
Súbežne sa uskutočnili nasledujúce nezávislé t-testy Pre každý zvukový prvok boli porovnané priemery medzi skupinou populárnych piesní a skupinou nepopulárnych piesní. S hladinou významnosti 95 % sa zistilo, že takmer všetky premenné (tanečnosť, energia, hlasitosť, akustika, živosť, trvanie, tempo, valencia a inštrumentálnosť) vykazovali významné rozdiely medzi týmito dvoma skupinami.
Jedinou zdanlivou výnimkou bola rečnosťV prvom teste nebol rozdiel v priemeroch významný, ale ďalšia analýza ukázala, že rozsahy prejavu pre veľmi populárne témy (s hodnotami medzi 0,024 a 0,685) spadali do širšieho rozsahu menej populárnej triedy (medzi 0 a 0,964). Toto prekrývanie nezabránilo prejavu, ak sa efektívne použil, prispieť informáciami do modelu, a preto sa rozhodlo ponechať ho ako prediktor.
Stručne povedané, blok zvukových funkcií demonštroval jasná opisná schopnosť týkajúca sa popularity, zatiaľ čo s pohlavím sa zaobchádzalo opatrnejšie a v niektorých predikčných prístupoch bolo vylúčené ako primárna premenná.
Vytváranie modelov strojového učenia na predpovedanie zásahov
S čistým súborom údajov a vybranými relevantnými premennými nastal čas vytvoriť binárne klasifikačné modely schopný predpovedať, či skladba patrí medzi prvých 15 % popularity. Na tento účel boli kategorické premenné key a mode najprv prevedené na fiktívne premenné pomocou funkcie get_dummies v Pandas.
Po začlenení týchto figurín boli pôvodné stĺpce pre kľúč a mód, ako aj pre pokračujúcu popularitu, odstránené a cieľová premenná zostala zachovaná. binárne pole popularity (populárne vs. nepopulárne). Pred trénovaním modelov boli všetky numerické charakteristiky štandardizované pomocou StandardScaler, pretože pracovali na veľmi odlišných mierkach a bolo dôležité, aby mali porovnateľnú váhu.
Dátový súbor bol rozdelený na trénovací a testovací pomocou funkcie train_test_split, pričom časť 20 % registrácií na testovanieTýmto spôsobom sa predišlo úniku informácií a zabezpečilo sa, že výkonnostné metriky odrážali skutočnú zovšeobecniteľnosť modelov, a nielen ich schopnosť zapamätať si tréningové dáta.
Prvým aplikovaným modelom bol Logistická regresiaTáto technika sa široko používa v binárnej klasifikácii. Iteratívna verzia s mierou učenia 0,01 a 200 iteráciami bola implementovaná a vyhodnotená pomocou krížovej validácie. Priemerná presnosť dosiahla približne 84,7 %, čo je pozoruhodne silný výsledok pre taký zložitý problém, akým je predpovedanie hudobného úspechu.
Potom bol algoritmus otestovaný K-Nearest Neighbors (KNN)ktorý klasifikuje každú skladbu podľa k najbližších susedov v priestore prvkov. Úprava hodnoty ky pomocou vyhľadávania v mriežke na nájdenie optimálnej konfigurácie priniesla veľmi podobnú presnosť, okolo 84,8 %, s miernym zlepšením skóre krížovej validácie v porovnaní s logistickou regresiou.
Ďalším modelom bol Stroj s podpornými vektormi (SVM)Použila sa aj ďalšia kontrolovaná technika schopná spracovať lineárne aj nelineárne vzťahy. Opäť sa pomocou hyperparametrického fitovania dosiahla presnosť okolo 84,6 % s ekvivalentnými hodnotami pri krížovej validácii, čo naznačuje stabilný výkon.
Hodnotené bolo aj: Naivný Bayesov klasifikátorNa základe hypotézy nezávislosti medzi znakmi. Napriek tomu, že ide o oveľa jednoduchší model z hľadiska predpokladov, jeho výsledky presnosti (približne 84,6 %) boli na rovnakej úrovni ako SVM a veľmi blízke logistickej regresii a KNN, čo posilňuje myšlienku, že štruktúra problému sa dobre hodí pre tento typ pravdepodobnostného prístupu.
Nakoniec boli testované modely založené na rozhodovacích stromoch. Klasifikátor rozhodovacieho stromu Dosiahla výrazne nižšiu presnosť, okolo 75,4 %, a krížová validácia potvrdila tento pokles výkonu, pravdepodobne v dôsledku problémov s preusporiadaním. Klasifikátor náhodných lesov, ktorý kombinuje mnoho stromov na vyhladenie týchto efektov, sa výrazne zlepšil a dosiahol presnosť okolo 84,1 % a viac ako 84 % v krížovej validácii.
Na dokončenie analýzy, a matica zmätku a klasifikačná správa pre Náhodný les. Model preukázal vynikajúcu schopnosť identifikovať nepopulárne piesne (väčšinová trieda) s presnosťou 0,85 a úplnosťou blízkou 0,99, zatiaľ čo jeho výkon v triede populárnych piesní (menšinová trieda) bol skromnejší s presnosťou 0,40 a úplnosťou 0,05. To zdôrazňuje klasický problém nerovnováhy tried v tomto type problému.
Dôležitosť premenných: čo má najväčšiu váhu pri vytváraní hitu
Okrem toho, že vieme, ktorý model je presnejší, je kľúčové pochopiť ktoré funkcie skutočne poskytujú užitočné informácie pri predpovedaní, či bude skladba populárna. Na tento účel bol použitý XGBoost (XGBClassifier) na získanie variabilných skóre dôležitosti na základe príspevku každej vlastnosti k zníženiu chýb v rozhodovacích stromoch.
Výsledky ukázali, že Dĺžka skladby jednoznačne vyčnievala z porovnaní s ostatnýmis F-skóre výrazne nad 400. Toto zistenie je v súlade s myšlienkou, že kratšie skladby povzbudzujú k opakovanému počúvaniu, a preto sa nahromadí viac prehratí za kratší čas, čo algoritmus odporúčaní Spotify zvyčajne odmeňuje.
Na opačnom extréme sú premenné ako tónina, mód alebo pocit, akoby som ho prevzal z názvu Dosiahli skóre dôležitosti pod 50, čo naznačuje, že ich príspevok k celkovej predikčnej sile modelu bol malý. To neznamená, že nemajú žiadny vplyv, ale skôr to, že v porovnaní s inými znakmi je ich váha oveľa menšia.
Zvyšné zvukové atribúty (ako energia, tanečnosť, valencia, hlasitosť, akustika, živosť, rečovosť a inštrumentálnosť) boli v strednom rozsahu s F-skóre medzi 200 a 300, čo naznačuje, že Tvoria pomerne vyvážený informačný blokŽiaden z nich úplne nedominuje, ale všetky spolu pomáhajú vytvoriť si pomerne presný obraz o šanciach piesne na úspech.
Celkovo boli modely založené na zvukových vlastnostiach schopné predpovedať s približne úspešnosť 84 – 85 %, ak by indícia bola súčasťou najpopulárnejších 15 %Toto poskytuje určitú empirickú podporu starej intuícii „vedy o hitoch“: s dobrými údajmi a vhodnými technikami nie je hudobný úspech čisto náhodný, hoci stále existuje významná nepredvídateľná zložka.
Obraz vykreslený touto analýzou ukazuje, že kombinácia údajov zo Spotify, tradičných štatistík a modelov strojového učenia nám umožňuje ísť ďaleko za rámec jednoduchého počítania streamov. Pochopenie vplyvu trvania, energie, valencie a inštrumentality spolu s úlohou redakčných playlistov a dynamiky odporúčaní platformy poskytuje umelcom, vydavateľstvám a analytikom veľmi konkrétny plán na interpretáciu toho, prečo sa určité skladby stávajú hitmi a ako môžu maximalizovať svoje šance na zaradenie sa do tejto vybranej skupiny bez toho, aby úplne stratili ľudský a kreatívny prvok, ktorý sa, našťastie, nedá zredukovať na akýkoľvek vzorec.
