Willkommen zu LIGHTHOUSE - unserem Magazin für digitale Changemaker! Dabei ist LIGHTHOUSE aber nicht irgendein Magazin. Nein. Es ist das Magazin unserer CLASSES! Von CLASS TWO in einer Challenge komplett gestaltet und ausgearbeitet, findet Ihr hier Artikel, Videos, Interviews und Insights aller CLASSES zu unserem Programm, zum SHIFTSCHOOL-Leben und einfach allem, was unseren Pionieren am Herzen liegt.

big datadata scienceKundenbedürfnisseKundenzufriedeheitMixtape

Spotifys „Discover Weekly“: Musik für alle – und mich!

OUTLOOK

Empfohlene Songs im Anschluss an die Playlist und ein wöchentliches Mixtape ganz nach meinem Geschmack: Spotify kennt meine Musikvorlieben besser als ich. Was früher Musikfernsehen, Radiomoderatoren und der Freundeskreis übernahmen, macht heute ein schlauer Algorithmus gleichzeitig für mich und 140 Millionen andere Menschen.

INSIGHT

    Übersicht

  • RECOMMENDATION MODELS bei Spotify:
    Erkennisse aus dem Nachtbus.
  • KOLLABORATIVES FILTERN bei Spotify:
    Gleicher Musikgeschmack, aber nicht derselbe.
  • NATURAL LANGUAGE PROCESSING bei Spotify:
    Sich blendend verstehen.
  • RAW AUDIO MODELS bei Spotify:
    Hosen runter jetzt.
  • IT’S A MATCH bei Spotify:
    Die Mischung macht‘s!

 

 

Lesedauer: 5 Minuten

Recommendation Models bei Spotify:
Erkenntnisse aus dem Nachtbus.

Nach einer viel zu herzlichen Umarmung steige ich in den letzten Nachtbus. Betrunken, aber glücklich fahre ich nach Hause. Um mich herum ein bunt gemischtes Publikum aus  Clubgängern und Arbeitern, die ebenfalls auf dem Nachhauseweg sind.

Ich nehme meine weißen Kopfhörer aus der Jackentasche, entwirre sie und öffne die Spotify-App. Aufgeladen mit den Gefühlen des Abends versuche ich, die richtige Musik zu finden. Will ich leise Klänge, laute Riffs oder wilde Tracks? Unentschlossen und orientierungslos klicke ich auf die „Discover Weekly“-Mixtapes der Musik-Streaming-Anwendung und lasse mich überraschen.

Am nächsten Morgen weiß ich nur noch zwei Dinge des vergangenen Abends: Das letzte Bier muss schlecht gewesen sein und die Mixtapes im Bus waren genau nach meinem Geschmack.

Nach einem weiteren Fünf-Stunden-Nickerchen, zwei Flaschen Wasser und einem Snack sitze ich auf meinem Balkon und öffne erneut die Spotify-App.  Auch nüchtern begeistern mich die Tracks der „Discover Weekly“-Mixtapes.

Nachdenklich öffne ich ein Radler.

Ich erzähle meinem Mitbewohner Oliver von meiner nächtlichen Busfahrt. Und neben überraschenden Dingen, die ich gestern Abend anscheinend noch so getan habe, gesteht er mir, dass auch er ein großer Fan der „Discover Weekly“-Mixtapes ist. Ich nippe an der Flasche mit Bügelverschluss und beginne zu recherchieren.

Die „Discover Weekly“-Mixtapes sind eine Service-Funktion von Spotify. Immer montags liefert mir der schwedische Streaming-Riese zahlreiche Songs, die mir gefallen könnten. Ebenso Oliver – und 140 Millionen anderen Nutzern weltweit. Nach zwei Stunden Artikelwälzen, zwei weiteren Radlern und zwei peinlichen Geschichten mehr von letzter Nacht komme ich zu folgendem Ergebnis:

Hinter Spotifys „Discover Weekly“ stecken viele schlaue Entscheidungen – was man von meinem letzten Abend nicht behaupten kann.

 

KOLLABORATIVES FILTERN bei Spotify:
Gleicher Musikgeschmack, aber nicht derselbe

Kollaboratives Filtern bedeutet, dass Verhaltensmuster von Nutzergruppen ausgewertet werden, die auf Interessen einzelner Personen schließen lassen.

Das Recommendation Model des kollaborativen Filterns bildet Cluster, die ein bestimmtes Musikverhalten definieren: Oliver hört gerne die Songs A, B, C und D, ich die Songs B, C, D und E. Keine Rocket Science, dass mir Olivers Lieblingssong A auch gefallen könnte – schließlich mögen wir beide B, C und D. Technisch natürlich komplizierter als diese beiden Sätze, am Ende aber genau das.

Wie kommt Spotify eigentlich auf Olivers  A, B, C  und D  bzw. mein B, C, D und E?

Ausgewertet werden:

  • Wie oft habe ich mir Song B angehört?
  • Habe ich Song C gespeichert bzw. in eine Playlist gepackt?
  • Habe ich nach dem Hören von Song D auf das Artist Profile geklickt?

In Olivers Heavy Rotation sind Would I Lie To You, (I Just) Died In Your Arms, Better Now und Shooting Stars.

In meiner Heavy Rotation sind (I Just) Died In Your Arms, Better Now, Shooting Stars und Crazy World.

Oliver bekommt durch mich Crazy World vorgeschlagen, ich Would I Lie To You.

 

NATURAL LANGUAGE PROCESSING bei Spotify:
Sich blendend verstehen.

Natural Language Processing, kurz NLP, ist die Fähigkeit des Computers, menschliche Sprache zu verstehen. Analysiert wird unser aller geschrieben Wort in Blogartikeln, News und Sozialen Netzwerken, um herauszufinden, wie wir über ein Album, ein Genre, einen Künstler reden.

Daraus werden Tagclouds generiert, quasi sprachliche Destillate eines Songs: Welche Adjektive werden häufig für Album X verwendet, welches Register wird gebraucht? Ist das Album eher hammerkrass, das mich zum Küssen deiner Augen animiert, oder doch eine klare Reminiszenz an Picassos Blaue Periode?

Über Gzuz‘ ¿ Warum ? schreibt man anders als über Kettcars Benzin & Kartoffelchips.

In Form einer gewaltigen Matrix entstehen also wieder Cluster, die wieder gematcht werden. In nuce: NLP sorgt dafür, dass man über Song A anscheinend mit Wortfeld1, Wortfeld2, Wortfeld3 und Wortfeld4 spricht, über Song B mit Wortfeld3, Wortfeld4, Wortfeld5, und Wortfeld6.

Ein fiktives Beispiel: Oliver beschreibt in seinem Blogartikel „Best Playlist“ Would I Lie To You als „treibend … mit einem Ohrwurm-Charakter … höre ich in Dauerschleife“, testspiel.de den Song als „absoluten Treiber“, tonspion.de als „Achtung:  Ohrwurmgefahr“ und laut.de als „einen Song, den man einfach immer wieder hören muss“.

Höre ich also Songs, die unter Umständen ähnlich beschrieben werden (wie vielleicht Sandstorm, Welcome to St. Tropez oder gar Fotzen im Club) wäre doch bestimmt Would I Lie To You auch was für mich, oder?

 

RAW AUDIO MODELS bei Spotify:
Hosen runter jetzt.

Tja, und dann gibt es ja noch den Song an sich. Der wird von Raw Audio Models in seine Einzelteile zerlegt. Ist ja immer gut zu wissen, woran man ist.

So seziert lässt sich der Song einordnen hinsichtlich

  • Time Signature – also dem Takt (meist 4/4 bzw. 3/4)
  • Key – Tonart (Moll bzw. Dur)
  • Mode – Modalität (tonales Ordnungsprinzip, Tonleiter)
  • Tempo – Wie schnell spielt man den Song?
  • Loudness – Lautheit, nicht Lautstärke

Und wenn Song A nun – wie mein Musikgeschmack sonst auch – sehr Dur-lastig, eher loud und schnell ist, wäre das wohl eine Empfehlung wert.

Randnotiz: Über dieses simpel anmutende Recommendation Model kommen vor allem Songs neuer, unbekannter Künstler ins Musik-Ökosystem. Hier ist es ja erst einmal egal, wie viele Plays ein Song hat.

 

IT’S A MATCH bei Spotify:
Die Mischung macht‘s!

Spotifys „Discover Weekly“-Mixtapes sind nicht so verdammt gut, weil es A mit B matcht, sondern alle Matching-Möglichkeiten matcht:

Spotify setzt nicht auf ein einzelnes Pferd und hofft das Beste wie z. B. Apple Music. Erst die Verbindung der drei beschriebenen Recommendation Models und die unendliche Menge an Daten machen Spotify so unheimlich gut.

Für später bookmarke ich mir diese Seiten:

„Lisa hat eben für dich angerufen. Dein Geldbeutel ist aufgetaucht.“ höre ich Oliver sagen. Heute ist ein klasse Tag! Nur das Wetter könnte noch ein bisschen besser sein.

DEEPDIVE

Lust auf Musik bei Spotify, die ich ausgesucht habe und nicht die Maschine?

Es ist einfach, mein Profil mixtaped.de bei Spotify zu finden:

  1. Öffne die Spotify-App,
  2. Gehe auf die Suche.
  3. Klicke auf das Kamera-Icon, um den folgenden Spotify-Code zu scannen!

Spotify-Code scannen, um zu meinen Spotify-Account zu kommen.

Schöne Songtexte bei Spotify, die man leicht überhört: tonjuwelen bei Instagram.


Autor(en):


Kategorisiert in: | Veröffentlicht am: 21.02.2019 Zurück zur Übersicht

Vorheriger Artikel

Nächster Artikel

Werde Teil des SHIFTSCHOOL-Netzwerks

Du möchtest über unsere Events, Highlights und Spannendes rund um das Thema Digitalisierung informiert werden? Dann melde Dich jetzt für unseren Newsletter an und werde Teil unseres Netzwerks.