#12 Kom med ind i Spotifys maskinrum
Spotifys musikanbefalinger er et vigtigt ben i selskabets forretning, men hvordan fungerer det egentlig?
Hej!
Der er ikke længe til, at julen går rigtigt i gang, men det lyder allerede meget af december (find ud af hvorfor i kort nyt). Muzaks fokus ligger dog andetsteds i denne uge.
Længere nede kan du nemlig blive klogere på, hvordan Spotify finder ud af, hvad for noget musik den skal anbefale dig, og hvorfor måden det sker på kan være problematisk. Det giver i den grad stof til eftertanke.
Resten af denne indledning vil jeg imidlertid dedikere til at udvikle Muzak.
Jeg vil gerne bede dig dele dine tanker om det, der rammer din indbakke hver tirsdag; hvad er fedt, hvad kunne være bedre - og måske har du endda et forslag eller tre til historier, der skal tages op?
Du behøver ikke råbe det fra toppen af en ølkasse i Frederiksberg Have eller tænde et bål og begynde at lave røgsignaler. Du kan blot besvare denne mail. I mellemtiden finder jeg notesblokken frem!
Og nu vi er ved det med at bede om hjælp, så vil jeg virkelig blive glad, hvis du vil anbefale Muzak til folk, du tror kunne være interesserede i det. Du kan enten videresende denne mail på samme måde som et kædebrev i start-00’erne, så modtageren kan trykke på dette link og abonnere, eller du kan trykke på knappen nedenfor.
Jeg siger tak på forhånd!
God læselyst.
Mads Oddershede
1. Kort nyt
Ariana Grande er lige nu, i kølvandet på udgivelsen af sit sjette studiealbum “Positions”, den mest streamede artist på Spotify med med 66,19 månedlige lyttere. Hun er desuden den første kvindelige artist til at runde 65 mio. månedlige lyttere.
Der skulle en højtid til for at slå Branco af tronen på den danske Spotify-chart. Siden udgivelsen af “HUNDO” den 30. oktober har gangsterrapperen ligget øverst på den danske top 50, men efter Spotify har pushet sin juleplayliste, er top 50 blevet helt julet til. Det betyder, at Mariah Carey ligger på førstepladsen med “All I Want For Christmas”, mens Wham! indtager andenpladsen med “Last Christmas”. Endelig er Shawn Mendes og Justin Bieber rykket ind som nummer tre med “Monster”, hvilket har sendt “HUNDO” ned på fjerdepladsen. Længere nede på listen finder man desuden et godt dusin andre julesange.
Musikgenkendelsestjenesten Shazam har som et smart marketingtrick udgivet en top 20 over de sange, der er blevet søgt mest på på tjenesten gennem tiden. Tones and I har den mest “shazamede” sang med “Dance Monkey” - se evt. resten af listen her.
2. Spotify vil helst ikke tage nogen chancer, når du skal have anbefalet ny musik
Musik kan fremkalde følelser og minder, gøre en ked af det eller glad, men musik er også bare tal og koder, antallet af taktslag i minuttet, tonearter og sprog.
Så hvad betyder det egentlig for vores musiklytning og -forbrug, at en virksomhed som Spotify, der har så stor betydning for måden, folk lytter til og forbruger musik på i mange lande rundt om i verden, har udviklet algoritmer til at anbefale sange til os - netop på baggrund af data om både sangene - og os?
Det tænker jeg ofte på, når jeg surfer rundt i Spotifys playlister.
Da 2019 blev til 2020, lavede jeg derfor også et nytårsforsæt om, at jeg skulle høre et album, jeg aldrig havde hørt før, hver uge i hele 2020 - dels fordi jeg gerne ville undgå, at Spotifys algoritmer og redaktører/kuratorer havde fuldkommen kontrol over den nye musik, jeg opdagede (og dels fordi der er mange klassikere, jeg måtte erkende, jeg aldrig havde hørt).
Som så mange andre nytårsforsæt er jeg dog holdt op med at efterleve det, men jeg er fortsat bevidst om, at det er fremmede folk, der styrer, hvad for noget ny musik jeg møder (langt hen ad vejen).
Men hvor meget ved vi, os dødelige, der ikke sidder i streamingtjenestens øverste kontorer, egentlig om, hvordan Spotifys måder at anbefale musik fungerer?
Det har Rasmus Rex Pedersen netop kortlagt.
Han er ph.d og adjunkt ved Roskilde Universitet og forsker i musikbrancheforhold og streaming.
Fredag den 27. november udkommer bogen “Digitale liv - brugere, platforme og selvfremstillinger”, som han er medforfatter til.
Her har han skrevet bogens - set med Muzak-briller - mest interessante kapitel “algoritmernes smag”, hvori han undersøger, hvordan Spotifys algoritmiske anbefalinger fungerer.
Hans undersøgelse tager udgangspunkt i playlisten “Discover Weekly”, hvor Spotify hver uge anbefaler nye numre baseret på din lytning - eller din musikalske profil, om man vil. Det var også dén playliste, der fik Rasmus Rex til at undre sig over, hvordan anbefalingerne blev skabt til at begynde med.
“Det hele startede med, at jeg undrede mig over de anbefalinger, jeg selv fik, når jeg brugte Spotify. Da de lancerede ‘Discover Weekly’-playlisten, var jeg ret imponeret over, at jeg fik anbefalet musik, som jeg ikke kendte i forvejen, men som egentlig passede ret fint ind i min smag. Det, der så også gik op for mig, var, at der stort set ikke var noget dansk musik i de anbefalinger, jeg fik, og når der endelig var dansk musik, så ramte de ofte ret meget ved siden af,” fortæller han, da jeg fanger ham over telefonen.
“Det var, som om jeg var blevet castet til en bestemt årgang, hvilket betød, at jeg fik Mads Langer og Tina Dickow kastet i nakket ved enhver given lejlighed. Det er ikke, fordi jeg ikke kan lide deres musik, men det er ikke den musik, jeg primært lytter til. Derfor var jeg lidt forundret over, hvad der egentlig lå under, og derfor besluttede jeg mig for at dykke ned i, hvad der var grundlaget for de anbefalinger.”
Rasmus Rex fandt ud af, at “Discover Weekly” baserer sig på en kombination af disse tre algoritmer:
Kollaborativ filtrering
Natural Language Processing
Indholdsanalyse
(Jeg har forsøgt at gøre det så lidt nørdet som muligt, men tag eventuelt en ekstra tår af kaffen, inden du læser videre.)
Den første algoritme, kollaborativ filtrering, handler om at sætte folk i kasser eller “smagsfællesskaber”. Det vil sige, at folk, som lytter rigtig meget til hip-hop, bliver sat i den samme kasse, og får anbefalet musik som folk, der godt kan lide hip-hop, typisk synes er fedt. Og det vil som regel være musik indenfor netop hip-hop-genren(e).
Med 320 millioner brugere er der masser af smagsfællesskaber, man kan blive puttet i hos Spotify, men selvom det er et solidt datagrundlag at anbefale musik ud fra, så er det ikke nok, når streaminggiganten skal anbefale i særdeleshed ny musik.
Derfor bliver algoritmen “Natural Language Processing” også anvendt, når der skal anbefales musik via “Discover Weekly”.
Dén algoritme fungerer hos Spotify på den måde, at den støvsuger både internetsider og playlister for information om en given kunstner eller sang. Og ved at forstå kunstnerens eller sangens kontekst bedre, kan Spotify også nemmere vurdere, om dén sang passer ind i det pågældende smagsfællesskab.
Endelig er der indholdsanalysen. Her går algoritmen ind og analyserer alle de små elementer i hver enkelt sang - det er alt lige fra de specifikke toner og akkorder, tempo, varighed, støj og hundredvis af andre parametre, der bliver kigget igennem her.
Alt i alt bliver det altså til et finmasket net, der forsøger at fiske musik frem, du kan lide.
Men en rigtig vigtig pointe her er, slår Rasmus Rex fast, at det ikke er en objektiv vurdering, om en sang er noget for dig. Der er stadig tale om subjektive anbefalinger, selvom det kommer fra en computer.
“Vi har en oplevelse af, at algoritmer er nogle maskiner, som på en eller anden måde kan fortælle os, hvordan tingene i virkeligheden er. Men det er statistik. De (Spotify red.) laver statistiske beregninger for sandsynligheden for, at man godt vil kunne lide noget, og det gør de ud fra nogle parametre, som nogle har udvalgt,” forklarer Rasmus Rex og fortsætter.
“Der er altså valgt nogle parametre, de skal bruge i den statistik, og samtidig er der også nogle parametre, de har valgt ikke at bruge i den statistik. Det vil sige, at hvis vi skulle snakke om objektivitet, så skulle vi have alle data inkluderet som datagrundlag for anbefalingerne, men nogle data er nemmere at komme til end andre.”
“Der er noget data, som de bruger, men der er andet, som simpelthen er for besværligt at komme til, så det kan de ikke bruge som udgangspunkt for anbefalinger til alle, og derfor udelader de det. Og når de udelader data, så er de med til at skævvride de resultater, der kommer ud af det.”
Og det er ret interessant i forhold til de anbefalinger, som ender med at blive spyttet ud, efter algoritmerne har tygget dem igennem. Som udgangspunkt er målet med anbefalingerne nemlig ikke, at du finder din nye yndlingssang, men i stedet finde sange, du bare synes godt om, forklarer Rasmus Rex.
“Et eksempel på det kunne være, at hvis jeg gerne vil have en musikanbefaling, så vil jeg måske egentlig helst have en musikanbefaling, som har potentialet til virkelig at røre mig. Altså virkelig udfordre mig i min lytning, gøre mig nysgerrig eller følelsesmæssig engageret.”
“Men det musik, der potentielt kan røre os allermest, er også det musik, som kan risikere at frastøde os allermest. Det vil sige, at hvis man kommer med den type anbefalinger - hvis man forestiller sig, at du skulle anbefale et nummer som virkelig rørte en bekendt, du havde - så ville der være sandsynlighed for, at det nummer virkelig rørte personen, men der er også en risiko for, at du ville ramme ved siden af, og at den selvsamme musik var noget, der frastødte vedkommende.”
“Når man arbejder med det fra et statistisk perspektiv, så er det ikke så god en anbefaling, fordi sandsynlighed for, at det ville blive opfattet som en dårlig anbefaling, er for stor. Så hellere have en middelmådig anbefaling, hvor der er størst sandsynlighed for, at den bliver taget nogenlunde positivt imod, end at man kommer med en anbefaling, der har potentiale til at være en fantastisk anbefaling, men som også har risikoen for at blive oplevet som forkert eller dårlig,” siger Rasmus Rex.
Så anbefalingerne vil hellere undgå at skuffe end at levere noget helt forrygende. Som forbruger har man vel ellers det indtryk, at man kan finde virkelig fed musik via sin “Discover Weekly”-playliste?
“Præcis. Det er jo ikke, fordi man ikke kan møde musik, som virkelig rør én, men det er ikke det, som algoritmens indre logik lægger op til. Det er algoritmernes indre logik at pege dig i retning af nogle relativt sikre bud.”
Hvorfor tror du, at det er indrettet på den måde, i stedet for at algoritmerne sigter mod at anbefale musik, der virkelig kan ramme én?
“Jeg tror, der er to forklaringer på det spørgsmål. Det ene er, at den måde, som Spotify anbefaler musik på, er bygget op på at skulle kunne fungere automatisk til alle brugere. Den skal kunne fungere i ret stor skala, og når det gør det, så skal de bruge det, man kalder implicit feedback.”
“Det vil sige i stedet for at spørge os, hvad vi synes om den musik, vi fik anbefalet, så bruger den nogle indikationer på, hvad vi syntes om musikken - for eksempel hvorvidt vi spoler i nummeret eller stopper det, hvilket kan tages som en indikation på, at vi ikke så godt kunne lide den anbefaling. Omvendt kan indikationer på, at vi godt kunne lide nummeret, være, at vi vender tilbage til det på et senere tidspunkt, eller at vi lytter det til ende.”
“Men det datagrundlag, de har for at kunne sige noget om vores musiksmag, siger jo ikke noget om, hvor godt vi kunne lide det. Det er bygget på en kvantitativ forståelse frem for en kvalitativ forståelse. Det vil sige, at noget, som ikke forstyrrer, og vi derfor bliver ved med at lytte det, lidt bliver puttet i samme kasse, som musik vi virkelig elsker at lytte til.”
Og nu er vi igen tilbage til pointen om, at Spotifys algoritmer ikke er objektive. Måden at anbefale musik på taler nemlig lige ind i selskabets strategiske mål, påpeger Rasmus Rex.
“Spotify har helt klart en strategisk interesse i at få deres brugere til at lytte til meget musik og få dem til at bruge Spotify som et slags soundtrack til ens dag.”
“Det vil sige, at man bruger Spotify til alle mulige aktiviteter i løbet af dagen. Den type lytning lægger også op til, at musikken mere skal være et behageligt tapet til ens hverdag, snarere end det skal være noget, der træder frem i forgrunden og er det primære, vi gør på et givent tidspunkt på dagen.”
Det kan hurtigt få en negativ klang, at anbefalingerne ikke er objektive, men er der et problem i, at de ikke er det?
“Som udgangspunkt tænker jeg egentlig ikke, at de anbefalinger, vi får, ikke er objektive, for det er vi sådan set vant til. Vi er jo vant til, at når vi får anbefalet musik fra en anmelder, journalist eller fra vennekredsen, så er det subjektivt.”
Men, tilføjer Rasmus Rex.
“Det, der er problemet, er, hvis vi tror, det er objektivt. Så risikerer vi, at vi ikke går til det på samme kritiske måde. Derfor skal vi blive ved med at forholde os kritiske til de anbefalinger, vi får, og blive ved med at stille krav til, at de skulle kunne hjælpe os med at opdage ny musik, der udvikler vores musiksmag.”
Du skriver i bogen, at der er en risiko for filterbobler, “hvor relationen mellem brug og anbefalinger fører til et feedbackloop, som forstærker og fastholder et bestemt brugsmønster uden at udfordre og udvikle brugerens præferencer." Hvad er problemet ved det?
“Der er potentielt et problem. Det der med at skabe filterbobler er jo et problem, som man har kendt inden for algoritmiske anbefalinger gennem noget tid efterhånden. Det er en frygt, man har haft inden for sociale medier i forhold til nyheder, og det er klart, at dem skal man tage alvorligt.”
“Men den måde, som Spotify bygger deres algoritmiske anbefalinger op på, viser faktisk, at de har forståelse for, at det her er en risiko, og at de gør noget for at bryde det.”
“Det gør de blandt andet ved, at de ikke kun arbejder med det, man kalder kollaborativ filtrering, altså den her form for anbefaling, der bygger på, hvad andre brugere, der minder om en selv, lytter til. Men også inkluderer andre parametre.”
(Det var de tre forskellige algoritmer, jeg udpenslede tidligere.)
“Men det er klart, at der er en risiko for, at der bliver skabt en form for feedbackloop. Når det kommer til dansk musik, kunne en risiko dér være, at hvis Spotify ikke er særlig god til at anbefale dansk musik til mig, så er der større sandsynlighed for, at jeg skipper forbi de danske numre.”
“Det betyder, at jeg så giver feedback til algoritmen om, at det her var en dårlig anbefaling, og dermed risikerer algoritmen at tage det med, når den skal anbefale musik til en anden bruger.”
“Det vil sige, at algoritmen faktisk forstærker den dynamik, der er i forvejen, nemlig at dansk musik har svært ved at få gode præstationer, og fordi algoritmen ikke er præcis nok faktisk kommer til at skubbe dansk musik længere ned af prioritetslisten. Det er sådan noget, der kan blive en udfordring for dansk musik eller andre typer nichemusik.”
Men sørger “Discover Weekly”-playlisten ikke alligevel for, at man får udvidet sin musikalske horisont, selvom den kommer med anbefalinger ud fra noget, man kan lide i forvejen?
“Jo, men det er også derfor, at konklusionen ikke er, at det her er noget forfærdeligt noget. Der er helt klart en tendens til, at den måde at bruge musik på, der ligger på musiktjenesterne, har gjort, at vi lytter til mere forskellig musik med en større diversitet end tidligere.”
“Algoritmerne er med til at skubbe os i retning af ting, vi ikke nødvendigvis havde fundet, men der er også nogle bagsider, og det tror jeg, vi skal være bevidste om. Specielt når det handler om, hvordan vilkårerne er for repræsentation af mere nicheorienteret kultur, og specifikt i en dansk kontekst, hvordan vilkårerne er for formidling af dansk musik.”
Spørgsmålet er så, hvordan det her vil udvikle sig. Kommer det hele til at centrere sig om tal, filterbobler og smagsfællesskaber i fremtidens musikforbrug? Helt sådan går det nok ikke, gætter Rasmus Rex.
“Jeg tror, at fremtiden dels bringer, at algoritmerne bliver endnu bedre til at indregne nogle af de her faktorer. En af de ting, vi også ser, er mere fokus på algotorial. Altså at man laver et samspil mellem menneskelige redaktører og deres forståelse for musikken sammen med algoritmernes anbefalinger. Det tror jeg vi kommer til at se mere af.”
Og dermed har du noget at tænke over, næste gang du “opdager” en sang på Spotify, du godt kan lide. Og næste gang du trykker “næste” efter kun at have lyttet til 15 sekunder af et nyt track. Eller næste gang du… Ja, foretager dig noget på Spotify.
3. Anbefalinger
Den 21-årige puertorikanske rapper iann dior har udnyttet momentummet fra 24kGoldns “Mood”, hvor han er featuring, til at udsende en ny single med navnet “Holding On”. Den er lidt skåret over samme skabelon som “Mood”, og det er jo sådan set en god ting.
DR’s musikredaktion har begået en underholdende longread om “Det store smølfemysterium”. Det er nemlig aldrig blevet opklaret, hvem der synger på de danske udgaver af smølfesangene. I bedste true crime-stil bliver det dog undersøgt her.
Er du til gangsterrap, så er Volkans nye udgivelse noget for dig. “Shottaz” er pumpet med energi og hårde rim, og det er godt.
Det var alt for den 25 øre, som man sagde dengang, man stadig brugte kontanter, og der fandtes kvarte kroner i møntform. Ha’ det forrygende indtil næste tirsdag!
- Mads