- API-ja e Spotify ofron dhjetëra variabla audio dhe kontekstuale (energji, valencë, kohëzgjatje, vallëzim, etj.) që ju lejojnë të modeloni dhe kuptoni se çfarë e bën një këngë popullore.
- Analiza statistikore tregon se pothuajse të gjitha karakteristikat audio ndryshojnë midis këngëve popullore dhe jo-popullore, ndërsa zhanri, tonaliteti ose ndjenja e titullit kanë më pak peshë parashikuese.
- Modelet e të mësuarit automatik si Regresioni Logjistik, KNN, SVM, Naive Bayes dhe Random Forest arrijnë rreth 84–85% saktësi në klasifikimin nëse një temë do të jetë në 15% më të popullarizuarat.
- Gjatësia e këngës, energjia, zhurma dhe instrumentaliteti i saj dallohen si faktorë kyç në popullaritetin e saj në Spotify, në një ekosistem ku listat editoriale dhe algoritmi i rekomandimeve janë thelbësore.
Spotify është bërë laboratori perfekt për të studiuar se çfarë e bën një këngë hit : ne kemi të dhëna riprodhimi në kohë reale, metrika të avancuara për artistët dhe miliona dëgjues që marrin vendime çdo sekondë. Larg të qenit thjesht një platformë dëgjimi, Spotify është transformuar në një bazë të dhënash masive ku modelet, emocionet, zhanret dhe strategjitë e listave të këngëve mund të analizohen për të kuptuar pse disa këngë marrin hov dhe të tjerat zhduken në errësirë.
Në vitet e fundit, kanë dalë në pah mjete, kërkime akademike dhe modele të të mësuarit automatik të dedikuara për analizën e hiteve në Spotify : nga studimi i listave editoriale si Today's Top Hits ose Rap Caviar, deri te ndërtimi i algoritmeve të afta për të parashikuar nëse një këngë do t'i përkasë grupit më të popullarizuar në katalog. Në të njëjtën kohë, Spotify for Artists ka demokratizuar aksesin në këto metrika, duke i lejuar çdo artisti të shohë se kush po i dëgjon, ku dhe si po zbulohen, dhe të përshtasë strategjinë e tij krijuese dhe të marketingut në përputhje me rrethanat.
Çfarë është saktësisht analiza e hiteve në Spotify dhe pse ka rëndësi?
Kur flasim për analizën e hiteve në Spotify, nuk i referohemi vetëm sa herë është luajtur një këngë. Është një qasje më e gjerë që kombinon audion, kontekstin dhe sjelljen e përdoruesit për t'iu përgjigjur një pyetjeje të pakëndshme, por thelbësore: a mund ta parashikoni suksesin e një kënge përpara se të publikohet? Duke përdorur të dhëna nga API-ja e Spotify, studiuesit punojnë me variabla të tilla si popullariteti, energjia, valenca, kohëzgjatja, tempo dhe aftësia për të kërcyer për t'iu afruar kësaj përgjigjeje.
Kjo qasje i ka rrënjët në të ashtuquajturën "shkencë e këngëve hit ", një ide e popullarizuar nga Mike McCready në fillim të viteve 2000: përdorimi i algoritmeve dhe modeleve matematikore për të parashikuar se cilat këngë do të performonin mirë në top lista dhe radio. Edhe pse studimet e hershme arritën në përfundimin se ishte shumë e vështirë (dhe se modelet nuk ishin mjaftueshëm të sakta), peizazhi ka ndryshuar plotësisht me ardhjen e transmetimit, rritjen masive të vëllimit të të dhënave dhe përsosjen e teknikave të të mësuarit automatik.
Sot, Spotify ofron një API me qasje në dhjetëra mijëra këngë dhe atributet e tyre muzikore dhe kontekstuale : nga tonaliteti dhe modaliteti deri te gjasat që një këngë të jetë akustike ose instrumentale, duke përfshirë metrika të hartuara posaçërisht për të përshkruar se si perceptohet kënga (energjia, valenca, aftësia për të kërcyer, etj.). E gjithë kjo lejon një kalim nga opinionet subjektive në analiza sasiore shumë më të sakta.
Ndërkohë, mjeti Spotify for Artists i ndihmon krijuesit të shmangin humbjen në metrika të kota dhe të përqendrohen në atë që ka vërtet rëndësi: zhvillimin afatgjatë të audiencës, angazhimin, mbajtjen e saj dhe mënyrën se si përpjekjet e marketingut ndikojnë në krijimin e fansave të vërtetë. Me fjalë të tjera, numra, po, por me kontekst dhe qëllim strategjik.
Listat zyrtare të këngëve dhe strategjia: pesha e listave editoriale
Një nga elementët më të rëndësishëm në çdo analizë serioze të hiteve në Spotify është roli i listave zyrtare editoriale . Lista si Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint ose ¡Viva Latino! veprojnë si përforcues masivë: hyrja në njërën prej tyre mund ta ndryshojë plotësisht trajektoren e një kënge apo edhe karrierën e një artisti.
Mjetet e palëve të treta si Soundcharts ju lejojnë të shihni se si performon një artist në këto lista dëgjimi : numri i paraqitjeve, kohëzgjatja e qëndrimit, tregjet ku kanë ndikimin më të madh, etj. Ky lloj analize e bën të qartë se prania në listat editoriale nuk është vetëm për t'u dukur, por një komponent kyç i një strategjie rritjeje në platformë.
Ekzistojnë disa kritere të përsëritura në ndërtimin e listave cilësore të këngëve. Për shembull, një shumëllojshmëri artistësh vlerësohet më shumë sesa përsëritja e të njëjtave emra vazhdimisht . Listat e këngëve ku i njëjti artist shfaqet shumë herë kanë tendencë të marrin vlerësime më të ulëta sepse zvogëlojnë ndjenjën e zbulimit të dëgjuesit.
Kërkohet gjithashtu një ekuilibër koherent i zhanreve . Kur një listë dëgjimi përzien shumë stile pa një drejtim të qartë, përvoja fragmentohet dhe vlerësimi bie. Listat e dëgjimit me performancën më të mirë kanë tendencë të përqendrohen në një ose disa zhanre të përcaktuara mirë, duke e ndihmuar përdoruesin të kuptojë me një shikim se çfarë të presë kur shtyp butonin "Luaj".
Një aspekt tjetër kyç është përzierja midis këngëve të njohura dhe atyre në zhvillim e sipër . Listat e këngëve që përfshijnë vetëm hite të mëdha janë në rregull, por ato ofrojnë pak mundësi për t'u zbuluar. Në të kundërt, listat e këngëve që kombinojnë këngë të njohura me këngë më pak të njohura kanë tendencë të gjenerojnë një angazhim më të madh dhe të ndihmojnë në krijimin e hiteve të reja.
Së fundmi, ekziston një konsensus i përgjithshëm se një listë e mirë këngësh duhet të ketë të paktën 50 këngë për të ofruar një përvojë të plotë . Listat e këngëve me më pak se 10 këngë shpesh perceptohen si të dobëta dhe marrin rezultate më të ulëta, gjë që ndikon edhe në performancën e këngëve që ato përfshijnë.
Një histori e shkurtër e Spotify dhe origjina e analizave të saj
Përpara se Spotify të mund të kryente analiza të avancuara të hiteve, vetë platforma duhej të gjente vendin e saj në industrinë e muzikës. Ideja, e konceptuar nga bashkëthemeluesi Daniel Ek, lindi pas falimentimit të Napster në vitin 2002: ai donte të krijonte një shërbim "më të mirë se pirateria, por që gjithashtu ia shpërblente industrisë ". Në atë kohë, Ek drejtonte uTorrent, një nga klientët kryesorë P2P për shkarkim dhe ndarje, kështu që ai kishte njohuri të drejtpërdrejta për botën e shpërndarjes së paautorizuar.
Pasi shiti uTorrent te BitTorrent në fund të vitit 2006, Ek u përqendrua tërësisht në ndërtimin e Spotify. Aplikacioni u lançua zyrtarisht në vitin 2008 në Suedi, pasi arriti marrëveshje licencimi dhe kapitali me shtëpitë kryesore diskografike : Sony Music Entertainment, Universal Music Group dhe Warner Music Group. Një vit më vonë, u zgjerua në Mbretërinë e Bashkuar dhe në vitin 2011, u lançua në SHBA.
Në atë periudhë fillestare, baza e abonentëve me pagesë u rrit nga rreth 1 milion në Evropë në gati 4 milion globalisht në vitin 2012. Deri në vitin 2016, Spotify tashmë njoftonte 40 milion përdorues me pagesë dhe rreth 100 milion përdorues gjithsej, duke konsoliduar transmetimin si formën dominuese të konsumit të muzikës në mbarë botën.
Në të njëjtën kohë, filluan të shfaqen mjetet e të dhënave për artistët. Së pari doli Fan Insights , i cili u ofroi disa ekipeve qasje të kufizuar në të dhënat e transmetimit: demografia, gjeografia dhe trendet bazë. Në vitin 2017, kjo zgjidhje evoluoi në Spotify for Artists, duke hapur derën për të gjithë artistët që të shohin metrikat e tyre kryesore dhe të përdorin të dhënat për të marrë vendime në lidhje me turnetë, publikimet dhe promovimin.
Në vitin 2018, kompania u bë publike me një kapitalizim tregu prej gati 30.000 miliardë dollarësh . Që atëherë, numri i tregjeve në të cilat operon ka vazhduar të rritet, së bashku me rëndësinë e analizave brenda platformës. Ajo që filloi si një media player i licencuar është bërë një infrastrukturë globale ku të dhënat mbizotërojnë.
Metrikat e Spotify: si të matni një këngë përtej transmetimeve
Për të ndërtuar modele parashikimi të hiteve, së pari është e nevojshme të kuptohet se çfarë lloj të dhënash ofron API-ja e Spotify-t . Në një studim të fokusuar në tregun indian, për shembull, më shumë se 46.000 regjistrime këngësh u nxorën nga listat e këngëve të gjeneruara nga Spotify, duke mbuluar një larmi të gjerë zhanresh dhe nëngransh.
Informacioni është i organizuar në disa blloqe. Në nivelin e këngës, gjejmë të dhëna të tilla si identifikuesi, titulli, artisti, popullariteti, data e publikimit dhe kohëzgjatja në milisekonda . Në nivelin e albumit, ruhen ID-ja dhe emri. Në nivelin e listës së këngëve, shfaqet emri, ID-ja, zhanri dhe nëngrupi përkatës.
Por aspekti më interesant për analizën e hiteve janë tiparet audio , të ndara në kategori të ndryshme: karakteristikat e humorit (kërcimshmëria, energjia, valenca, tempo), vetitë fizike (zhurma, të folurit, instrumentaliteti), konteksti (akustika, gjallëria) dhe segmentet muzikore (tonaliteti, modaliteti). Secila prej këtyre variablave përcaktohet dhe normalizohet me kujdes.
Aftësia për të kërcyer, për shembull, shprehet si një vlerë midis 0 dhe 1 që përmbledh sa e lehtë është të kërcesh me një këngë , bazuar në elementë të tillë si ritmi, stabiliteti i tempos dhe forca e rrahjeve. Energjia gjithashtu ndryshon midis 0 dhe 1 dhe përpiqet të kapë nëse kënga tingëllon intensive, e shpejtë dhe e fuqishme, kundrejt diçkaje më të qetë ose më të butë.
Valenca përshkruan "pozitivitetin" emocional të perceptuar të audios: vlerat e ulëta korrespondojnë me ndjenja të trishtueshme, të tensionuara ose të zymta, ndërsa vlerat e larta përputhen me muzikën e gëzueshme, të ndritshme ose euforike. Akusticiteti mat gjasat që një këngë të jetë akustike, gjallëria praninë e një audience të drejtpërdrejtë në regjistrim dhe të folurit pasqyron përqindjen e fjalëve të folura në përzierje (shumë e lartë, për shembull, në podkaste ose këngë me fjalë të folura).
Parametra të tjerë të rëndësishëm përfshijnë tempon në BPM , kohëzgjatjen totale, tonalitetin (të koduar si numër i plotë), modën (major ose minor) dhe popullaritetin e këngës. Popullariteti është një metrikë e brendshme e Spotify që varion nga 0 në 100 dhe varet si nga volumi i transmetimeve ashtu edhe nga kohëzgjatja e tyre e fundit . Një këngë që ishte shumë e kërkuar vite më parë, por që tani luhet rrallë, do të shohë rënie të pikëve të saj me kalimin e kohës.
Si të përgatitet dhe pastrohet dataset-i për të qenë në gjendje të parashikohen rezultatet
Një hap që shpesh anashkalohet kur diskutohet analiza e hiteve në Spotify është përgatitja e të dhënave . Në këtë studim, të dhënat u mblodhën duke përdorur R dhe RStudio, duke thirrur API-në e Spotify për kombinime të ndryshme të tregut (India), zhanreve dhe nënzhanreve të përzgjedhura sipas peshës së tyre globale dhe lokale.
Kur kombinohen këngë nga lista dëgjimi me tema të ndryshme, është e zakonshme që shumë këngë të përsëriten, sepse e njëjta këngë mund të shfaqet në lista të ndryshme. Meqenëse qëllimi nuk ishte të analizohej vetë strategjia e listës së dëgjimit, por karakteristikat e këngëve, këngët e dyfishta u hoqën , duke e ulur bazën totale nga 46.417 në afërsisht 39.147 këngë unike.
Kolonat që nuk do të përdoreshin si variabla shpjeguese në modele, siç janë artisti, ID-ja dhe emri i albumit, si dhe fushat specifike për listën e këngëve, u hoqën. Në të njëjtën kohë, emrat e fushave u normalizuan dhe llojet e të dhënave u rregulluan: për shembull, popullariteti, mënyra, toni dhe kohëzgjatja u konvertuan në vlera lundruese për të lehtësuar analizën statistikore.
Një vendim kyç ishte transformimi i popullaritetit në një variabël më të menaxhueshëm. Në vend që të punohej me një vlerë të vazhdueshme nga 0 në 100, u përcaktua një prag për të ndarë këngët popullore dhe jopopullore . Duke marrë percentilin e 85-të të shpërndarjes (rreth një popullariteti prej 65), këngët mbi atë vlerë u konsideruan "popullore" dhe pjesa tjetër "jopopullore".
Në këtë mënyrë, grupi i të dhënave u nda në pothuajse 6.000 këngë popullore dhe rreth 33.000 këngë jopopullore . Për analizën eksploruese, ai u segmentua madje në pesë klasa popullariteti (shumë i lartë, i lartë, mesatar, i ulët dhe shumë i ulët), me intervale 20-pikëshe, të cilat lejuan krahasimin e tendencave delikate midis niveleve të suksesit.
Përveç kësaj, një variabël i ri u gjenerua nga titujt e këngëve: një tregues ndjenjeje . Duke përdorur bibliotekën TextBlob në Python, polariteti për secilin titull (një numër midis -1 dhe 1) u llogarit dhe u klasifikua si pozitiv, negativ ose neutral. Kjo vlerë numerike u shtua në të dhënat për të studiuar nëse toni i titullit është i lidhur me popullaritetin e tij.
Eksplorimi i të dhënave: çfarë i dallon këngët më të njohura
Përpara trajnimit të ndonjë modeli të të mësuarit automatik, është thelbësore t'i kushtohet kohë eksplorimit vizual dhe statistikor të të dhënave . Në rastin e këtij studimi, u analizuan kurbat e shpërndarjes, mesataret për grup popullariteti dhe marrëdhëniet midis emocioneve dhe suksesit.
Një nga gjetjet mbresëlënëse lidhet me valencën e këngëve më të suksesshme. Kur u shikuan këngët me një rezultat popullariteti mbi 90, u vu re se një numër më i madh i tyre kishin një vlerë valence nën 0,5 ; domethënë, ato tingëllonin më të trishtueshme, më të zymta ose melankolike sesa të gëzueshme. Nuk ishte një dominim absolut, por ishte një trend i qartë.
Kur u vizatua shpërndarja e popullaritetit sipas zhanrit, shumica e kurbave morën një formë të përafërt zileje , me shumë këngë rreth mesatares dhe më pak në ekstreme. Megjithatë, zhanre të tilla si rock, R&B, EDM, muzika botërore dhe indiane treguan njëfarë asimetrie për shkak të një numri të madh këngësh me popullaritet zero. Në të kundërt, stile të tilla si pop, rap, latin dhe desi dukeshin më të balancuara dhe me më pak përqendrim në zero.
Kjo sugjeron që në ato zhanre më të përhapura është përgjithësisht më e lehtë të arrihet një nivel i caktuar popullariteti , edhe nëse këngët nuk kanë të gjitha karakteristikat ideale, ndërsa në stile të tjera shpërndarja e suksesit është më e polarizuar.
Kur krahasohen mesataret e karakteristikave të ndryshme sipas klasës së popullaritetit, doli në pah një model shumë i qartë: këngët më të suksesshme kanë tendencë të kenë energji dhe zhurmë (volum të perceptuar) më të madhe , si dhe më shumë instrumentalizëm dhe më pak të folur. Thënë thjesht, këngët që performojnë më mirë në platformat e transmetimit janë zakonisht më të fuqishme dhe më të fokusuara në muzikë sesa në fjalë të folura.
Gjithashtu u vu re se këngët e njohura shfaqin akustikë dhe gjallëri më të ulët ; domethënë, ato tingëllojnë më pak "akustike" dhe më pak "live". Ato janë më shumë të prodhuara në studio, më të rafinuara, me më pak zhurmë ambienti ose një ndjesi koncerti.
Një tjetër gjetje kyçe është se këngët popullore kanë tendencë të jenë më të shkurtra se ato jopopullore . Në një kontekst ku të ardhurat varen nga numri i transmetimeve dhe algoritmet shpërblejnë përsëritjen, është e kuptueshme që këngët më të shkurtra mund të grumbullojnë dëgjime më shpejt dhe të bëhen më të përshtatshme për listat e këngëve.
Lidhur me lumturinë e perceptuar (valencën), tendenca është kurioze: nivelet rriten nga klasat e popullaritetit më të ulët në klasën "e lartë", por në kategorinë më ekstreme, "shumë të lartën", ka një rënie të ndjeshme. Me fjalë të tjera, këngët superpopullore kanë tendencë të tingëllojnë më të trishtueshme sesa ato thjesht "të suksesshme" , gjë që hap derën për shumë interpretime rreth shijes publike dhe kontekstit socio-emocional.
Analiza statistikore: ndikimi i zhanreve dhe atributeve audio
Pasi të dhënat u eksploruan, hapi tjetër ishte zbatimi i testeve statistikore formale për të parë se cilat variabla mund të konsideroheshin të rëndësishme në shpjegimin e popullaritetit. Për të studiuar nëse gjinia ndikoi në sukses, u përdor një analizë e variancës (ANOVA) me nëntë zhanre kryesore.
Rezultati i ANOVA-s dha një vlerë F shumë të lartë dhe praktikisht asnjë rëndësi, që do të thotë se ka dallime statistikisht të rëndësishme në popullaritet midis gjinive . Megjithatë, kjo nuk mjafton: është gjithashtu e rëndësishme të dihet se midis cilave çifte gjinish ekzistojnë këto dallime dhe nëse variabli do të jetë i dobishëm për një model parashikues.
Duke qenë se ndryshimet nuk ishin homogjene dhe numri i këngëve për zhanër ndryshonte, u përdor testi post hoc Games-Howell . Kjo analizë na lejoi të përcaktonim se cilat kombinime zhanresh nuk tregonin ndryshime të rëndësishme në popullaritet, gjë që, në përgjithësi, e bëri më pak të këshillueshme përdorimin e zhanrit si një parashikues i fortë në modelet e të mësuarit automatik.
Paralelisht, u kryen teste t të pavarura për secilën veçori audio, duke krahasuar mesataret midis grupeve të këngëve të njohura dhe jo të njohura. Në një nivel rëndësie prej 95%, pothuajse të gjitha variablat (kërcimshmëria, energjia, zhurma, akusticiteti, gjallëria, kohëzgjatja, tempo, valenca dhe instrumentaliteti) treguan ndryshime të rëndësishme midis dy grupeve.
I vetmi përjashtim i dukshëm ishte të folurit . Në testin e parë, ndryshimi në mesatare nuk ishte i rëndësishëm, por analiza e mëtejshme zbuloi se diapazoni i të folurit për temat shumë të njohura (me vlera midis 0,024 dhe 0,685) binte brenda diapazonit më të gjerë të klasës më pak të popullarizuar (midis 0 dhe 0,964). Ky mbivendosje nuk e pengoi të folurit, kur përdorej në mënyrë efektive, të kontribuonte me informacion në model, kështu që u vendos që të ruhej si një parashikues.
Si përmbledhje, blloku i veçorive audio demonstroi fuqi të qartë përshkruese në lidhje me popullaritetin , ndërsa zhanri u trajtua me më shumë kujdes dhe u hodh poshtë si një variabël parësor në disa qasje parashikimi.
Ndërtimi i modeleve të të mësuarit automatik për të parashikuar goditjet
Me të pastruar të dhënat dhe zgjedhur variablat përkatëse, ishte koha për të krijuar modele klasifikimi binar të afta për të parashikuar nëse një këngë i përket 15% të popullaritetit më të lartë. Për ta bërë këtë, variablat kategorike key dhe mode u konvertuan së pari në variabla dummy duke përdorur funksionin get_dummies të Pandas.
Pas përfshirjes së këtyre ndryshoreve artificiale, kolonat origjinale të tonalitetit dhe modës, si dhe popullariteti i vazhdueshëm, u hoqën, dhe fusha binare e popullaritetit (popullore kundrejt jopopullore) u mbajt si variabli i synuar. Përpara trajnimit të modeleve, të gjitha karakteristikat numerike u standardizuan duke përdorur StandardScaler, pasi ato vepronin në shkallë shumë të ndryshme dhe ishte e rëndësishme që ato të kishin peshë të krahasueshme.
Seti i të dhënave u nda në trajnim dhe testim duke përdorur funksionin train_test_split, duke rezervuar 20% të të dhënave për testim . Kjo parandaloi rrjedhjet e të dhënave dhe siguroi që metrikat e performancës pasqyronin përgjithësueshmërinë aktuale të modeleve, jo vetëm aftësinë e tyre për të memorizuar të dhënat e trajnimit.
Modeli i parë i aplikuar ishte Regresioni Logjistik , një teknikë e përdorur gjerësisht në klasifikimin binar. Një version iterativ me një shkallë mësimi prej 0,01 dhe 200 përsëritjesh u zbatua dhe u vlerësua duke përdorur validimin e kryqëzuar. Saktësia mesatare arriti afërsisht 84,7%, një rezultat jashtëzakonisht i fortë për një problem aq kompleks sa parashikimi i suksesit muzikor.
Më pas, u testua algoritmi K-Nearest Neighbors (KNN) , i cili klasifikon secilën këngë sipas k fqinjëve të saj më të afërt në hapësirën e karakteristikave. Duke rregulluar vlerën e ky duke përdorur Grid Search për të gjetur konfigurimin optimal, u arrit një saktësi shumë e ngjashme, rreth 84,8%, me një përmirësim të lehtë në rezultatin e validimit të kryqëzuar krahasuar me regresionin logjistik.
Modeli tjetër ishte Makina Vektoriale Mbështetëse (SVM) , një teknikë tjetër e mbikëqyrur e aftë të trajtojë marrëdhënie lineare dhe jolineare. Përsëri, nëpërmjet akordimit të hiperparametrave, u arritën saktësi prej rreth 84,6%, me vlera ekuivalente në validimin e kryqëzuar, duke treguar performancë të qëndrueshme.
Klasifikuesi Naive Bayes , bazuar në supozimin e pavarësisë midis karakteristikave, u vlerësua gjithashtu . Pavarësisht se është një model shumë më i thjeshtë për sa i përket supozimeve, rezultatet e saktësisë së tij (afërsisht 84,6%) ishin në të njëjtin nivel me SVM dhe shumë afër regresionit logjistik dhe KNN, duke përforcuar idenë se struktura e problemit i përshtatet mirë këtij lloji të qasjes probabilistike.
Së fundmi, u testuan modelet e bazuara në pemën e vendimeve. Klasifikuesi i Pemës së Vendimeve arriti një saktësi dukshëm më të ulët, rreth 75,4%, dhe validimi i kryqëzuar e konfirmoi këtë rënie të performancës, ndoshta për shkak të problemeve të mbipërshtatjes. Klasifikuesi i Pyllit të Rastësishëm , i cili kombinon shumë pemë për të zbutur këto efekte, u përmirësua ndjeshëm, duke arritur saktësi rreth 84,1% dhe mbi 84% në validimin e kryqëzuar.
Për të përfunduar analizën, u gjenerua një matricë konfuzioni dhe një raport klasifikimi për Random Forest. Modeli tregoi aftësi të shkëlqyera për të identifikuar këngët jo-popullore (klasa e shumicës), me një saktësi prej 0,85 dhe një kujtesë afër 0,99, ndërsa performanca e tij në klasën e këngëve popullore (klasa e pakicës) ishte më modeste, me një saktësi prej 0,40 dhe një kujtesë prej 0,05. Kjo nxjerr në pah sfidën klasike të çekuilibrit të klasave në këtë lloj problemi.
Rëndësia e variablave: çfarë ka më shumë rëndësi kur krijohet një rezultat
Përtej njohjes së modelit më të saktë, është thelbësore të kuptohet se cilat karakteristika ofrojnë vërtet informacion të dobishëm kur parashikohet nëse një këngë do të jetë popullore. Për këtë qëllim, XGBoost (XGBClassifier) u përdor për të marrë rezultate të rëndësisë së ndryshueshme, bazuar në kontributin e secilës veçori në uljen e gabimit në pemët e vendimmarrjes.
Rezultatet treguan se gjatësia e këngës dallohej qartë nga pjesa tjetër , me një rezultat F mbi 400. Ky zbulim përputhet me idenë se këngët më të shkurtra inkurajojnë dëgjimin e përsëritur dhe për këtë arsye grumbullojnë më shumë luajtje në më pak kohë, diçka që algoritmi i rekomandimeve të Spotify tenton ta shpërblejë.
Në anën e kundërt të spektrit, variabla të tilla si çelësi, mënyra ose ndjenja e nxjerrë nga vetë titulli morën rezultate rëndësie nën 50, duke sugjeruar që kontributi i tyre në fuqinë e përgjithshme parashikuese të modelit ishte minimal. Kjo nuk do të thotë që ato nuk kanë asnjë efekt fare, por përkundrazi, krahasuar me veçoritë e tjera, pesha e tyre është shumë më e vogël.
Atributet e mbetura audio (si energjia, vallëzueshmëria, valenca, zhurma, akusticiteti, gjallëria, të folurit dhe instrumentaliteti) binin brenda një diapazoni të ndërmjetëm, me rezultate F midis 200 dhe 300, duke treguar se ato formojnë një bllok informacioni mjaft të ekuilibruar . Asnjëra prej tyre nuk dominon plotësisht, por së bashku ato ndihmojnë në ndërtimin e një pamjeje mjaft të saktë të shanseve të suksesit të një kënge.
Në përgjithësi, modelet e bazuara në veçoritë audio ishin në gjendje të parashikojnë me saktësi rreth 84-85% nëse një këngë do të ishte pjesë e 15% të këngëve më të njohura , gjë që i jep njëfarë mbështetjeje empirike intuitës së vjetër të "shkencës së këngëve hit": me të dhëna të mira dhe teknika të përshtatshme, suksesi muzikor nuk është thjesht i rastësishëm, megjithëse ekziston ende një komponent i rëndësishëm i paparashikueshëm.
Pamja e krijuar nga kjo analizë tregon se kombinimi i të dhënave të Spotify, statistikave tradicionale dhe modeleve të të mësuarit automatik na lejon të shkojmë shumë më tej se thjesht numërimi i transmetimeve. Të kuptuarit e ndikimit të kohëzgjatjes, energjisë, valencës dhe instrumentalitetit, së bashku me rolin e listave editoriale të këngëve dhe dinamikës së rekomandimeve të platformës, u ofron artistëve, etiketave muzikore dhe analistëve një plan shumë konkret për të interpretuar pse këngë të caktuara bëhen hite dhe si mund t'i maksimizojnë shanset e tyre për t'u bashkuar me atë grup të zgjedhur pa humbur plotësisht elementin njerëzor dhe krijues që, për fat të mirë, mbetet i pareduktueshëm në asnjë formulë.
