Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: CXXXIV Международной научно-практической конференции «Научное сообщество студентов: МЕЖДИСЦИПЛИНАРНЫЕ ИССЛЕДОВАНИЯ» (Россия, г. Новосибирск, 07 февраля 2022 г.)

Наука: Информационные технологии

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Боярских А.Е., Медведев Н.Д., Паршин П.А. DATA SCIENCE В МУЗЫКАЛЬНОЙ ИНДУСТРИИ // Научное сообщество студентов: МЕЖДИСЦИПЛИНАРНЫЕ ИССЛЕДОВАНИЯ: сб. ст. по мат. CXXXIV междунар. студ. науч.-практ. конф. № 3(134). URL: https://sibac.info/archive/meghdis/3(134).pdf (дата обращения: 29.03.2024)
Проголосовать за статью
Конференция завершена
Эта статья набрала 0 голосов
Дипломы участников
У данной статьи нет
дипломов

DATA SCIENCE В МУЗЫКАЛЬНОЙ ИНДУСТРИИ

Боярских Артём Евгеньевич

студент, институт информационных систем, Государственный университет управления,

РФ, г. Москва

Медведев Никита Денисович

студент, институт информационных систем, Государственный университет управления,

РФ, г. Москва

Паршин Павел Алексеевич

студент, институт информационных систем, Государственный университет управления,

РФ, г. Москва

АННОТАЦИЯ

Статья объясняет, как Data Science изменяет и формирует новую реальность музыкальной индустрии и какие методы для этого используются.

 

Ключевые слова: наука о данных; data science; музыка: стриминговые сервисы; аналитика.

 

С тех пор как словосочетание Data Science заинтересовало бизнес в 2015 году, интерес к этой науке не пропадает, а только начинает набирать обороты, так как количество данных с каждым днём растёт в геометрической прогрессии. Музыкальная индустрия, как и индустрия развлечений в целом, не стала исключением. Если вы следите за музыкой и хотя бы немного знаете её историю, то вас не удивит факт, что на современной сцене талант отходит на второе (а порой даже и на третье) место, уступая грамотному маркетингу и количеству продаж альбомов, EP и синглов. Для повышения эффективности маркетинга и максимизации продаж используется Data Science, помогая получить более глубокое представление о вкусах аудитории и обозначая характерные черты хита. Неудивительно, что все крупные музыкальные лейблы и стриминговые сервисы нанимают армии аналитиков и специалистов по работе с данными, обещая им крупные зарплаты.

Одна из главных причин возрастающей популярности Data Science в музыкальной индустрии – переход от “физической” музыки (CD диски, музыкальные пластинки, кассеты) к стриминговым сервисам (Soundcloud, YouTube, Spotify, Apple Music, Amazon Music), крайне полагающимся на работу алгоритмов, например, для отбора треков в тематические плейлисты, для подбора похожих треков или же для подбора треков по настроению. Также огромное влияние оказало появление социальных сетей, и их современная роль не в том, что они обеспечивают связь между артистом и аудиторией (раньше подобная связь могла установиться только во время концерта или интервью), а в том, что, благодаря сложным алгоритмам, социальные сети прекрасно продвигают артистов и открывают новые таланты, а также смахивают пыль со старых композиций, достаточно вспомнить скольких мировых звёзд подарил нам TikTok, или сколько забытых песен давно умерших музыкантов вновь стали популярны благодаря этой социальной сети. Также не стоит забывать, что музыкальная индустрия — это не только музыка, большую часть доходов артистов и лейблов составляют продажи мерчендайза и рекламные контракты, даже здесь социальные сети и стриминговые сервисы справляются с этой задачей не хуже e-commerce компаний вроде Amazon или Ebay.

Говоря о создании музыки, важно понимать, что Data Science, а именно музыкальная аналитика, оказывает на продюсерский аспект значительное влияние, какой бы контр-интуитивной идеей это не показалось. Благодаря музыкальным аналитикам лейблы обладают огромным массивом данных о том, какие жанры сейчас популярны, какая продолжительность песен наиболее привлекательна и даже в какую дату выхода релиз продастся лучше всего. Для примера Spotify ежегодно выпускает статистику о наиболее прослушиваемых артистах, треках, жанрах, подкастах, а также о наиболее прослушиваемых артистах, треках и альбомах, выпущенные 20 лет назад, ещё в список входят количество созданных плейлистов и специфика популярных плейлистов.

Переместимся от вопроса “как Data Science влияет на музыкальную индустрию?” к вопросу “какие инструменты Data Science используются в музыкальной индустрии?” За примером обратимся к вышеупомянутому Spotify, хотя принципы общие для всех стриминговых сервисов. Рассмотрим работу плейлиста “Открытия недели”, который генерируется автоматически в начале каждой недели и содержит в себе рекомендации новых артистов и треков, которые с большой вероятностью вам понравятся. Принцип работы плейлиста строится на использовании машинного обучения и различных методов агрегации данных, самыми значимыми из которых являются:

  1. Collaborative Filtering – процесс сравнения множества плейлистов разных пользователей, имеющих похожие треки. Алгоритм выискивает треки, которые понравились людям с похожим музыкальным вкусом, и предлагает их вам.
  2. Natural Language Processing – Spotify также собирает данные, введённые с клавиатуры в приложении. На основе этих данных составляются профили композиций и артистов, которые впоследствии предлагаются вам, если ключевые слова таких профилей соответствуют вашему вкусу.
  3. Convolutional Neural Networks – последний слой рекомендательного механизма, суть которого заключается в повышении точности рекомендаций и включении непопулярной музыки в плейлист. Алгоритм конвертирует каждый трек в звуковую волну и на основе неё выделяет множество метрик: от темпа и громкости до лада. Метрики помогают алгоритму найти похожую музыку и включить её в плейлист.

Разобрав то, как Data Science влияет на музыкальную индустрию, можно смело утверждать, что ей это только на пользу: благодаря участившимся музыкальным “чёрным лебедям” у безызвестных музыкантов сегодня больше шансов обратить на себя внимание большой аудитории, благодаря сложным алгоритмам у слушателей сегодня есть уникальная возможность слушать музыку и не уставать от неё, благодаря машинному обучению сегодняшние композиторы уже могут применять искусственный интеллект для облегчения написания музыки. С годами отношения между наукой и музыкой станут только крепче, а само искусство без науки уже не представится возможным, но важно помнить, что и у такого исхода есть свои минусы.

 

Список литературы:

  1. Бирн Дэвид. Как работает музыка. Альпина нон-фикшн, 2020. – 489 с.
  2. How Data Science Is Revolutionizing The Music Industry [электронный ресурс] — Режим доступа. — URL: https://www.opentracker.net/article/data-science-music (дата обращения 26.01.2022)
  3. Data Science in the Music and Entertainment Industry [электронный ресурс] — Режим доступа. — URL: https://www.godatadrive.com/blog/data-science-in-the-music-industry (дата обращения 26.01.2022)
  4. Advanced Music Analytics using Machine Learning [электронный ресурс] — Режим доступа. — URL: https://towardsdatascience.com/advanced-music-analytics-using-machine-learning-f344e4795bbc (дата обращения 26.01.2022)
Проголосовать за статью
Конференция завершена
Эта статья набрала 0 голосов
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.