La algoritmo malantaŭ muziko

Transiru, American Idol.

La sekva granda sukcesa historio en la muzika industrio ne estos malkovrita en altprofilaj talentaj konkursoj. Anstataŭe, ĝi estos identigita en datumaj aroj per kompleksaj algoritmoj dizajnitaj por malkovri uzadon kaj komercajn tendencojn.

Surface, ĉi tiu metodo sonas seka kaj pli sen emocio ol la kritikoj de Simon Cowell, sed ĝi estas fakte la finfina maniero kiel la publiko elektas "la venontan grandan aferon." Ĉiufoje kiam publiko alklakas jutubajn ligilojn, afiŝas koncertajn fotojn en Tvitero aŭ babilas pri grupoj en Fejsbuko, ili kontribuas al aro de informoj nomata grandaj datumoj. La esprimo rilatas al kolekto de datumserioj kiuj estas grandaj kaj enhavas kompleksajn interrilatojn. Pensu pri la strukturo de sociaj retoj. Ili enhavas milionojn da individuaj uzantprofiloj, kiuj estas kunligitaj per amikecoj, 'ŝatoj', grupaj membrecoj, ktp. Esence, grandaj datumoj spegulas la strukturon de ĉi tiuj platformoj.

En la muzika industrio, grandaj datumoj estas generitaj per agadoj kiel interreta vendo, elŝutoj kaj komunikado, faritaj per aplikaĵoj aŭ sociaj amaskomunikiloj. Metrikoj mezuritaj inkluzivas "la kvanton da fojoj kiam kantoj estas luditaj aŭ preterlasitaj, same kiel la nivelon de tirado, kiun ili ricevas en sociaj amaskomunikiloj bazitaj sur agoj kiel Facebook-ŝatoj kaj ĉirpetoj." Analizaj iloj determinas la ĝeneralan popularecon de fanpaĝoj kaj registras pozitivajn aŭ negativajn komentojn pri artistoj. Kune, ĉi tiuj informoj identigas aktualajn tendencojn, taksas la ciferecan pulson de artistoj kaj kondukas al vendoj per unuopaĵoj, varo, koncertaj biletoj kaj eĉ abonoj al muzikfluaj servoj.

Koncerne malkovron de nova talento, grandaj datumoj ludas gravan rolon en generado de intereso ĉe ĉefaj muzikeldonejoj. En multaj kazoj, kompanioj kalkulas la paĝojn de artisto, "ŝatojn" kaj sekvantojn. Tiam, nombroj povas facile esti komparitaj kun aliaj artistoj en la sama ĝenro. Post kiam akto generis cent mil pliajn Facebook aŭ Tviterajn sekvantojn, talentaj administrantoj rimarkas kaj komencas interesiĝi ene de la muzika industrio mem.

Grandaj datumoj elektante la sekvan grandan Top 40-sukceson

La kapablo identigi aktualajn tendencojn kaj antaŭdiri la sekvan megastelulon venas kun grandaj financaj rekompencoj por ĉiuj implikitaj. Ekzemple, datumsciencistoj studis la efikon de sociaj amaskomunikiloj sur iTunes-albumo kaj spuras vendojn komparante onies metrikojn kun la enspezo de la alia. Ili konkludis, ke socia amaskomunikila agado korelacias al pliiĝo en albumo- kaj trakovendoj. Pli specife, YouTube-vidoj havas la plej grandan efikon al vendoj; trovo kiu instigis multajn muzikeldonejojn alŝuti grandajn buĝetajn muzikfilmetojn sur la platformon por reklami unuopaĵojn. Antaŭ ol elspezi milionojn por videoproduktado, analizo estas uzata por identigi, kiuj kantoj verŝajne fariĝos furoraĵoj surbaze de la interretaj agadoj de celitaj publikoj. La precizeco de ĉi tiuj antaŭdiroj korelacias al la kvalito de analizo de grandaj datumoj.

Entreprenistoj ene de la muzika industrio nun eksperimentas kun novaj metodoj por evoluigi algoritmojn kiuj rikoltas informojn kun pli granda efikeco kaj precizeco. Unu el la plej rimarkindaj ekzemploj estas komunentrepreno inter EMI Music kaj Data Science London nomita The EMI Million Interview Dataset. Ĝi estas priskribita kiel "unu el la plej riĉaj kaj plej grandaj muzikaj aprezaj datenoj iam disponigitaj - masiva, unika, riĉa, altkvalita datumaro kompilita de tutmonda esplorado kiu enhavas interesojn, sintenojn, kondutojn, konatecon, kaj aprezon de muziko kiel esprimite fare de ŝatantoj de muziko."

David Boyle, Ĉefa Vicprezidanto por Insight ĉe EMI Music, klarigas, "(Ĝi estas) konsistas el miliono da intervjuoj traktantaj temojn kiel nivelo de pasio por aparta muzikĝenro kaj subĝenro, preferataj metodoj por muzika malkovro, ŝatataj muzikartistoj, pensoj pri muzikpiratado, muzika fluado, muzikformatoj kaj fandemografio."

La celo de la projekto estas liberigi ĉi tiun kolekton de informoj al publiko kaj plibonigi la kvaliton de komerco ene de la muzika industrio.

"Ni havis grandan sukceson uzante datumojn por helpi nin kaj niajn artistojn kompreni konsumantojn, kaj ni ĝojas dividi iujn niajn datumojn por helpi aliajn fari la samon," diras Boyle.

En 2012, EMI Music kaj Data Science London prenis la projekton unu paŝon plu gastigante la Music Data Science Hackathon. EMC, monda gvidanto en datumscienco kaj grandaj datumsolvoj, aliĝis al la entrepreno kaj disponigis IT-infrastrukturon. Dum 24-hora periodo, 175 datumsciencistoj evoluigis 1,300 formulojn kaj algoritmojn por respondi la demandon: "Ĉu vi povas antaŭdiri ĉu aŭskultanto amos novan kanton?" La rezultoj aludis la potencon de kolektiva inteligenteco kaj partoprenantoj evoluigis formulojn kiuj estis priskribitaj kiel mondklaso.

"La komprenoj malkaŝitaj en ĉi tiu hackathon aludas la potencon kaj potencialon, kiun havas Grandaj Datumoj - kaj por intelekta malkovro kaj por pliiga komerca valoro por organizoj de ĉiu speco," diras Chris Roche, Regiona Direktoro de EMC Greenplum.

Sed kiel vi pagas la artistojn?

Post kiam la industrio determinis, ke kanto trafis potencialon kaj publikigas ĝin kiel unuopaĵon, kiel ĝi kalkulas tantiemon kiam la kanto estas ludata sur sociaj amaskomunikiloj aŭ fluejoj? Ĝuste nun, "diskeldonejoj de ĉiuj grandecoj alfrontas kreskantan problemon devi akordigi amasojn da datumoj de fluantaj kompanioj kiel Spotify, Deezer kaj YouTube, sed havas malpli da homoj ol iam ajn por fari tion."

Unu el la centraj defioj de informa administradperspektivo estas ke la plej multaj datumbazaj administradsistemoj ne estis evoluigitaj por pritrakti datumajn arojn kiuj estas same grandaj kaj kompleksaj kiel grandaj datumoj. Ekzemple, la grandeco de ciferecaj datumdosieroj generitaj de muzikaj distribuistoj estas multe pli ol tio, kion programoj kiel Excel povas pritrakti. Ĉi tio kreas problemojn inkluzive de mankantaj datumoj kaj dosieretikedoj ne kongruaj kun kontada programaro.

Plejofte, ĉiuj ĉi tiuj aferoj estas solvitaj de kontistoj, aldonante plian tempon kaj laboron al jam peza laborŝarĝo. En multaj kazoj, granda procento de la superkosto de etikedo estas ligita en la kontada fako.

Por kontraŭbatali ĉi tiujn problemojn, entreprenistoj disvolvas komercajn spionajn platformojn, kiuj havas la kapablon organizi kaj analizi grandajn datumojn. Unu el la plej bonaj ekzemploj estas la aŭstra kompanio Rebeat, kiu priskribas siajn servojn kiel "reĝeca kontado per tri klakoj". Fondita en 2006, ĝi rapide kreskis al la ĉefa cifereca distribuisto de Eŭropo kaj disponigas aliron al 300 ciferecaj servoj tutmonde. Esence, Rebeat fluliniigas kontadajn praktikojn kaj pritraktas backend-laboron, kiel kongruaj datumkampoj en kontada programaro, do la kontada fako estas libera administri buĝetojn. Ili ankaŭ disponigas infrastrukturon por administri reĝecopagojn konforme al kontraktaj interkonsentoj, rektaj interkonsentoj kun ciferecaj muzikbutikoj, generi grafikaĵojn por spuri vendojn, kaj plej grave, eksporti datumojn en CSV-dosierojn.

Kompreneble, la servo venas kun prezo. Forbes raportis, ke muzikeldonejoj devas uzi Rebeat kiel distribuiston, por ke ili povu aliri firmaajn datumojn, kiuj kostas 15%-vendkomisionon kaj fiksan kotizon de $649 ĉiujare. Taksoj sugestas, tamen, ke plejofte la kontada superkovraĵo de etikedo ofte kostas multe pli, kio signifas, ke subskribado kun Rebeat povus rezulti esti monŝparado.