Come funziona l'algoritmo di raccomandazione di Spotify?

Spotify è una delle principali applicazioni musicali che utilizza previsioni e raccomandazioni intelligenti per i suoi utenti. Sono finiti i giorni in cui cercavamo, scaricavamo e curavamo manualmente le nostre playlist per soddisfare i nostri gusti. L'attuale era del Machine Learning e della Data Science ha reso possibile per app come Spotify capire i gusti e le preferenze degli utenti e di conseguenza raccomandare canzoni e playlist curate.

Durante i primi anni 2000, il modo migliore e più conveniente per scaricare e ascoltare musica era o da siti web di terze parti o dalla pirateria. Entrambi richiedevano tempo e sforzo per cercare prima la canzone e poi scaricarla. Ancora di più, il dolore era quello di creare playlist contenenti le canzoni preferite.

Un altro aspetto negativo era dalla prospettiva dell'artista. Gli artisti popolari non avevano molti problemi a commercializzare le loro nuove uscite, dato che erano in tutte le classifiche del mondo. Ma gli artisti nuovi e indipendenti hanno affrontato molti problemi per far arrivare la loro musica ad un vasto pubblico a cui piacerebbe la musica che stanno creando. Non solo questo, ma gli artisti ottengono anche il vantaggio ora. Gli artisti ottengono il pubblico che altrimenti non avrebbero ottenuto. La loro musica viene automaticamente raccomandata agli ascoltatori che amano quel tipo di musica. Quindi, è una vittoria per tutti! Ora, vediamo come vengono sfruttati i modelli di Machine Learning.

Come fa Spotify a sfruttare il Machine Learning e la Data Science?

Spotify offre quattro caratteristiche principali ai suoi utenti sfruttando il Machine Learning. Queste includono:

• Time Capsule: È una playlist mista che contiene vecchi classici e altre canzoni popolari retrò.
• Home Page Playlist: È la playlist consigliata che appare sulla home page non appena l'utente apre l'app.
• Daily Mix: È una playlist giornaliera che consiste nelle canzoni più ascoltate e apprezzate dall'ascoltatore.
• Discover Weekly: È una playlist settimanale consigliata che viene aggiornata con nuove canzoni in base ai gusti dell'ascoltatore.

Tra queste, la funzione Discover Weekly è la funzione di punta che Spotify offre. Utilizza modelli basati su Machine Learning e big data che raccomandano 50 nuove canzoni in una playlist curata ogni lunedì. Questo ha aiutato Spotify a raggiungere il punto in cui si trova oggi. Questa funzione non solo lega le persone all'app, ma genera anche più dati, e quindi le raccomandazioni migliorano nel tempo.

Per Discover Weekly, Spotify raccoglie molti dati specifici degli utenti per capire il comportamento e la soddisfazione con la playlist curata. Prende in considerazione dati come il tempo trascorso dall'utente sulla playlist, il numero di volte in cui le canzoni sono state riprodotte, la quantità di tempo trascorso sull'album di quella canzone o sulla pagina dell'artista, se l'utente ha saltato una canzone o no, se l'utente l'ha salvata in una playlist personale o no, e se l'utente è tornato alla pagina di Discover Weekly o no.

Anche se Spotify ha fatto molto bene nello spazio di raccomandazione, deve ancora migliorare nell'area della raccomandazione personalizzata. Il divario tra l'effettiva soddisfazione dell'utente e ciò che il modello di Machine Learning pensa sia la soddisfazione, deve essere chiuso. Hanno acquisito una startup francese Niland nel 2017 per migliorare la loro tecnologia di personalizzazione.

Con sempre più utenti che si iscrivono, i dati che Spotify tratta aumenteranno significativamente nei prossimi anni. Questo non significa solo una migliore opportunità per migliorare le raccomandazioni, ma anche una sfida per gestire così tanti dati. Con un potere così immenso, i dati di Spotify saranno la chiave per le compagnie musicali e i dischi per prendere decisioni commerciali chiave basate su ciò che la gente sta ascoltando e gradendo. Spotify può anche trasformare la sua sezione Podcasts per renderla molto migliore nel raccomandare nuovi podcasts agli ascoltatori. I podcast che parlano di temi e argomenti simili possono essere raggruppati insieme e poi utilizzati nelle raccomandazioni.