- Spotify API'si, bir şarkıyı popüler yapan unsurları modellemenize ve anlamanıza olanak tanıyan düzinelerce ses ve bağlam değişkeni (enerji, duygu, süre, dans edilebilirlik vb.) sunar.
- İstatistiksel analiz, popüler ve popüler olmayan şarkılar arasında neredeyse tüm ses özelliklerinin farklılık gösterdiğini, buna karşılık tür, tonlama veya başlık anlamının tahmin gücünün daha düşük olduğunu göstermektedir.
- Lojistik regresyon, KNN, SVM, Naive Bayes ve Random Forest gibi makine öğrenimi modelleri, bir konunun en popüler %15'lik dilimde olup olmayacağını sınıflandırmada yaklaşık %84-85 doğruluk oranına ulaşmaktadır.
- Şarkının uzunluğu, enerjisi, yüksekliği ve enstrümantasyonu, editörlerin hazırladığı çalma listelerinin ve öneri algoritmasının çok önemli olduğu Spotify ekosisteminde, popülerliğinde kilit faktörler olarak öne çıkıyor.
Spotify, bir şarkının neden hit olduğunu incelemek için mükemmel bir laboratuvar haline geldi : gerçek zamanlı oynatma verilerine, sanatçılar için gelişmiş ölçümlere ve her saniye karar veren milyonlarca dinleyiciye sahibiz. Sadece bir dinleme platformu olmaktan çok daha fazlası olan Spotify, bazı şarkıların neden popüler olup diğerlerinin neden unutulup gittiğini anlamak için kalıpların, duyguların, türlerin ve çalma listesi stratejilerinin analiz edilebileceği devasa bir veri tabanına dönüştü.
Son yıllarda, Spotify'ın en çok dinlenen şarkılarının analizine yönelik araçlar, akademik araştırmalar ve makine öğrenimi modelleri ortaya çıktı : Today's Top Hits veya Rap Caviar gibi editör listelerini incelemekten, bir şarkının katalogdaki en popüler gruba ait olup olmayacağını tahmin edebilen algoritmalar geliştirmeye kadar. Aynı zamanda, Spotify for Artists bu metriklere erişimi demokratikleştirerek, her sanatçının kendisini kimin dinlediğini, nerede ve nasıl keşfedildiğini görmesini ve yaratıcı ve pazarlama stratejilerini buna göre ayarlamasını sağladı.
Spotify hit analizi tam olarak nedir ve neden önemlidir?
Spotify hit analizi dediğimizde , sadece bir şarkının kaç kez çalındığından bahsetmiyoruz. Bu, rahatsız edici ama çok önemli bir soruyu yanıtlamak için ses, bağlam ve kullanıcı davranışını birleştiren daha geniş bir yaklaşımdır: Bir şarkının başarısını yayınlanmadan önce tahmin edebilir misiniz? Araştırmacılar, Spotify'ın API'sinden elde edilen verileri kullanarak, popülerlik, enerji, duygu, süre, tempo ve dans edilebilirlik gibi değişkenlerle çalışarak bu cevaba daha da yaklaşmaya çalışıyorlar.
Bu yaklaşımın kökenleri, 2000'li yılların başlarında Mike McCready tarafından popüler hale getirilen ve algoritmalar ile matematiksel modeller kullanarak hangi şarkıların listelerde ve radyoda iyi performans göstereceğini tahmin etmeyi amaçlayan "hit şarkı bilimi " fikrine dayanmaktadır. İlk çalışmalar bunun çok zor olduğunu (ve modellerin yeterince doğru olmadığını) ortaya koymuş olsa da, yayın akışının ortaya çıkması, veri hacmindeki büyük artış ve makine öğrenme tekniklerinin gelişmesiyle durum tamamen değişmiştir.
Günümüzde Spotify, on binlerce parçaya ve bunların müzikal ve bağlamsal özelliklerine erişim sağlayan bir API sunuyor : parçanın tonundan ve modundan, akustik mi yoksa enstrümantal mi olduğuna kadar, şarkının nasıl algılandığını (enerji, duygu, dans edilebilirlik vb.) tanımlamak için özel olarak tasarlanmış ölçütler de dahil olmak üzere. Tüm bunlar, öznel görüşlerden çok daha hassas nicel analizlere geçişi mümkün kılıyor.
Bu arada, Spotify for Artists aracı , içerik üreticilerinin gösterişli metriklerde kaybolmasını önlemeye ve gerçekten önemli olan şeylere odaklanmalarına yardımcı oluyor: uzun vadeli izleyici geliştirme, etkileşim, sadakat ve pazarlama çabalarının gerçek hayran kitlesi oluşturma üzerindeki etkisi. Başka bir deyişle, sayılar evet, ancak bağlam ve stratejik amaçla birlikte.
Resmi çalma listeleri ve strateji: editör listelerinin ağırlığı
Spotify'daki hit şarkıların ciddi bir analizindeki en önemli unsurlardan biri , resmi editör listelerinin rolüdür . Discover Weekly, Release Radar, Today's Top Hits, New Music Friday, Rap Caviar, Mint veya ¡Viva Latino! gibi listeler, büyük birer güçlendirici görevi görür: bunlardan birine girmek, bir şarkının veya hatta bir sanatçının kariyerinin gidişatını tamamen değiştirebilir.
Soundcharts gibi üçüncü taraf araçlar, bir sanatçının bu çalma listelerinde nasıl performans gösterdiğini görmenizi sağlar : görünme sayısı, kalma süresi, en çok etki yarattığı pazarlar vb. Bu tür analizler, editoryal listelerde yer almanın sadece gösteriş amaçlı olmadığını, platformdaki büyüme stratejisinin önemli bir bileşeni olduğunu açıkça ortaya koymaktadır.
Kaliteli çalma listeleri oluşturmada belirli tekrarlayan kriterler vardır. Örneğin, aynı isimlerin tekrar tekrar yer almasındansa çeşitli sanatçıların yer alması daha değerlidir . Aynı sanatçının çok fazla kez yer aldığı çalma listeleri, dinleyicinin keşif duygusunu azalttığı için genellikle daha düşük puanlar alır.
Türler arasında tutarlı bir denge de aranmaktadır . Bir çalma listesi çok fazla stili net bir yön olmadan karıştırırsa, deneyim parçalanır ve puan düşer. En iyi performans gösteren çalma listeleri genellikle bir veya birkaç iyi tanımlanmış türe odaklanır ve kullanıcının oynat düğmesine bastığında ne bekleyeceğini bir bakışta anlamasına yardımcı olur.
Bir diğer önemli unsur ise bilinen parçalarla yeni ortaya çıkan parçaların karışımıdır . Sadece büyük hitleri içeren çalma listeleri iyidir, ancak keşif açısından pek bir şey sunmazlar. Buna karşılık, yerleşik şarkıları daha az bilinen cevherlerle birleştiren çalma listeleri daha fazla etkileşim yaratmaya ve yeni hitlerin ortaya çıkmasına yardımcı olma eğilimindedir.
Son olarak, iyi bir çalma listesinin eksiksiz bir deneyim sunabilmesi için en az 50 parça içermesi gerektiği konusunda genel bir fikir birliği var . 10'dan az şarkı içeren çalma listeleri genellikle yetersiz olarak algılanıyor ve daha düşük puanlar alıyor; bu da içerdikleri parçaların performansını etkiliyor.
Spotify'ın kısa tarihi ve analiz araçlarının kökeni
Spotify'ın gelişmiş hit analizi yapabilmesi için öncelikle müzik endüstrisindeki yerini bulması gerekiyordu. Kurucu ortak Daniel Ek tarafından tasarlanan fikir, 2002'de Napster'ın çöküşünden sonra ortaya çıktı: "Korsanlıktan daha iyi, ancak aynı zamanda endüstriye de ödeme yapan" bir hizmet yaratmak istiyordu . O dönemde Ek, önde gelen P2P indirme ve paylaşım istemcilerinden biri olan uTorrent'i yönetiyordu, bu nedenle yetkisiz dağıtım dünyası hakkında birinci elden bilgiye sahipti.
2006 yılının sonlarında uTorrent'i BitTorrent'e sattıktan sonra Ek, tamamen Spotify'ı geliştirmeye odaklandı. Uygulama, Sony Music Entertainment, Universal Music Group ve Warner Music Group gibi büyük plak şirketleriyle lisans ve ortaklık anlaşmaları yaptıktan sonra 2008 yılında İsveç'te resmi olarak piyasaya sürüldü. Bir yıl sonra İngiltere'ye, 2011'de ise ABD'ye yayıldı.
Bu ilk dönemde, ücretli abone sayısı Avrupa'da yaklaşık 1 milyondan 2012'de dünya genelinde neredeyse 4 milyona ulaştı . 2016 yılına gelindiğinde Spotify, 40 milyon ücretli kullanıcı ve yaklaşık 100 milyon toplam kullanıcıya ulaşarak, müzik tüketiminin dünya çapındaki en baskın biçimi olarak yayın akışını (streaming) pekiştirdi.
Aynı zamanda, sanatçılar için veri araçları da ortaya çıkmaya başladı. İlk olarak , bazı ekiplere sınırlı erişim sağlayan Fan Insights geldi : demografik bilgiler, coğrafya ve temel trendler. 2017'de bu çözüm, Spotify for Artists'e dönüştü ve tüm sanatçıların temel metriklerini görüntülemelerine ve bu verileri turne, albüm yayınları ve tanıtım hakkında kararlar almak için kullanmalarına olanak sağladı.
Şirket, 2018 yılında yaklaşık 30.000 milyar dolarlık piyasa değeriyle halka arz edildi . O zamandan beri, faaliyet gösterdiği pazar sayısı ve platform içindeki analitiğin önemi artmaya devam etti. Lisanslı bir medya oynatıcısı olarak başlayan şirket, verinin en önemli unsur olduğu küresel bir altyapıya dönüştü.
Spotify ölçümleri: Bir şarkının performansını dinlenme sayılarının ötesinde nasıl değerlendirebilirsiniz?
Hit tahmin modelleri oluşturmak için öncelikle Spotify API'sinin ne tür veriler sunduğunu anlamak gerekir . Örneğin, Hindistan pazarına odaklanan bir çalışmada, Spotify tarafından oluşturulan çalma listelerinden çok çeşitli tür ve alt türleri kapsayan 46.000'den fazla şarkı kaydı çıkarılmıştır.
Bilgiler çeşitli bloklar halinde düzenlenmiştir. Parça düzeyinde, tanımlayıcı, başlık, sanatçı, popülerlik, yayın tarihi ve milisaniye cinsinden süre gibi veriler bulunur . Albüm düzeyinde, kimlik ve ad saklanır. Çalma listesi düzeyinde ise ad, kimlik, tür ve ilgili alt tür görünür.
Ancak hit analizi için en ilginç yön , farklı kategorilere ayrılan ses özellikleridir : ruh hali özellikleri (dans edilebilirlik, enerji, değer, tempo), fiziksel özellikler (ses yüksekliği, konuşma özelliği, enstrümantallik), bağlam (akustiklik, canlılık) ve müzikal bölümler (ton, mod). Bu değişkenlerin her biri dikkatlice tanımlanır ve normalize edilir.
Örneğin, dans edilebilirlik, ritim, tempo istikrarı ve vuruş gücü gibi unsurlara dayanarak bir şarkıya dans etmenin ne kadar kolay olduğunu özetleyen 0 ile 1 arasında bir değer olarak ifade edilir . Enerji de 0 ile 1 arasında değişir ve parçanın yoğun, hızlı ve güçlü mü yoksa daha sakin veya yumuşak mı olduğunu yakalamaya çalışır.
Valans, sesin algılanan duygusal "pozitifliğini" tanımlar : düşük değerler üzgün, gergin veya kasvetli duygulara karşılık gelirken, yüksek değerler neşeli, canlı veya coşkulu müzikle eşleşir. Akustiklik, bir parçanın akustik olma olasılığını ölçer, canlılık kayıtta canlı bir izleyici kitlesinin varlığını gösterir ve konuşma oranı, miksteki konuşulan kelimelerin oranını yansıtır (örneğin, podcast'lerde veya konuşma içeren parçalarda çok yüksek).
Diğer önemli parametreler arasında BPM cinsinden tempo , toplam süre, anahtar (tam sayı olarak kodlanmış), mod (majör veya minör) ve parça popülerliği yer alır. Popülerlik, Spotify'ın 0 ile 100 arasında değişen ve hem dinlenme sayısına hem de bunların ne kadar yakın zamanda dinlendiğine bağlı olan dahili bir ölçütüdür . Yıllar önce çok popüler olan ancak şimdi nadiren çalınan bir şarkının puanı zamanla düşecektir.
Vuruşları tahmin edebilmek için veri setini nasıl hazırlayıp temizleyeceğinizi öğrenin.
Spotify hit analizi tartışılırken sıklıkla gözden kaçırılan bir adım, veri setinin hazırlanmasıdır . Bu çalışmada, veriler R ve RStudio kullanılarak, küresel ve yerel ağırlıklarına göre seçilen pazar (Hindistan), türler ve alt türlerin farklı kombinasyonları için Spotify API'si çağrılarak toplandı.
Çeşitli temalı çalma listelerinden şarkılar bir araya getirilirken, aynı şarkının farklı listelerde yer alabilmesi nedeniyle birçok parçanın tekrar etmesi yaygındır. Amaç, çalma listesi stratejisinin kendisini analiz etmek değil, şarkıların özelliklerini incelemek olduğundan, yinelenen parçalar kaldırıldı ve toplam şarkı sayısı 46.417'den yaklaşık 39.147'ye düştü.
Modellerde açıklayıcı değişken olarak kullanılmayacak olan sanatçı, albüm kimliği ve adı ile çalma listesine özgü alanlar gibi sütunlar kaldırıldı. Aynı zamanda, istatistiksel analizi kolaylaştırmak için alan adları normalleştirildi ve veri türleri ayarlandı: örneğin, popülerlik, mod, anahtar ve süre ondalık sayılara dönüştürüldü.
Önemli bir karar, popülerliği daha yönetilebilir bir değişkene dönüştürmekti. 0 ile 100 arasında sürekli bir değerle çalışmak yerine, popüler ve popüler olmayan şarkıları ayırmak için bir eşik tanımlandı . Dağılımın 85. yüzdelik dilimi (yaklaşık 65 popülerlik) alınarak, bu değerin üzerindeki parçalar "popüler", geri kalanlar ise "popüler olmayan" olarak kabul edildi.
Bu şekilde veri seti yaklaşık 6.000 popüler şarkı ve yaklaşık 33.000 popüler olmayan şarkı olmak üzere ikiye ayrıldı . Keşifsel analiz için, başarı düzeyleri arasındaki ince eğilimlerin karşılaştırılmasına olanak tanıyan 20 puanlık aralıklarla beş popülerlik sınıfına (çok yüksek, yüksek, orta, düşük ve çok düşük) bile bölündü.
Ek olarak, şarkı başlıklarından yeni bir değişken oluşturuldu: duygu göstergesi . Python'daki TextBlob kütüphanesi kullanılarak, her başlığın kutupsallığı (-1 ile 1 arasında bir sayı) hesaplandı ve pozitif, negatif veya nötr olarak sınıflandırıldı. Bu sayısal değer, başlığın tonunun popülerliğiyle bağlantılı olup olmadığını incelemek için veri çerçevesine eklendi.
Veri keşfi: En popüler şarkıları diğerlerinden ayıran özellikler nelerdir?
Herhangi bir makine öğrenme modelini eğitmeden önce, verilerin görsel ve istatistiksel olarak incelenmesine zaman ayırmak çok önemlidir . Bu çalışmada, dağılım eğrileri, popülerlik gruplarına göre ortalamalar ve duygular ile başarı arasındaki ilişkiler analiz edildi.
Çarpıcı bulgulardan biri, en başarılı şarkıların duygusallığıyla ilgili. Popülerlik puanı 90'ın üzerinde olan şarkılara bakıldığında, bunların daha büyük bir kısmının duygusallık değerinin 0,5'in altında olduğu ; yani neşeli olmaktan ziyade daha hüzünlü, kasvetli veya melankolik tınladığı gözlemlendi. Mutlak bir hakimiyet olmasa da, belirgin bir eğilim söz konusuydu.
Türlere göre popülerlik dağılımı grafiğe döküldüğünde, çoğu eğri yaklaşık olarak çan şeklini aldı ; birçok parça ortalama değerin etrafında, daha azı ise uç noktalarda yer aldı. Bununla birlikte, rock, R&B, EDM, dünya müziği ve Hint müziği gibi türler, sıfır popülerliğe sahip çok sayıda parça nedeniyle bir miktar asimetri gösterdi. Buna karşılık, pop, rap, Latin ve desi gibi stiller daha dengeli ve sıfırda daha az yoğunlaşma gösterdi.
Bu durum, daha yaygın olan müzik türlerinde, şarkılar ideal özelliklerin tümüne sahip olmasa bile, belirli bir popülerlik seviyesine ulaşmanın genellikle daha kolay olduğunu, diğer müzik türlerinde ise başarının dağılımının daha kutuplaşmış olduğunu göstermektedir.
Popülerlik sınıflarına göre farklı özelliklerin ortalamalarını karşılaştırdığımızda çok net bir örüntü ortaya çıktı: En başarılı parçalar genellikle daha fazla enerjiye ve yüksek sese (algılanan ses seviyesi) , daha fazla enstrümantale ve daha az konuşmaya sahip olma eğilimindedir. Basitçe söylemek gerekirse, yayın platformlarında en iyi performansı gösteren şarkılar genellikle daha güçlü ve konuşmalardan ziyade müziğe daha fazla odaklanmıştır.
Ayrıca popüler parçaların daha düşük akustik ve canlılık sergilediği , yani daha az "akustik" ve daha az "canlı" tınladığı gözlemlendi . Daha stüdyoda üretilmiş, daha cilalı, daha az ortam gürültüsü veya konser benzeri bir his içeriyorlar.
Bir diğer önemli bulgu ise popüler şarkıların popüler olmayanlara göre daha kısa olma eğiliminde olmasıdır . Gelirin dinlenme sayısına bağlı olduğu ve algoritmaların tekrarı ödüllendirdiği bir bağlamda, daha kısa parçaların daha hızlı dinlenme sayısına ulaşması ve çalma listelerine daha uygun hale gelmesi mantıklıdır.
Algılanan mutluluk (değer) açısından bakıldığında, eğilim ilginçtir: Seviyeler, düşük popülerlik sınıflarından "üst" sınıfa doğru yükselir, ancak en uç kategori olan "çok yüksek"te belirgin bir düşüş vardır. Başka bir deyişle, süper popüler şarkılar, sadece "başarılı" olanlardan daha hüzünlü olma eğilimindedir ; bu da kamuoyunun zevki ve sosyo-duygusal bağlam hakkında birçok yoruma kapı açar.
İstatistiksel analiz: türlerin ve ses özelliklerinin etkisi
Veriler incelendikten sonra, bir sonraki adım, popülerliği açıklamada hangi değişkenlerin önemli kabul edilebileceğini görmek için resmi istatistiksel testler uygulamaktı . Cinsiyetin başarıyı etkileyip etkilemediğini incelemek için, dokuz ana türde varyans analizi (ANOVA) kullanıldı.
ANOVA sonucu çok yüksek bir F değeri ve neredeyse hiç anlamlılık göstermedi; bu da cinsiyetler arasında popülerlikte istatistiksel olarak anlamlı farklılıklar olduğu anlamına geliyor . Ancak bu yeterli değil: Bu farklılıkların hangi cinsiyet çiftleri arasında mevcut olduğunu ve değişkenin tahmine dayalı bir model için yararlı olup olmayacağını bilmek de önemlidir.
Varyansların homojen olmaması ve tür başına şarkı sayısının değişkenlik göstermesi nedeniyle Games-Howell post hoc testi kullanıldı . Bu analiz, hangi tür kombinasyonlarının popülerlikte anlamlı farklılıklar göstermediğini belirlememizi sağladı; bu da genel olarak, türü makine öğrenimi modellerinde güçlü bir tahminleyici olarak kullanmayı daha az uygun hale getirdi.
Buna paralel olarak, popüler ve popüler olmayan şarkı grupları arasındaki ortalamaları karşılaştırmak için her bir ses özelliği için bağımsız t-testleri yapıldı . %95 anlamlılık düzeyinde, neredeyse tüm değişkenler (dans edilebilirlik, enerji, ses yüksekliği, akustiklik, canlılık, süre, tempo, duygu ve enstrümantallik) iki grup arasında anlamlı farklılıklar gösterdi.
Tek belirgin istisna konuşma eğilimiydi . İlk testte ortalamalar arasındaki fark anlamlı değildi, ancak daha sonraki analizler, oldukça popüler konular için konuşma eğilimi aralıklarının (0,024 ile 0,685 arasında değerlerle) daha az popüler sınıfın daha geniş aralığına (0 ile 0,964 arasında) düştüğünü ortaya koydu. Bu örtüşme, etkili bir şekilde kullanıldığında konuşma eğiliminin modele bilgi katkısında bulunmasını engellemedi, bu nedenle tahmin edici olarak tutulmasına karar verildi.
Özetle, ses özellikleri bloğu popülerlik konusunda net bir tanımlayıcı güç sergilerken , tür daha temkinli ele alındı ve bazı tahmin yaklaşımlarında birincil değişken olarak göz ardı edildi.
Vuruşları tahmin etmek için makine öğrenimi modelleri oluşturmak
Veri seti temizlendikten ve ilgili değişkenler seçildikten sonra, bir şarkının popülerlik açısından en üst %15'lik dilime girip girmediğini tahmin edebilen ikili sınıflandırma modelleri oluşturmanın zamanı gelmişti . Bunu yapmak için, öncelikle kategorik değişkenler olan key ve mode, Pandas'ın get_dummies fonksiyonu kullanılarak kukla değişkenlere dönüştürüldü.
Bu kukla değişkenler eklendikten sonra, orijinal tonlama ve mod sütunları ile sürekli popülerlik kaldırıldı ve ikili popülerlik alanı (popüler vs. popüler değil) hedef değişken olarak korundu. Modelleri eğitmeden önce, tüm sayısal özellikler StandardScaler kullanılarak standartlaştırıldı, çünkü çok farklı ölçeklerde çalışıyorlardı ve karşılaştırılabilir ağırlıklara sahip olmaları önemliydi.
Veri seti, train_test_split fonksiyonu kullanılarak eğitim ve test setlerine ayrıldı ve kayıtların %20'si test için ayrıldı . Bu, veri sızıntısını önledi ve performans metriklerinin, modellerin yalnızca eğitim verilerini ezberleme yeteneklerini değil, gerçek genelleştirilebilirliklerini de yansıtmasını sağladı.
Uygulanan ilk model, ikili sınıflandırmada yaygın olarak kullanılan bir teknik olan Lojistik Regresyondu . 0,01 öğrenme oranı ve 200 yineleme ile yinelemeli bir sürüm uygulandı ve çapraz doğrulama kullanılarak değerlendirildi. Ortalama doğruluk yaklaşık %84,7'ye ulaştı; bu, müzikal başarıyı tahmin etmek gibi karmaşık bir problem için oldukça güçlü bir sonuçtur.
Ardından, her şarkıyı özellik uzayındaki k en yakın komşusuna göre sınıflandıran K-En Yakın Komşular (KNN) algoritması test edildi . En uygun konfigürasyonu bulmak için Izgara Arama kullanılarak ky değerinin ayarlanmasıyla, lojistik regresyona kıyasla çapraz doğrulama puanında hafif bir iyileşme ile yaklaşık %84,8'lik çok benzer bir doğruluk elde edildi.
Bir sonraki model , hem doğrusal hem de doğrusal olmayan ilişkileri ele alabilen bir diğer denetimli teknik olan Destek Vektör Makinesi (SVM) idi . Yine, hiperparametre ayarlaması yoluyla, çapraz doğrulamada eşdeğer değerlerle birlikte yaklaşık %84,6 doğruluk elde edildi ve bu da istikrarlı bir performansa işaret ediyor.
Özellikler arasındaki bağımsızlık varsayımına dayanan Naive Bayes sınıflandırıcı da değerlendirildi . Varsayımlar açısından çok daha basit bir model olmasına rağmen, doğruluk sonuçları (yaklaşık %84,6) SVM ile aynı seviyede ve lojistik regresyon ve KNN'ye çok yakındı; bu da problem yapısının bu tür olasılıksal yaklaşıma çok uygun olduğu fikrini güçlendirdi.
Son olarak, karar ağacı tabanlı modeller test edildi. Karar Ağacı Sınıflandırıcısı, yaklaşık %75,4 ile önemli ölçüde daha düşük bir doğruluk oranı elde etti ve çapraz doğrulama, muhtemelen aşırı uyum sorunlarından kaynaklanan bu performans düşüşünü doğruladı. Bu etkileri yumuşatmak için birçok ağacı birleştiren Rastgele Orman Sınıflandırıcısı , yaklaşık %84,1 doğruluk oranı ve çapraz doğrulamada %84'ün üzerinde bir performans elde ederek önemli ölçüde iyileşme gösterdi.
Analizi tamamlamak için, Rastgele Orman modeli için bir karışıklık matrisi ve sınıflandırma raporu oluşturuldu . Model, popüler olmayan şarkıları (çoğunluk sınıfı) belirlemede %0,85 doğruluk ve %0,99'a yakın geri çağırma oranıyla mükemmel bir yetenek gösterirken, popüler şarkı sınıfındaki (azınlık sınıfı) performansı daha mütevazıydı; %0,40 doğruluk ve %0,05 geri çağırma oranı elde etti. Bu, bu tür problemlerdeki sınıf dengesizliğinin klasik zorluğunu vurgulamaktadır.
Değişkenlerin önemi: bir hit oluştururken en çok hangi değişkenler ağırlık taşır?
En doğru modelin hangisi olduğunu bilmenin ötesinde, bir şarkının popüler olup olmayacağını tahmin ederken hangi özelliklerin gerçekten yararlı bilgi sağladığını anlamak çok önemlidir . Bu amaçla, karar ağaçlarındaki hatayı azaltmaya her özelliğin katkısına dayalı olarak değişken önem puanları elde etmek için XGBoost (XGBClassifier) kullanılmıştır.
Sonuçlar, şarkının uzunluğunun diğerlerinden açıkça öne çıktığını ve 400'ün üzerinde bir F puanına sahip olduğunu gösterdi. Bu bulgu, daha kısa parçaların tekrar tekrar dinlenmeyi teşvik ettiği ve bu nedenle daha kısa sürede daha fazla dinlenme sayısına ulaştığı fikriyle örtüşüyor; Spotify'ın öneri algoritması da bunu ödüllendirme eğiliminde.
Öte yandan, başlıktan çıkarılan anahtar kelime, mod veya duygu gibi değişkenler 50'nin altında önem puanı alarak modelin genel tahmin gücüne katkılarının minimum düzeyde olduğunu göstermiştir. Bu, hiç etkilerinin olmadığı anlamına gelmez, aksine diğer özelliklere kıyasla ağırlıklarının çok daha küçük olduğu anlamına gelir.
Geri kalan ses özellikleri (enerji, dans edilebilirlik, duygu yoğunluğu, ses yüksekliği, akustiklik, canlılık, konuşma özelliği ve enstrümantallik gibi) 200 ile 300 arasında F-skorlarıyla orta bir aralıkta yer alarak oldukça dengeli bir bilgi bloğu oluşturduklarını gösteriyor . Hiçbiri tamamen baskın değil, ancak birlikte bir şarkının başarı şansına dair oldukça doğru bir tablo oluşturmaya yardımcı oluyorlar.
Özetle, ses özelliklerine dayalı modeller, bir parçanın en popüler %15'lik dilimde yer alıp almayacağını yaklaşık %84-85 doğrulukla tahmin edebildi ; bu da "hit şarkı bilimi"nin eski sezgisine ampirik bir destek sağlıyor: iyi veriler ve uygun tekniklerle, müzikal başarı tamamen rastgele değildir, ancak yine de önemli bir öngörülemeyen bileşen vardır.
Bu analizle ortaya konan tablo, Spotify verilerini, geleneksel istatistikleri ve makine öğrenimi modellerini birleştirmenin, sadece dinlenme sayılarını saymanın çok ötesine geçmemizi sağladığını gösteriyor. Süre, enerji, duygu ve enstrümantasyonun etkisinin yanı sıra, editörlerin hazırladığı çalma listelerinin ve platformun öneri dinamiklerinin rolünü anlamak, sanatçılara, plak şirketlerine ve analistlere belirli şarkıların neden hit olduğunu ve insan ve yaratıcı unsuru tamamen kaybetmeden bu seçkin gruba katılma şanslarını nasıl en üst düzeye çıkarabileceklerini yorumlamak için çok somut bir yol haritası sunuyor; neyse ki, bu unsur herhangi bir formüle indirgenemez kalıyor.
