O algoritmo detrás da música

Móvete, American Idol.

A próxima gran historia de éxito na industria musical non se descubrirá en concursos de talentos de alto perfil. Pola contra, identificarase en conxuntos de datos mediante algoritmos complexos deseñados para descubrir o uso e as tendencias comerciais.

En superficie, este método soa seco e máis desprovisto de emoción que as críticas de Simon Cowell, pero en realidade é a forma en que o público selecciona "a próxima gran cousa". Cada vez que o público fai clic nas ligazóns de YouTube, publica fotos de concertos en Twitter ou conversa sobre bandas en Facebook, contribúe a un conxunto de información chamado big data. O termo refírese a unha colección de conxuntos de datos que son grandes e conteñen interrelacións complexas. Pense na estrutura das redes sociais. Conteñen millóns de perfís de usuarios individuais que están ligados entre si por amizades, "gústame", pertenzas a grupos, etc. Esencialmente, o big data reflicte a estrutura destas plataformas.

Na industria da música, o big data é xerado por actividades como as vendas en liña, as descargas e a comunicación realizadas a través de aplicacións ou contornos de redes sociais. As métricas medidas inclúen "a cantidade de veces que se reproducen ou omiten cancións, así como o nivel de tracción que reciben nas redes sociais en función de accións como os "gústame" e os chíos de Facebook". As ferramentas analíticas determinan a popularidade xeral das páxinas de fans e rexistran comentarios positivos ou negativos sobre os artistas. En conxunto, esta información identifica as tendencias actuais, avalía o pulso dixital dos artistas e leva a vendas a través de sinxelos, mercadoría, entradas para concertos e mesmo subscricións a servizos de transmisión de música.

No que se refire ao descubrimento de novos talentos, o big data xoga un papel importante para xerar interese nas principais discográficas. En moitos casos, as empresas contabilizan as páxinas vistas, os "gústame" e os seguidores dun artista. Entón, os números pódense comparar facilmente con outros artistas do mesmo xénero. Unha vez que un acto xerou máis de cen mil seguidores en Facebook ou Twitter, os xestores de talento dan conta e comezan a despertar interese na propia industria musical.

Big data seleccionando o seguinte gran éxito do Top 40

A capacidade de identificar as tendencias actuais e predecir a próxima megaestrela vén con grandes recompensas financeiras para todos os implicados. Por exemplo, os científicos de datos estudaron o impacto das redes sociais nas vendas de álbums e pistas de iTunes comparando as métricas dun cos ingresos do outro. Concluíron que a actividade das redes sociais se correlaciona cun aumento das vendas de álbums e cancións. Máis concretamente, as visualizacións de YouTube teñen o maior impacto nas vendas; un descubrimento que levou a moitas discográficas a cargar vídeos musicais de gran orzamento na plataforma para promocionar singles. Antes de gastar millóns en produción de vídeo, a análise utilízase para identificar que cancións son susceptibles de converterse en éxitos en función das actividades en liña do público obxectivo. A precisión destas predicións está correlacionada coa calidade da análise de big data.

Os empresarios da industria musical están experimentando agora con novos métodos para desenvolver algoritmos que recollen información con maior eficiencia e precisión. Un dos exemplos máis notables é unha empresa conxunta entre EMI Music e Data Science London chamada The EMI Million Interview Dataset. Descríbese como "un dos conxuntos de datos de apreciación da música máis ricos e máis grandes xamais dispoñibles: un conxunto de datos masivo, único, rico e de alta calidade compilado a partir de investigacións mundiais que contén intereses, actitudes, comportamentos, familiaridade e aprecio pola música expresados ​​por fans da música".

David Boyle, vicepresidente sénior de Insight de EMI Music, explica: "(Está) composto por un millón de entrevistas que abordan temas como o nivel de paixón por un xénero e subxénero musical en particular, métodos preferidos para o descubrimento musical, artistas musicais favoritos, reflexións sobre a piratería musical, a transmisión de música, os formatos de música e a demografía dos fans".

O obxectivo do proxecto é divulgar esta colección de información ao público e mellorar a calidade dos negocios dentro da industria musical.

"Tivemos un gran éxito ao usar datos para axudarnos a nós e aos nosos artistas a comprender aos consumidores, e estamos encantados de compartir algúns dos nosos datos para axudar a outros a facer o mesmo", di Boyle.

En 2012, EMI Music e Data Science London deron un paso máis no proxecto ao acoller o Music Data Science Hackathon. EMC, líder mundial en ciencia de datos e solucións de big data, uniuse á empresa e proporcionou infraestrutura de TI. Durante un período de 24 horas, 175 científicos de datos desenvolveron 1,300 fórmulas e algoritmos para responder á pregunta: "Podes predecir se a un oínte lle encantará unha canción nova?" Os resultados deixaron entrever o poder da intelixencia colectiva e os participantes desenvolveron fórmulas que foron descritas como de clase mundial.

"As ideas reveladas neste hackathon indican o poder e o potencial que teñen o Big Data, tanto para o descubrimento intelectual como para o valor comercial incremental para organizacións de todo tipo", di Chris Roche, director rexional de EMC Greenplum.

Pero como pagas aos artistas?

Despois de que a industria determinou que unha canción alcanzou o seu potencial e a lanza como sinxelo, como calcula os dereitos de autor cando a canción se reproduce en plataformas de redes sociais ou sitios de transmisión? Agora mesmo, "as discográficas de todos os tamaños enfróntanse a un problema crecente de ter que conciliar cantidades de datos de empresas de streaming como Spotify, Deezer e YouTube, pero teñen menos xente que nunca para facelo".

Un dos retos centrais desde a perspectiva da xestión da información é que a maioría dos sistemas de xestión de bases de datos non foron desenvolvidos para manexar conxuntos de datos tan grandes e complexos como os big data. Por exemplo, o tamaño dos ficheiros de datos dixitais xerados polos distribuidores de música vai moito máis alá do que poden manexar programas como Excel. Isto xera problemas, incluíndo datos faltantes e etiquetas de ficheiros que non son compatibles co software de contabilidade.

Na maioría dos casos, todos estes problemas son resoltos polos contadores, engadindo tempo e traballo adicionais a unha carga de traballo xa pesada. En moitos casos, unha gran porcentaxe dos gastos xerais dunha etiqueta está vinculado ao departamento de contabilidade.

Para combater estes problemas, os emprendedores desenvolven plataformas de intelixencia empresarial que teñen capacidade para organizar e analizar big data. Un dos mellores exemplos é a empresa austríaca Rebeat, que describe os seus servizos como "contabilidade de royalties con tres clics". Fundada en 2006, converteuse rapidamente no principal distribuidor dixital de Europa e ofrece acceso a 300 servizos dixitais en todo o mundo. Esencialmente, Rebeat simplifica as prácticas de contabilidade e xestiona o traballo de backend, como a coincidencia de campos de datos no software de contabilidade, polo que o departamento de contabilidade é libre de xestionar os orzamentos. Tamén proporcionan unha infraestrutura para xestionar os pagos de dereitos de acordo cos acordos contractuais, acordos directos con tendas de música dixital, xerar gráficos para rastrexar as vendas e, o máis importante, exportar datos a ficheiros CSV.

Por suposto, o servizo ten un prezo. Forbes informou de que as discográficas deben usar Rebeat como distribuidor para poder acceder aos datos da empresa, o que custa unha comisión de vendas do 15% e unha tarifa fixa de 649 dólares cada ano. Non obstante, as estimacións suxiren que, na maioría dos casos, a superposición de contabilidade dunha etiqueta adoita custa moito máis, o que significa que asinar con Rebeat pode ser un aforro de diñeiro.