Spotify 超強推坑歌單怎麼來的?背後準到可怕的「協同過濾」機制大公開

SPOTIFY

【我們為什麼挑選這本書】現代人與資訊科技的關係已經緊密到分也分不開,但你知道科技本身是怎麼運作、對你的影響是好是壞、對未來的工作將掀起什麼改變嗎?

本文從《Google、臉書、微軟專家教你的 66 堂科技趨勢必修課》一書中摘錄「Soptify 如何推薦歌曲給你?」段落,和你分享 Soptify 稱霸音樂串流平台的關鍵。(責任編輯:賴佩萱)

每個週一早晨,Spotify 會送給聽眾三十首歌的播放清單,這些歌曲很神奇地符合聽眾們的喜好。這個播放清單稱為「每週探索」(Discover Weekly),也成為熱門話題。在 2015 年 6 月發行的六個月內,「每週探索」被發送超過十億七千萬次。

你的一舉一動都被演算法計算著!

Spotify 的確有雇用音樂專家,手動製作播放清單,但是他們沒有辦法為七百五十萬個使用者製作這個清單。Spotify 是採用演算法,每週執行以製作歌單 。「每週探索」的演算法是先查看兩項基本資訊:

第一, 它會先看使用者喜愛到會加入到音樂庫或者是播放清單的所有歌曲 。這個演算法甚至聰明到可以知道,使用者是否在播放的前三十秒就已經跳過該首歌曲,這代表使用者可能不喜歡這首歌曲。

第二, 演算法會看其他人所製作的所有播放清單 ,同時假設每個播放清單都有主題關聯,比如使用者可能會有「跑步」或者是「披頭四即興演奏」播放清單。

「協同過濾」出你的個人播放清單

當 Spotify 有這些資料,就利用這兩個方式找到使用者可能喜歡的歌曲。第一個方法是比較上述的兩個資料集(dataset),找到符合使用者喜好的新歌。例如,有一個使用者的播放清單有八首歌曲,而當中的七首有在你的音樂庫,他們判斷你可能喜歡這類型的歌曲,所以「每週探索」就推薦那首不在你音樂庫的歌曲。

這種方式稱為「協同過濾」,這也被亞馬遜所採用,其 根據你與數以百萬計的使用者的購買記錄,推薦建議商品給你 。網飛的電影建議、Youtube 的影片建議,和臉書的朋友建議都是採用協同過濾。

第二個方法是將使用者的播放清單視為個人的「品味檔案」(taste profile),根據個人所聽過喜歡的歌曲,Spotify 會以不同類別(如獨立搖滾或者是 R&B)和更細微的類別(如室內流行樂與新美國音樂)推薦使用者相同類別的音樂。這仍然是根據過往聽過的音樂模式,只是不同形式的推薦。

要做就要做出「差異化」,獨特之處成消費者買點

然而,雇用工程師建置這樣的推薦引擎是很昂貴的,Spotify 的工程師一年薪水幾十萬美金的,所以為什麼 Spotify 要這麼做?

第一點,一個強力的推薦系統是一個賣點,幫助 Spotify 顯得比其他競爭對手突出,如蘋果音樂。那是因為有一個龐大的音樂庫是不夠的,以商業語彙來說,音樂是一個商品——任何歌曲在 Spotify 或者是蘋果音樂,或者是其他類似的地方聽起來都是一樣的——並且只要有錢的人就可以去購買音樂的授權,建立一個巨大的音樂庫。

所以, 如果所有的音樂串流服務都能夠有效率地擁有相同的音樂,Spotify 需要有與其他競爭對手不同的地方 。而 Spotify 的推薦系統也確實達到這個目標——被認為比蘋果音樂更好。

而且,當有更多的使用者,協同過濾的表現會更好,Spotify(已經有了很多使用者)持續維持領先。

你越使用,它越懂你!

第二個理由是 個人化的推薦使得使用者的服務黏著度更高 。越常使用 Spotify,演算法越了解你的品味,也因此更能推薦適合的音樂。所以假如你常常使用 Spotify,你的推薦結果將會相當好,也因此您不會想改用蘋果音樂,因為蘋果音樂一點也不了解你的偏好。

所以這個高「轉換成本」(switching cost),減少你想改用其他類似應用程式的可能性。(更一般地來說,任何存放在應用程式的個人資料,例如製作 Spotify 的播放清單,將會提高轉換成本,因為必須在新的應用程式中重新建立資料。)

簡而言之,個人化的播放清單對聽音樂的人來說相當重要,這也是 Spotify 厲害的商業策略,難怪越來越多的應用程式提供個人化的推薦內容。

(本文書摘內容出自《Google、臉書、微軟專家教你的 66 堂科技趨勢必修課,由 商業周刊 授權轉載,並同意 TechOrange 編寫導讀與修訂標題;首圖來源:unsplash。)

你可能會有興趣

點關鍵字看更多相關文章: