Analiza uspešnic Spotifyja: podatki, algoritmi in znanost glasbenega uspeha

Informatec Digital » Viri » Analiza uspešnic Spotifyja: podatki, algoritmi in znanost glasbenega uspeha

Spotify je postal popoln laboratorij za preučevanje, kaj naredi pesem uspešnicoImamo podatke o predvajanju v realnem času, napredne meritve za izvajalce in milijone poslušalcev, ki se vsako sekundo odločajo. Spotify se je daleč od tega, da bi bil le platforma za poslušanje, preobrazil v ogromno Baza podatkov kjer je mogoče analizirati vzorce, čustva, žanre in strategije seznamov predvajanja, da bi razumeli, zakaj nekatere pesmi postanejo priljubljene, druge pa potonejo v pozabo.

V zadnjih letih so orodja, akademske raziskave in modeli strojnega učenja posvečen Analiza uspešnic SpotifyjaOd preučevanja uredniških lestvic, kot sta Today's Top Hits ali Rap Caviar, do gradnje algoritmov, ki lahko napovedo, ali bo skladba spadala v najbolj priljubljeno skupino v katalogu. Hkrati je Spotify for Artists demokratiziral dostop do teh meritev, kar omogoča vsakemu izvajalcu, da vidi, kdo ga posluša, kje in kako ga odkrivajo, ter temu primerno prilagodi svojo ustvarjalno in trženjsko strategijo.

Kaj točno je analiza zadetkov na Spotifyju in zakaj je pomembna?

Ko bomo govorili Analiza uspešnic Spotifyja Ne govorimo le o tem, kolikokrat je bila pesem predvajana. Gre za širši pristop, ki združuje zvok, kontekst in vedenje uporabnikov, da bi odgovoril na neprijetno, a ključno vprašanje: ali je mogoče napovedati uspeh pesmi, preden je izdana? Raziskovalci s pomočjo podatkov iz Spotifyjevega API-ja delajo s spremenljivkami, kot so priljubljenost, energija, valenca, trajanje, tempo in plesnost, da bi se poskušali približati temu odgovoru.

Ta pristop ima korenine v tako imenovanem "Znanost uspešnic"To idejo, ki jo je v začetku 2000-ih populariziral Mike McCready, vključuje uporabo algoritmov in matematičnih modelov za napovedovanje, katere pesmi se bodo dobro odrezale na lestvicah in radiu. Medtem ko so zgodnje študije pokazale, da je to zelo težko (in da modeli niso bili dovolj natančni), se je pokrajina popolnoma spremenila s prihodom pretakanja, ogromnim povečanjem količine podatkov in izpopolnjevanjem tehnik strojnega učenja.

Danes Spotify ponuja API z dostopom do več deset tisoč skladb. glasbene in kontekstualne lastnostiOd tonalitete in načina do verjetnosti, da je skladba akustična ali instrumentalna, vključno z metrikami, posebej zasnovanimi za opis dojemanja pesmi (energija, valenca, plesnost itd.). Vse to nam omogoča prehod od subjektivnih mnenj k veliko natančnejšim kvantitativnim analizam.

Vzporedno z orodjem Spotify za umetnike Ustvarjalcem pomaga, da se ne izgubijo v nečimrnih metrikah in se osredotočijo na tisto, kar je resnično pomembno: dolgoročni razvoj občinstva, angažiranost, zadrževanje in kako trženjska prizadevanja vplivajo na ustvarjanje pravih oboževalcev. Z drugimi besedami, številke, da, vendar s kontekstom in strateškim namenom.

Uradni seznami predvajanja in strategija: teža uredniških seznamov

Eden najpomembnejših delov vsake resne analize uspešnic na Spotifyju je vloga uradni uredniški seznami predvajanjaLestvice, kot so Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint ali ¡Viva Latino!, delujejo kot ogromni ojačevalci: če se uvrstite na eno od njih, lahko popolnoma spremenite smer pesmi ali celo kariere.

Orodja drugih ponudnikov, kot je Soundcharts, vam omogočajo, da vidite kako se izvajalec obnaša na teh seznamih predvajanjaŠtevilo nastopov, dolžina bivanja, trgi, kjer imajo največji vpliv itd. Tovrstna analiza jasno kaže, da prisotnost na uredniških seznamih ni okras, temveč ključni element strategije rasti na platformi.

Pri izdelavi kakovostnih seznamov predvajanja obstajajo določena ponavljajoča se merila. Ceni se na primer, da obstajajo različni umetniki namesto vedno znova ponavljanja istih imenSeznami, kjer se isti izvajalec pojavi prevečkrat, imajo običajno slabše ocene, ker zmanjšajo poslušalčev občutek odkrivanja.

Tudi iščem skladna uravnoteženost spolovKo seznam predvajanja meša preveč stilov brez jasne smeri, Izkušnje Postane razdrobljen in ocena pada. Najbolje zaznane lestvice se običajno osredotočajo na enega ali nekaj dobro opredeljenih žanrov, kar uporabniku pomaga na prvi pogled razumeti, kaj lahko pričakuje, ko pritisne predvajanje.

Drugi ključni vidik je mešanica znanih in novih temSeznami predvajanja, ki vključujejo samo velike uspešnice, so v redu, vendar ponujajo malo možnosti za odkrivanje. Nasprotno pa seznami predvajanja, ki združujejo uveljavljene pesmi z manj znanimi biseri, običajno ustvarijo večjo angažiranost in pomagajo ustvariti nove uspešnice.

Končno obstaja soglasje, da bi moral dober seznam predvajanja imeti vsaj približno 50 skladb za popolno izkušnjoLestvice z manj kot 10 skladbami so pogosto dojete kot slabe in dobijo nižje ocene, kar vpliva tudi na uspešnost skladb, ki jih vključujejo.

Kratka zgodovina Spotifyja in izvor njegove analitike

Preden je Spotify lahko izvajal napredno analizo uspešnic, je morala platforma sama najti svoje mesto v glasbeni industriji. Ideja, ki jo je zasnoval soustanovitelj Daniel Ek, se je pojavila po propadu Napsterja leta 2002. Želel je ustvariti storitev, ki bi bila "boljša od piratstva, a hkrati tudi plačana industriji".Takrat je Ek vodil uTorrent, enega glavnih odjemalcev za prenos in deljenje P2P, zato je imel neposredne izkušnje s svetom nepooblaščene distribucije.

Potem ko je konec leta 2006 prodal uTorrent podjetju BitTorrent, se je Ek v celoti osredotočil na izgradnjo Spotifyja. Aplikacija je bila uradno predstavljena leta 2008 na Švedskem, potem ko je dosegla sporazumi o licenciranju in kapitalski udeležbi z večjimi glasbenimi korporacijamiSony Music Entertainment, Universal Music Group in Warner Music Group. Leto kasneje se je razširil v Združeno kraljestvo in leta 2011 pristal v Združenih državah Amerike.

V tem začetnem obdobju se je baza plačljivih naročnikov povečala s približno 1 milijona v Evropi na približno 4 milijone po vsem svetu leta 2012Do leta 2016 je Spotify že napovedal 40 milijonov plačljivih uporabnikov in približno 100 milijonov skupnih uporabnikov, s čimer je pretakanje utrdil položaj prevladujoče oblike uživanja glasbe po vsem svetu.

Hkrati so se začela pojavljati podatkovna orodja za umetnike. Najprej je bilo Vpogledi oboževalcevTa rešitev je nekaterim ekipam ponudila omejen dostop do podatkov o pretakanju: demografskih podatkov, geografije in osnovnih trendov. Leta 2017 se je ta rešitev razvila v Spotify for Artists, ki je vsem umetnikom odprla vrata do vpogleda v njihove ključne meritve in uporabe podatkov za sprejemanje odločitev o turnejah, izdajah in promociji.

Leta 2018 je podjetje postalo javno s tržno kapitalizacijo približno 30.000 milijonovOd takrat število trgov, kjer deluje, še naprej narašča, s tem pa tudi pomen analitike znotraj platforme. Kar se je začelo kot licencirani predvajalnik medijev, se je razvilo v globalno infrastrukturo, kjer podatki kraljujejo.

Metrike Spotifyja: kako meriti pesem onkraj pretočnih predvajanj

Za izgradnjo modelov za napovedovanje zadetkov je najprej treba razumeti, kakšne vrste podatki, ki jih zagotavlja Spotify APIV eni študiji, osredotočeni na indijski trg, je bilo na primer iz seznamov predvajanja, ki jih je ustvaril Spotify, izvlečenih več kot 46.000 pesmi, ki so zajemale širok spekter žanrov in podžanrov.

Informacije so organizirane v več razdelkov. Na ravni skladb najdemo podatke, kot so identifikator, naslov, izvajalec, priljubljenost, datum izdaje in trajanje v milisekundahNa ravni albuma se shranita ID in ime. Na ravni seznama predvajanja se prikažejo ime, ID, žanr in pripadajoči podžanr.

Najbolj zanimiva stvar za analizo zadetkov pa je zvočne funkcijerazdeljeno v različne kategorije: značilnosti »razpoloženja« (plesnost, energija, valenca, tempo), fizične lastnosti (glasnost, govornost, instrumentalnost), kontekst (akustika, živahnost) in glasbeni segmenti (tonaliteta, način). Vsaka od teh spremenljivk je skrbno definirana in normalizirana.

Plesnost je na primer izražena kot vrednost med 0 in 1, ki povzema kako enostavno je plesati na pesemNa podlagi elementov, kot so ritem, stabilnost tempa in moč ritma, se energija giblje tudi od 0 do 1, s čimer poskuša zajeti, ali skladba zveni intenzivno, hitro in močno v primerjavi z nečim mirnejšim ali mehkejšim.

Valencia opisuje zaznana čustvena "pozitivnost" V zvoku nizke vrednosti ustrezajo žalostnim, napetim ali mračnim občutkom, visoke vrednosti pa veseli, svetli ali evforični glasbi. Akustika meri verjetnost, da je skladba akustična, živahnost prisotnost živega občinstva v posnetku, govorljivost pa odraža delež izgovorjenih besed v mešanici (zelo visoke, na primer v podkastih ali skladbah z izgovorjenimi besedami).

Drugi pomembni parametri so tempo v BPMskupno trajanje, tonaliteta (kodirana kot celo število), način (durovski ali molovski) in priljubljenost skladbe. Slednja je interna metrika Spotifyja, ki sega od 0 do 100. Odvisno je tako od količine pretočnih vsebin kot tudi od tega, kako nedavno so predvajane.Pesem, ki je bila pred leti zelo priljubljena, a se je skoraj ne predvaja več, bo sčasoma doživela padec gledanosti.

Kako pripraviti in očistiti nabor podatkov, da bi lahko napovedali zadetke

En korak, ki ga pogosto spregledamo pri razpravi o analizi zadetkov na Spotifyju, je priprava nabora podatkovV obravnavani študiji so bili podatki zbrani z uporabo R in RStudio, pri čemer je bil za različne kombinacije trga (Indija), žanrov in podžanrov, izbranih glede na njihovo globalno in lokalno težo, klican Spotify API.

Pri kombiniranju skladb z različnih tematskih seznamov predvajanja se pogosto zgodi, da se veliko skladb ponavlja, saj se ista skladba lahko pojavi na različnih seznamih. Ker cilj ni bil analizirati samo strategijo seznamov predvajanja, temveč značilnosti skladb, je bilo Odstranili so podvojene skladbezmanjšanje skupne baze s 46.417 na približno 39.147 edinstvenih pesmi.

Stolpci, ki v modelih niso bili uporabljeni kot pojasnjevalne spremenljivke, kot so izvajalec, ID in ime albuma ter polja, specifična za seznam predvajanja, so bili odstranjeni. Hkrati pa Standardizirali so imena polj in tipi podatkov so bili prilagojeni: na primer priljubljenost, način, ključ in trajanje so bili pretvorjeni v numerične vrednosti s plavajočo plovbo, da bi olajšali statistično obdelavo.

Ključna odločitev je bila preoblikovati priljubljenost v bolj obvladljivo spremenljivko. Namesto dela z neprekinjeno vrednostjo od 0 do 100 je bila prag za ločevanje priljubljenih in nepriljubljenih pesmiČe upoštevamo 85. percentil porazdelitve (okoli priljubljenosti 65), so bile skladbe nad to vrednostjo ocenjene kot "priljubljene", preostale pa kot "nepriljubljene".

Na ta način je bil nabor podatkov razdeljen na skoraj 6.000 priljubljenih pesmi in približno 33.000 nepriljubljenihZa raziskovalno analizo so bili podatki celo razdeljeni v pet razredov priljubljenosti (zelo visoka, visoka, srednja, nizka in zelo nizka) z intervali po 20 točk, kar je omogočilo primerjavo drobnih trendov med stopnjami uspeha.

Poleg tega je bila iz naslovov pesmi ustvarjena nova spremenljivka: a kazalnik razpoloženjaZ uporabo knjižnice TextBlob v Pythonu je bila izračunana polarnost vsakega naslova (število med -1 in 1) in razvrščena kot pozitivna, negativna ali nevtralna. Ta številčna vrednost je bila dodana podatkovnemu okviru, da bi preučili, ali je ton naslova povezan z njegovo priljubljenostjo.

Raziskovanje podatkov: kaj razlikuje najbolj priljubljene pesmi

Preden se lotimo učenja katerega koli modela strojnega učenja, je bistveno, da si namenimo čas vizualno in statistično raziskovanje podatkovV primeru te študije so bile analizirane krivulje porazdelitve, povprečja na skupino priljubljenosti in odnosi med čustvi in ​​uspehom.

Ena od presenetljivih ugotovitev se nanaša na priljubljenost najuspešnejših pesmi. Pri skladbah z oceno priljubljenosti nad 90 je bilo ugotovljeno, da Večje število jih je bilo pod vrednostjo 0,5 v ValenciiZ drugimi besedami, zveneli so bolj žalostno, bolj mračno ali melanholično kot veselo. Ni bila absolutna prevlada, je pa bila jasna tendenca.

Ko je bila prikazana porazdelitev priljubljenosti po spolu, je večina krivulj uporabila približna oblika zvonaz veliko skladbami okoli povprečja in manj na skrajnih mejah. Vendar pa so žanri, kot so rock, R&B, EDM, world music in indijska glasba, pokazali nekaj asimetrije zaradi velikega števila skladb z ničelno priljubljenostjo. Nasprotno pa so se slogi, kot so pop, rap, latin in desi, zdeli bolj uravnoteženi in z manjšo koncentracijo skladb z ničelno oceno.

To kaže, da je v teh bolj običajnih žanrih na splošno tako, lažje doseči določeno raven priljubljenostičetudi pesmi nimajo vseh idealnih lastnosti, medtem ko je pri drugih slogih porazdelitev uspeha bolj polarizirana.

Pri primerjavi povprečij različnih funkcij glede na razred priljubljenosti se je pojavil zelo jasen vzorec: najuspešnejše teme imajo običajno večja energija in večja glasnost (zaznana glasnost)pa tudi več instrumentalizma in manj govora. Preprosto povedano, pesmi, ki se najbolje obnesejo pri pretakanju, so običajno močnejše in bolj osredotočene na glasbo kot na govorjene besede.

Opazili so tudi, da priljubljene skladbe vključujejo nižja akustika in manjša živahnostZ drugimi besedami, zvenijo manj "akustično" in manj "v živo". So bolj studijsko producirani, bolj dodelani, z manj ambientalnega hrupa ali koncertnega občutka.

Druga ključna ugotovitev je, da so priljubljene pesmi ponavadi krajši od nepriljubljenihV kontekstu, kjer so prihodki odvisni od števila predvajanj in algoritmi nagrajujejo ponavljanje, je smiselno, da se krajše skladbe hitreje predvajajo in postanejo bolj "prijazne" za sezname predvajanja.

Glede zaznane sreče (valence) je trend nenavaden: ravni se dvigajo od nižjih razredov priljubljenosti do "višjega" razreda, v najbolj skrajni kategoriji, "zelo visoki", pa opazimo izrazit padec. Z drugimi besedami, Super priljubljene pesmi ponavadi zvenijo bolj žalostno kot zgolj "uspešne".To odpira vrata številnim interpretacijam o javnem okusu in družbeno-čustvenem kontekstu.

Statistična analiza: vpliv žanrov in zvočnih atributov

Ko so bili podatki raziskani, je bil naslednji korak uporaba formalni statistični testi da bi ugotovili, katere spremenljivke bi lahko šteli za pomembne pri razlagi priljubljenosti. Za preučitev, ali spol vpliva na uspeh, je bila uporabljena analiza variance (ANOVA) z devetimi glavnimi žanri.

Rezultat ANOVA je dal zelo visoko F-vrednost in praktično ničelno statistično značilnost, kar pomeni, da Med žanri obstajajo statistično značilne razlike v priljubljenostiVendar to ni dovolj: pomembno je tudi vedeti, med katerimi pari spolov se te razlike pojavljajo in ali bo spremenljivka uporabna za napovedni model.

Ker variance niso bile homogene in se je število pesmi na žanr razlikovalo, je bilo uporabljeno naslednje: Games-Howell post-hoc testTa analiza je omogočila preverjanje, katere kombinacije spolov niso pokazale pomembnih razlik v priljubljenosti, zaradi česar je bila uporaba spola kot močnega napovedovalca v modelih strojnega učenja na splošno manj priporočljiva.

Vzporedno so bili izvedeni naslednji neodvisni t-testi Za vsako zvočno značilnost so bile primerjane povprečne vrednosti med skupino priljubljenih pesmi in skupino nepriljubljenih pesmi. Z 95-odstotno stopnjo pomembnosti je bilo ugotovljeno, da so se skoraj vse spremenljivke (plesnost, energija, glasnost, akustika, živahnost, trajanje, tempo, valenca in instrumentalnost) med skupinama pomembno razlikovale.

Edina navidezna izjema je bila govorljivostV prvem testu razlika v povprečjih ni bila pomembna, vendar je nadaljnja analiza pokazala, da so razponi govorljivosti za zelo priljubljene teme (z vrednostmi med 0,024 in 0,685) spadali v širši razpon manj priljubljenega razreda (med 0 in 0,964). To prekrivanje ni preprečilo, da bi govorljivost, kadar je bila učinkovito uporabljena, prispevala informacije k modelu, zato je bilo odločeno, da jo ohranimo kot napovedovalec.

Skratka, blok zvočnih funkcij je pokazal jasna opisna moč glede priljubljenosti, medtem ko je bil spol obravnavan bolj previdno in je bil v nekaterih napovednih pristopih izključen kot primarna spremenljivka.

Izdelava modelov strojnega učenja za napovedovanje zadetkov

Ko je bil nabor podatkov čist in so bile izbrane ustrezne spremenljivke, je bil čas za ustvarjanje binarni klasifikacijski modeli sposoben napovedati, ali pesem spada med 15 % najboljših priljubljenosti. Da bi to dosegli, sta bili kategorični spremenljivki key in mode najprej pretvorjeni v navidezne spremenljivke z uporabo funkcije get_dummies v programu Pandas.

Po vključitvi teh lutk so bili prvotni stolpci za ključ in način ter nadaljnjo priljubljenost odstranjeni, ciljna spremenljivka pa je bila ohranjena. binarno polje priljubljenosti (priljubljeno v primerjavi z nepriljubljenim). Pred učenjem modelov so bile vse numerične značilnosti standardizirane s StandardScalerjem, saj so delovale na zelo različnih lestvicah in je bilo pomembno, da so imele primerljivo težo.

Nabor podatkov je bil razdeljen na učni in testni del z uporabo funkcije train_test_split, pri čemer je bil del rezerviran 20 % prijav za testiranjeNa ta način se je preprečilo uhajanje informacij in zagotovilo se je, da so metrike učinkovitosti odražale dejansko posplošljivost modelov in ne le njihovo sposobnost pomnjenja učnih podatkov.

Prvi uporabljeni model je bil Logistična regresijaTa tehnika se pogosto uporablja v binarni klasifikaciji. Implementirana je bila iterativna različica s stopnjo učenja 0,01 in 200 iteracijami, ki je bila ovrednotena z uporabo navzkrižne validacije. Povprečna natančnost je dosegla približno 84,7 %, kar je izjemno dober rezultat za tako kompleksen problem, kot je napovedovanje glasbenega uspeha.

Nato je bil algoritem preizkušen K-najbližji sosedje (KNN)ki vsako pesem razvrsti glede na k najbližjih sosedov v prostoru značilnosti. Prilagajanje vrednosti ky z uporabo iskanja po mreži za iskanje optimalne konfiguracije je dalo zelo podobno natančnost, okoli 84,8 %, z rahlim izboljšanjem rezultata navzkrižne validacije v primerjavi z logistično regresijo.

Naslednji model je bil Stroj podpornih vektorjev (SVM)Uporabljena je bila še ena nadzorovana tehnika, ki je sposobna obravnavati tako linearne kot nelinearne odnose. Tudi s hiperparametrskim prilagajanjem je bila dosežena natančnost okoli 84,6 %, z enakovrednimi vrednostmi pri navzkrižni validaciji, kar kaže na stabilno delovanje.

Ocenjeno je bilo tudi naslednje: Naivni Bayesov klasifikatorNa podlagi hipoteze o neodvisnosti med značilkami. Čeprav je model veliko enostavnejši glede predpostavk, so bili njegovi rezultati natančnosti (približno 84,6 %) na ravni SVM in zelo blizu logistični regresiji in KNN, kar potrjuje idejo, da se struktura problema dobro poda k tej vrsti verjetnostnega pristopa.

Nazadnje so bili testirani modeli, ki temeljijo na odločitvenih drevesih. Klasifikator odločitvenega drevesa Dosegel je bistveno nižjo natančnost, okoli 75,4 %, navzkrižna validacija pa je potrdila ta padec zmogljivosti, verjetno zaradi težav s prekomernim prilagajanjem. Klasifikator naključnih gozdov, ki združuje številna drevesa za zglajevanje teh učinkov, se je znatno izboljšal in dosegel približno 84,1-odstotno natančnost in več kot 84-odstotno pri navzkrižni validaciji.

Za dokončanje analize je matrika zmede in poročilo o klasifikaciji za Naključni gozd. Model je pokazal odlično sposobnost prepoznavanja nepriljubljenih pesmi (večinski razred) z natančnostjo 0,85 in odpoklicem blizu 0,99, medtem ko je bila njegova uspešnost v razredu priljubljenih pesmi (manjšina) skromnejša, z natančnostjo 0,40 in odpoklicem 0,05. To poudarja klasičen izziv neravnovesja v razredih pri tej vrsti problema.

Pomen spremenljivk: kaj je najpomembnejše pri ustvarjanju zadetka

Poleg tega, da vemo, kateri model je natančnejši, je ključnega pomena razumeti katere funkcije dejansko zagotavljajo koristne informacije pri napovedovanju priljubljenosti pesmi. V ta namen je bil uporabljen XGBoost (XGBClassifier) ​​za pridobitev spremenljivih ocen pomembnosti, ki temeljijo na prispevku posamezne značilnosti k zmanjšanju napak v odločitvenih drevesih.

Rezultati so pokazali, da Dolžina pesmi je očitno izstopala od ostalihz oceno F precej nad 400. Ta ugotovitev se ujema z idejo, da krajše skladbe spodbujajo večkratno poslušanje in zato v krajšem času naberejo več predvajanj, kar Spotifyjev algoritem za priporočila običajno nagrajuje.

Na nasprotni skrajnosti pa spremenljivke, kot so tonaliteta, način ali občutek, kot da je povzet iz naslova Dosegli so ocene pomembnosti pod 50, kar kaže na to, da je bil njihov prispevek k skupni napovedni moči modela majhen. To ne pomeni, da sploh nimajo učinka, temveč da je njihova teža v primerjavi z drugimi značilnostmi veliko manjša.

Preostale zvočne lastnosti (kot so energija, plesnost, valenca, glasnost, akustičnost, živahnost, govornost in instrumentalnost) so bile v srednjem razponu z F-vrednostmi med 200 in 300, kar kaže na to, da Tvorijo dokaj uravnotežen informacijski blokNobeden od njih ne prevladuje popolnoma, a vsi skupaj pomagajo zgraditi dokaj natančno sliko o možnostih uspeha pesmi.

Skupno gledano so modeli, ki temeljijo na zvočnih značilnostih, lahko napovedali s približno 84–85-odstotna stopnja uspešnosti, če bi bil namig del najbolj priljubljenih 15 %To empirično podpira staro intuicijo "znanosti o uspešnicah": z dobrimi podatki in ustreznimi tehnikami glasbeni uspeh ni zgolj naključen, čeprav ostaja pomembna nepredvidljiva komponenta.

Slika, ki jo je naslikala ta analiza, kaže, da nam kombinacija podatkov Spotifyja, tradicionalne statistike in modelov strojnega učenja omogoča, da gremo daleč dlje od preprostega štetja pretokov. Razumevanje vpliva trajanja, energije, valence in instrumentalnosti, skupaj z vlogo uredniških seznamov predvajanja in dinamike priporočil platforme, ponuja izvajalcem, založbam in analitikom zelo konkreten načrt za razlago, zakaj določene pesmi postanejo uspešnice in kako lahko povečajo svoje možnosti za pridružitev tej izbrani skupini, ne da bi pri tem popolnoma izgubili človeški in ustvarjalni element, ki na srečo ostaja nezvedljiv na nobeno formulo.