Допреди няколко години, големите музикални лейбъли имаха доста сладък бизнес модел. Те генерираха печалби от всеки сингъл или албум, без значение дали е издаден на винил, CD или дори касетка. Вече не е така. MP3 файлове, торенти, пиратство, стрийминг услуги и онлайн видеото унищожиха този бизнес модел. Какво направиха лейбълите, за да останат над водата? Потърсиха помощ от big data. И те далеч не бяха единствените – доста музикални бизнеси се зародиха и оформиха моделите си с прилагането на аналитични модели. В тази публикация обясняваме повече.
Не толкова отдавна, музикалните редактори и продуцентите в радиата имаха огромно количество работа за класифицирането на всяка нова песен ПРЕДИ тя да влезе в плейлистите, респективно в класациите. Подобна класификация включва (но не само) жанр, темпо, период, пол на артиста, музикални инструменти, инструментали и т.н. Модерното музикално радио все още работи по този начин, но когато музикалните стрийминг услуги се появиха, те трябваше да наваксат много.
Проектът „Музикален геном“ прави опит да структурира музикалните данни чрез ръчна класификация. Специално обучени музиканти изследват всяка песен, също както Netflix наема хора, за да гледат филми и да класифицират тяхното съдържание. Работата върху този проект става основа за музикалната услуга Pandora и така се ражда първият ефективно работещ модел за препоръчване на музика. Чрез събирането на 450 типа данни за всяка песен, аналитичните алгоритми са способни да прогнозират коя би била следващата песен, която бихте слушали с удоволствие.
Доколкото музиката представлява обем от неструктурирани данни, с machine learning може да се постигне добра класификация. Комбинирайте с data analytics и ще имате отличен инструмент за музикални препоръки. Pandora бяха първите с подобна функционалност, Last.fm бяха още по-добри в това отношение, но iTunes и Spotify мастерираха умението да изследват индивидуалните музикални предпочитания. Междувременно Spotify придобиха компанията за анализ на музика The Echo Nest, за да увеличат потенциала си в тази област. Обемът от работа там е огромен, но добрите резултати от нея ще задържат потребителите на музикалната услуга. Всички тези бизнеси станаха възможни не само заради Интернет, но и заради анализа на данни и прогнозирането.
Връщаме се към музикалните лейбъли. След като продажбите на записи се срутиха, един от основните източници на приходи за тях стана концертната дейност. Jay-Z например, планира едно от турнетата си във Великобритания на база данни от Spotify, доколкото музикалната услуга има съвършено точна информация за количеството фенове и къде се намират те. По този начин, приложението на data analytics дава оптимизация и увеличена ефективност на бизнес процесите.
Но данните могат много повече. Музикалните компании биха искали да знаят кои групи биха могли да се превърнат в рок звезди и кой сингъл има хитов потенциал. Тук аналитичното прогнозиране може да помогне и да превърне изкуството в откриването на бъдещи звезди в (почти) точна наука. MusicMetric е аналитична компания, която проследява развитието на хиляди артисти от началото на кариерата им до (евентуалния) успех. По този начин, техният екип набелязва елементи, чрез които може да различи китарните герои от бъдещите рок звезди. В същото време компанията изследва социалните медии, за да установи кой от артистите или групите генерира най-много интерес към себе си. Такъв тип информация помага на лейбълите и музикалните стрийминг услуги да установят къде има потенциал за успех и кои са артистите, чието развитие трябва да бъде държано под око. В резултат, MusicMetric беше придобита от Apple.
Изследователи от университета в Антверпен създадоха алгоритъм, способен да предвиди с относително висока точност позицията, която даден сингъл може да постигне в денс класацията на Билборд. Чрез анализ на всички песни, попаднали в чарта от 1985 до 2014 г., алгоритъмът прогнозира кой сингъл би влязъл в Топ 10 с точност от 65%. Подобно умение е ключово важно, ако работиш в този бизнес. По-късно, аналитичният екип на Spotify направи експеримент с прогнозирането на носителите на статуетки Грами. Тяхното решение успява да познае 4 от 6 победители, което далеч не е лош резултат.
Това са само част от начините, по които data analytics дава не само добавена стойност, но и подобрява ефективността на вече съществуващи бизнеси. Чрез работата с данни се създават нови услуги и бизнес модели, които задоволяват потребностите на клиентите по по-добър начин от наличните досега. Ако имате още примери за приложението на аналитичните услуги в музикалните бизнеси, ще се радваме да ги споделите във формата за коментари.
