Алгоритм музыки

Подвинься, Американский Идол.

Следующая большая история успеха в музыкальной индустрии не будет обнаружена на громких конкурсах талантов. Вместо этого он будет идентифицирован в наборах данных с помощью сложных алгоритмов, разработанных для выявления тенденций использования и бизнеса.

На первый взгляд этот метод кажется сухим и более лишенным эмоций, чем критика Саймона Коуэлла, но на самом деле это лучший способ, которым публика выбирает «следующую большую вещь». Каждый раз, когда люди нажимают на ссылки на YouTube, публикуют фотографии с концертов в Twitter или обсуждают группы в Facebook, они вносят свой вклад в массив информации, называемый большими данными. Термин относится к коллекции наборов данных, которые являются большими и содержат сложные взаимосвязи. Подумайте о структуре социальных сетей. Они содержат миллионы индивидуальных пользовательских профилей, связанных между собой дружбой, лайками, членством в группах и т. д. По сути, большие данные отражают структуру этих платформ.

В музыкальной индустрии большие данные генерируются такими действиями, как онлайн-продажи, загрузки и общение через приложения или социальные сети. Измеряемые показатели включают «количество воспроизведений или пропусков песен, а также уровень их популярности в социальных сетях на основе таких действий, как лайки в Facebook и твиты». Аналитические инструменты определяют общую популярность фан-страниц и регистрируют положительные или отрицательные отзывы об артистах. Вместе эта информация выявляет текущие тенденции, оценивает цифровой пульс артистов и приводит к продажам синглов, товаров, билетов на концерты и даже подписок на сервисы потоковой передачи музыки.

С точки зрения открытия новых талантов большие данные играют важную роль в привлечении внимания крупных звукозаписывающих компаний. Во многих случаях компании подсчитывают просмотры страниц исполнителя, лайки и подписчиков. Затем цифры можно легко сравнить с другими артистами того же жанра. Как только выступление привлекает более ста тысяч подписчиков в Facebook или Twitter, менеджеры по талантам замечают это и начинают вызывать интерес в самой музыкальной индустрии.

Большие данные выбирают следующий большой хит Top 40

Способность определять текущие тенденции и предсказывать появление следующей мегазвезды приносит большое финансовое вознаграждение всем участникам. Например, специалисты по анализу данных изучали влияние социальных сетей на продажи альбомов и треков iTunes, сравнивая одни показатели с доходами других. Они пришли к выводу, что активность в социальных сетях коррелирует с увеличением продаж альбомов и треков. В частности, просмотры на YouTube оказывают наибольшее влияние на продажи; открытие, которое побудило многие звукозаписывающие компании загружать на платформу крупнобюджетные музыкальные видеоклипы для продвижения синглов. Прежде чем тратить миллионы на производство видео, анализ используется для определения того, какие песни могут стать хитами на основе онлайн-активности целевой аудитории. Точность этих прогнозов коррелирует с качеством анализа больших данных.

Предприниматели в музыкальной индустрии сейчас экспериментируют с новыми методами разработки алгоритмов, которые собирают информацию с большей эффективностью и точностью. Одним из наиболее ярких примеров является совместное предприятие EMI ​​Music и Data Science London под названием The EMI Million Interview Dataset. Он описывается как «один из самых богатых и самых больших наборов данных об оценке музыки, когда-либо доступных — массивный, уникальный, богатый, высококачественный набор данных, составленный на основе глобальных исследований, который содержит интересы, отношения, поведение, знакомство и оценку музыки, выраженные любители музыки».

Дэвид Бойл, старший вице-президент по исследованиям в EMI Music, объясняет: «(Оно) состоит из миллиона интервью, затрагивающих такие темы, как уровень страсти к определенному музыкальному жанру и поджанру, предпочтительные методы поиска музыки, любимые музыкальные исполнители, мысли о музыкальном пиратстве, потоковой передаче музыки, музыкальных форматах и ​​демографии фанатов».

Цель проекта — опубликовать этот сборник информации и улучшить качество бизнеса в музыкальной индустрии.

«Мы добились больших успехов, используя данные, которые помогают нам и нашим художникам понимать потребителей, и мы рады поделиться некоторыми из наших данных, чтобы помочь другим сделать то же самое», — говорит Бойл.

В 2012 году EMI Music and Data Science London сделала еще один шаг вперед, проведя хакатон Music Data Science Hackathon. EMC, мировой лидер в области анализа данных и решений для больших данных, присоединилась к предприятию и предоставила ИТ-инфраструктуру. За 24 часа 175 специалистов по данным разработали 1,300 формул и алгоритмов, чтобы ответить на вопрос: «Можете ли вы предсказать, понравится ли слушателю новая песня?» Результаты намекнули на силу коллективного разума, и участники разработали формулы, которые были описаны как мирового класса.

«Выводы, полученные на этом хакатоне, намекают на силу и потенциал, которые таят в себе большие данные — как для интеллектуальных открытий, так и для увеличения ценности бизнеса для организаций любого типа, — говорит Крис Рош, региональный директор EMC Greenplum.

Но как вы платите художникам?

После того, как индустрия определила, что песня имеет потенциальный успех, и выпустила ее как сингл, как она рассчитывает гонорары, когда песня воспроизводится в социальных сетях или на стриминговых сайтах? Прямо сейчас «лейблы звукозаписи всех размеров сталкиваются с растущей проблемой, связанной с необходимостью согласовывать огромное количество данных от потоковых компаний, таких как Spotify, Deezer и YouTube, но у них меньше людей, чем когда-либо».

Одна из основных проблем с точки зрения управления информацией заключается в том, что большинство систем управления базами данных не были разработаны для обработки наборов данных, столь же больших и сложных, как большие данные. Например, размер файлов цифровых данных, создаваемых распространителями музыки, намного превышает возможности таких программ, как Excel. Это создает проблемы, включая отсутствующие данные и метки файлов, которые несовместимы с бухгалтерским программным обеспечением.

В большинстве случаев все эти вопросы решают бухгалтеры, добавляя дополнительное время и труд к и без того большой нагрузке. Во многих случаях большой процент накладных расходов лейбла приходится на отдел бухгалтерии.

Для решения этих проблем предприниматели разрабатывают платформы бизнес-аналитики, способные систематизировать и анализировать большие данные. Один из лучших примеров — австрийская компания Rebeat, которые описывают свои услуги как «учет роялти в три клика». Основанная в 2006 году, она быстро превратилась в ведущего европейского цифрового дистрибьютора и предоставляет доступ к 300 цифровым услугам по всему миру. По сути, Rebeat оптимизирует методы бухгалтерского учета и выполняет внутреннюю работу, например сопоставление полей данных в бухгалтерском программном обеспечении, поэтому бухгалтерский отдел может свободно управлять бюджетами. Они также предоставляют инфраструктуру для управления выплатами роялти в соответствии с договорными соглашениями, прямыми соглашениями с магазинами цифровой музыки, генерируют графики для отслеживания продаж и, что наиболее важно, экспортируют данные в файлы CSV.

Конечно, услуга имеет свою цену. Forbes сообщил, что звукозаписывающие компании должны использовать Rebeat в качестве дистрибьютора, чтобы иметь доступ к данным компании, что стоит 15% комиссионных с продаж и фиксированной платы в размере 649 долларов в год. Однако оценки показывают, что в большинстве случаев учетная запись лейбла часто стоит гораздо дороже, а это означает, что подписание контракта с Rebeat может сэкономить деньги.