1. Le diktat du bon goût
ou comment les sites de streaming musicaux cherchent à prédire nos écoutes
Noé Béal, Agnès Lucas
2. Introduction
“65% des utilisateurs apprécient les recommandations
personnalisées des services de streaming” *
Les algorithmes de recommandation sont-ils le nouvel or
noir de l’industrie musicale ?
*Enquête Médiamétrie / CNIL
3. Plan
I - Tour d’horizon des services de streaming musicaux
1 - Les sites de streaming musicaux et leur méthodes de recommandation
2 - Comment fonctionne un algorithme de recommandation ?
3 - Comment se traduisent les recommandations faites par Spotify ?
II - Notre enquête
1 - Présentation de la démarche
2 - Compte de niche
3 - Compte mainstream
4 - Retour sur l’enquête
III - Les effets des algorithmes sur nos écoutes et nos goûts
1 - Le streaming influence la production des hits d’aujourd’hui
2 - Cas particulier, l’algorithme de YouTube propulse des niches ou des groupes indé
3 - Comment s’articule la découverte musicale à l’heure du streaming ?
4. I - Tour d’horizon des services de streaming musicaux
1 - Les sites de streaming musicaux et leur méthodes de recommandation
112M
d’abonnés
❖ Début 2017, 112 millions de
personnes disposaient d’un
abonnement à l’une des
plateformes phares du marché
(CNIL / Médiamétrie )
5.
6. I - Tour d’horizon des services de streaming musicaux
1 - Les sites de streaming musicaux et leur méthodes de recommandation
Offre plus ou moins similaire, confort de navigation égal
→ Le nerf de la guerre intervient dans la qualité de l’algorithme de
recommandation proposé
Deux choix s’offrent aux fournisseurs de musique en ligne :
INTERNALISATION :
Gérer la création en interne
EXTERNALISATION :
Sous traiter la création de l’algorithme de
streaming à des sociétés extérieures
7. I - Tour d’horizon des services de streaming musicaux
2 - Comment fonctionne un algorithme de recommandation ?
● Analyse de signal : Traite le son pour en tirer ses caractéristiques musicologiques
principales (tempo, accords, timbres de voix…)
● Collaborative filtering (filtrage collaboratif) : système de recommandation utilisant les
opinions et évaluations d'un groupe pour aider l'individu → Artiste similaire
Ex : Si Gertrude aime Cabrel, que Cunégonde aime aussi Cabrel et a adoré
Laurent Voulzy, alors Gertrude devrait aimer Laurent Voulzy.
● Crowdsourcing : Analyse les sites spécialisés et les retranscrit dans un vocabulaire
commun.
Ex : The Echo Nest analysait en 2013 10 millions de pages liées à la musique
par jour. Les sources de Musimap vont de Wikipédia à l’Encyclopaedia
Metallum.
8. I - Tour d’horizon des services de streaming musicaux
2 - Comment fonctionne un algorithme de recommandation ?
● Content based : Le système de recommandation basé sur le contenu a pour principe
d’associer deux éléments distincts dans le but de les faire “matcher”
○ D’un côté le profil personnel de l’utilisateur composé des styles de musique écoutés
par l’utilisateur (genres, artistes les plus écoutés) son comportement vis à vis de celui
ci (récurrence des artistes écouté, chansons passées…)
○ De l’autre une description de chaque morceaux définie par des éléments
musicologiques (durée, BPM…) et grâce à des mots clés traduisant des humeurs. Le
nombre de mots diffère en fonction des algorithmes.
● Deep learning : Automatisation de l’algorithme de toutes les méthodes précédemment
citées, les entraînera en permanence et s’appuiera sur ses propres résultats pour évoluer.
.
9. I - Tour d’horizon des services de streaming musicaux
3 - Quelles types de recommandations
pour Spotify ?
“Découverte de la semaine“ consiste à proposer une
sélection de 30 chansons (parmi un catalogue de plus
de 30 millions de titres) adaptée au profil de chacun des
utilisateurs
● Chaque utilisateur dispose d’un profil de goûts en
fonction de ses écoutes et de ses morceaux
sauvegardés.
● De l’autre c’est au travers de l’analyse des
playlists créées par les utilisateurs (2 milliards )
que Spotify identifie des morceaux similaires.
L’algorithme rapproche ainsi les morceaux identifiés qui
correspondent au profil de l’utilisateur, mais qu’il n’a pas
encore écoutés. Source : Spotify
10. I - Tour d’horizon des services de streaming musicaux
3 - Quelles types de recommandations pour Spotify ?
● Plus récemment Spotify a également créé “Radar de sortie” playlist
personnalisée, une nouvelle playlist de recommandation adaptée à
l’auditeur. Elle permet à l’utilisateur de ne louper aucune sortie d’album
ou de nouveaux titres pour les artistes écoutés ou suivis par l’utilisateur.
● De manière moins officielle, l'entreprise Suédoise permet aussi à ses
abonnés de créer ses propres playlists intelligentes au moyen d’une
interface simplifiée et intuitive
11. I - Tour d’horizon des services de streaming musicaux
3 - Quelles types de recommandations pour Spotify ?
Exemple de playlist intelligente :
Disponible sur http://smarterplaylists.playlistmachinery.com/
12. II - Enquête : les recommandations de Spotify
Nous souhaitons analyser les propositions faites par les différents algorithmes de
recommandation du service de streaming en ligne Spotify afin de prendre la mesure de la
justesse de ses recommandations et de son adaptabilité sur une période d’un mois
Pour se faire nous avons créé deux comptes vierges, sans historique d’écoute, afin d’analyser la
différence des recommandations.
Nous avons écouté de la musique environ une heure tous les deux jours.
Compte mainstream
Pseudo : L44
Sexe : Non-binaire
Anniversaire : 8 mai 2000
Compte de niche
Pseudo : Rogé Coudert
Sexe : Homme
Anniversaire : 23 janvier 1977
1 - Présentation de la démarche
13. II - Enquête : les recommandations de Spotify
Le compte de niche a pour objectif de mettre en difficulté l’algorithme de recommandation
● Ecoute d’artiste au faible nombre d’écoute
○ Entre 500 et 50 000 nombre d’écoute
● Écoute de genres musicaux variés et/ou nichés
○ Jazz Fusion et Jazz Japonais Trip-Hop, Ambient, Drône, Cold Wave, Rock,
Grime, Breakbeat, Rap experimental….
● Aucun abonnement aux playlists pré-faites par Spotify
● Aucune écoute des suggestions faites par l’onglet “Découvrir”
2 - Compte de niche
14. II - Enquête : les recommandations de Spotify
2 - Compte de niche
Spotify.me, permet de comprendre en détail et d’analyser les habitudes d’écoute
15. II - Enquête : les recommandations de Spotify
Après 1 mois d’écoute, le genre musical correspondant le plus au
compte de niche s’appelle le “Fluxwork” :
● Playlist créée par “The Sound of Spotify”. Une playlist de 310
abonnés composée de plus de 400 titres
● Aucune trace de l’existence de ce genre musical ailleurs que sur
Spotify → Catégorisation volontaire de l'algorithme ?
● Titres entre 10 000 et 700 000 écoutes
● Genre musical de la playlist difficilement identifiable
2 - Compte de niche
16. II - Enquête : les recommandations de Spotify
Plus de 300 playlists crééés par The Sound Of Spotify / Playlists de niche par pays
2 - Compte de niche
17. II - Enquête : les recommandations de Spotify
3 - Compte mainstream
Le compte de mainstream a pour objectif de suivre uniquement, dès le départ, les
recommandations Spotify
Ecoute des charts
“Top 50 mondial”, “Top Tracks of 2017”, “Tubes de la Semaine”
Abonnement aux playlists “Tubes de la Semaine” et “Today’s Top Hits”
Ecoute des playlists
“Trajet du Matin”, “Fin de journée”,
“Fréquence Hits”, “Hits du moments”
“C’est Party ! Réveillon”, “Bonne année 2018 !”
18. II - Enquête : les recommandations de Spotify
29 décembre : playlist « C’est Party ! Réveillon »,
créée par Digster France. Après 4h50 min et 74
titres, le lecteur passe automatiquement à la radio
liée à la playlist - générée par un algorithme.
● La première chanson est le remix de
“Despacito”, déjà présent dans la playlist.
● Puis des chansons d’artistes féminines (Hailee
Steinfeld, Selena Gomez) sorties en 2017 (ex :
“Most Girls”, Hailee Steinfeld, Girl Power et
nomination aux Teen Choice Award de la
meilleure chanson d’une artiste féminine)
● Un morceau reggaeton/pop latino : “Romance”
de Nacho et Justin Quiles – à 8 millions de
stream.
● Ensuite 2 chansons d’anciens du boys band
One Direction, Liam Payne et ZAYN (un remix)
3 - Compte mainstream
19. II - Enquête : les recommandations de Spotify
4 - Retour sur l’enquête
→ Les différentes recommandations de la plateforme de streaming Spotify s’avèrent judicieuses
et adaptées à nos écoutes
→ Suivre uniquement les recommandations de Spotify semble engendrer une écoute stéréotypée,
avec des structures de morceaux formatées.
→ Un mois d’enquête nous a paru insuffisant pour déterminer avec précision les goûts des
différents thèmes
20. III - Les effets des algorithmes sur nos écoutes et nos goûts
« Oh, we need to make something that sounds like Spotify. »
Emily Warren, singer-songwriter
« Spotify tells you what your job is. »
Elizabeth Mencel (Roses), singer
1 - Le streaming influence la production des hits d’aujourd’hui
21. III - Les effets des algorithmes sur nos écoutes et nos goûts
L’histoire de la musique enregistrée est liée aux évolutions des dispositifs techniques d’écoute.
Aujourd’hui, les tubes sont pour la plupart faits par :
● les mêmes producteurs, souvent des hommes, qui s’occupent des arrangements musicaux et des
rythmes
● les mêmes « top-liners », souvent des femmes, qui trouvent les mélodies principales, les paroles, et
les « hooks » qui accrochent l’oreille de l’auditeur.
Les données collectées par les services de streaming permettent une forme de standardisation de
l’industrie, malgré la démultiplication du catalogue grâce au streaming (cf. la notion de “Long Tail”
théorisée par Chris Anderson)
1 - Le streaming influence la production des hits d’aujourd’hui
22. III - Les effets des algorithmes sur nos écoutes et nos goûts
1 - Le streaming influence la production des hits d’aujourd’hui
23. La playlist, nouvel album
Forme de prédiction : les plateformes de streaming promettent une expérience qui correspond à nos
expériences musicales, dans un fantasme de couvrir l’ensemble de nos rapports à la musique.
Les producteurs écrivent avec des playlists en tête, et plus des albums (ex : Teen Party, Jogging, etc).
Des débuts cruciaux
L’algorithme de Spotify comptabilise pour ses calculs les 30 premières secondes d’écoute (qui
permettraient à l’artiste de se faire payer). → Le début des morceaux est plus crucial que jamais. Pour
accrocher l’auditeur, les producteurs ont recours à :
● Une anticipation de l’escalade
● La participation, dès les premières secondes de la chanson, d’une guest-star
● L'utilisation de samples (on a tendance à laisser jouer ce qu’on a déjà entendu avant)
De la même manière, les morceaux se font plus courts, et les refrains arrivent plus tôt.
III - Les effets des algorithmes sur nos écoutes et nos goûts
1 - Le streaming influence la production des hits d’aujourd’hui
24. Exemple : premier morceau de la playlist “New
Music Friday France” du 8 décembre, créée
par Spotify.
« Sober », 3’23’’
G-Eazy feautring Charlie Puth
Produit par Charlie Puth, The Futuristics & Dakari
Album The Beautiful & Damned
2017
III - Les effets des algorithmes sur nos écoutes et nos goûts
1 - Le streaming influence la production des hits d’aujourd’hui
25. Des effets des changements des habitudes d’écoute :
Avec le streaming, on écoute peut-être plus souvent de la musique, mais on l’écoute seul, avec des
casques ou des écouteurs.
→ Les producteurs cherchent à provoquer une sensation d’intimité entre le chanteur et l’auditeur. Les
chanteurs marmonnent à nos oreilles, et même les rappeurs s’y mettent (voir Drake ou Kendrick Lamar)
Un ralentissement du tempo
Analyse des 25 morceaux les plus streamés sur Spotify entre 2012 et 2017 : le tempo moyen a baissé de
25bpm (battements par minute) pour passer à 90,5bpm. Le pourcentage de sons au dessus des 120bpm
est dans le même temps passé de 56 à 12,5 %.
> Retour de bâton contre les singles hyper rapides autour de 2010 ?
> Domination du hip-hop, et notamment d’un son d’Atlanta ?
Ralentissement de l’EDM (Electronic Dance Music) + les rappeurs rappent dessus = homogénéisation des 2
genres les plus populaires.
III - Les effets des algorithmes sur nos écoutes et nos goûts
1 - Le streaming influence la production des hits d’aujourd’hui
26. Etude de cas : la mode du « tropical house »
« Waves », 3’28’’
Mr. Probz, remix de Robin Schulz
2014 (sortie originale : 2013)
Morceau propulsé par les playlists de Spotify.
III - Les effets des algorithmes sur nos écoutes et nos goûts
→ Début d’une vogue
EDM plus mélodieuse, plus tranquille, avec des
paroles sur l’amour etc.
Par exemple, le pop-drop, basses à la place du
pont, un peu normalisées pour rentrer dans une
écoute quotidienne.
Ex : Skrillex, Diplo, Justin Bieber « Where
Are U Now » (2015)
1 - Le streaming influence la production des hits d’aujourd’hui
27. Etude de cas : la mode du « tropical house »
Source: Spotify Insights 2014
28. Algorithme de YouTube considéré comme plus
commode car aucune prétention. Il comptabilise ce
qu’on a regardé + les vidéos au nombre de vue le
plus élevé par rapport à ce qu’on a regardé.
En ce qui concerne la musique, YouTube est
surtout considéré comme une énorme base de
données, à l’ergonomie pratique et simple.
Cigarettes After Sex : groupe indé (« ambiant pop ») qui s’est
retrouvé propulsé par l’algorithme Youtube. Ecouté des millions
de fois sur YouTube.
III - Les effets des algorithmes sur nos écoutes et nos goûts
2 - Cas particulier, l’algorithme de YouTube propulse des groupes indé ou
des niches
29. III - Les effets des algorithmes sur nos écoutes et nos goûts
Boy Pablo : groupe de surf-pop lo fi norvégien. Leur vidéo
“Everytime”, publiée le 17 mai 2017, s’est mise à apparaître dans
beaucoup de colonnes de droite des pages YouTube en octobre
2017.
Milieu octobre : 70 000 vues / fin octobre : 500 000 vues / janvier : 3
millions de vues.
Premier micro-buzz sur Reddit, 20 000 vues.
+ Affichage en page d’accueil de YouTube = 50 000 vues par jour.
Un des aspects importants de l’algorithme YouTube est la
durée de visionnage = ça compte plus si les gens l’écoutent en
entier. Or le micro-buzz sur Reddit l’a fait exploser dans une niche
d’amateurs, qui l’ont écouté en entier.
2 - Cas particulier, l’algorithme de YouTube propulse des groupes indé ou
des niches
30. III - Les effets des algorithmes sur nos écoutes et nos goûts
L’algorithme YouTube aide-t-il le développement de certaines niches musicales ?
Exemple du lo-fi house
Genre nostalgique des années des débuts de l’acid-house mélangés avec les bases rythmiques du R&B.
Aux alentours de 2012, une niche se forme autour de la lo-fi : création d’un groupe facebook de fans,
discussions dans des forums… Une des façons les plus communes de partager les morceaux découverts
était de les télécharger sur YouTube = croissance algorithmique (nombre de vues d’un coup + longueur
de visionnage)
2 - Cas particulier, l’algorithme de YouTube propulse des groupes indé ou
des niches
31. III - Les effets des algorithmes sur nos écoutes et nos goûts
Question de la confiance dans les recommandations en ligne:
● On a confiance dans des jugements de goûts qui émanent des personnes (comme des amis, un
critique professionnel) ou de dispositifs impersonnels (comme des prix ou des médias
spécialisés). Ce sont des prescripteurs, auxquels on reconnaît une certaine autorité de par la
connaissance qu’ils ont du sujet.
● La confiance qu’on peut avoir dans des algorithmes de recommandation n’a pas le même sens
qu’avec des humains : il faudrait plutôt parler de commodité. Il n’y a pas d’engagement, on peut
jouer avec pour le plaisir de découvrir de nouvelles choses.
Cette commodité est d’autant plus notable si la musique n’a pas d’importance pour nous.
3 - Comment s’articule la découverte musicale à l’heure du streaming ?
32. III - Les effets des algorithmes sur nos écoutes et nos goûts
Malgré ça, le partage de musique entre proches n’a pas disparu et
Internet a permis la naissance de nouveaux types de
recommandations interpersonnelles, comme le social digging.
Les amateurs de musique comptabilisent souvent des
abonnements à plusieurs sites de streaming, à des bases de
données ou à des plateformes numériques de vente de musique, à
des groupes spécialisés sur les réseaux sociaux…
3 - Comment s’articule la découverte musicale
à l’heure du streaming ?
33. → Si les dirigeants de Spotify couvent le fantasme de couvrir l’ensemble de nos rapports à la
musique, les playlists formatées de la plateforme sont en réalité peu utilisées par rapport au trafic total.
→ Un écart grandissant se dessine entre:
- des auditeurs qui se satisfont des services proposés par les plateformes de streaming pour leur
aspect pratique,
- des amateurs qui diversifient leur écoute et qui jouent avec les propositions numériques.
III - Les effets des algorithmes sur nos écoutes et nos goûts
35. Bibliographie - Webographie
● François Debruyne, “Environnements numériques de l’écoute et culture publique. Vers de nouvelles formes de domestication
de l’expérience musicale ?”, Philippe Le Guern (Dir.). Où va la musique ? Numérimorphose et nouvelles expériences d'écoute,
Presses des Mines, pp.81-92, 2016
● Jeff Ihaza, « YouTube’s blissful dance music », TheOutline.com, 30mars 2017
URL : https://theoutline.com/post/1317/youtube-lo-fi-house-dance-music-rising-from-machine-learning
● Jean Morel, « L'algorithme Youtube a transformé un morceau en tube », Nova.fr, 23 octobre 2017
URL : http://www.nova.fr/lalgorithme-youtube-transforme-un-morceau-en-tube
● Romain, « Cigarettes After Sex, histoire numérique d’un bouche à oreille », Sourdoreille.net, 26 avril 2017
URL : http://sourdoreille.net/cigarettes-after-sex-histoire-numerique-dun-bouche-a-oreille/
● Will Page, Jomar Perez, Chris Tynan, “Anatomy of a Hit: How Mr Probz Came To America”, Spotify Insights, 30 septembre
2014
URL : https://insights.spotify.com/us/2014/09/30/anatomy-of-a-hit-how-mr-probz-came-to-america/
● Elias Leight, « Producers songwriters on how pop songs got so slow », Rolling Stone, 15 aout 2017
URL : https://www.rollingstone.com/music/features/producers-songwriters-on-how-pop-songs-got-so-slow-w495464
● Chris Anderson, “The Long Tail”, Wired.com, 10 janvier 2004
URL : https://www.wired.com/2004/10/tail/
● Marc Hogan, “Uncovering How Streaming Is Changing the Sound of Pop”, Pitchfork.com, 25 septembre 2017
URL : https://pitchfork.com/features/article/uncovering-how-streaming-is-changing-the-sound-of-pop/
● Alexandre, “Les algorithmes de recommandation, nouvel or noir des services de streaming musical”, Sourdoreille.com,
14 Décembre 2016 URL: http://sourdoreille.net/les-algorithmes-de-recommandations-nouvel-or-noir-des-services-de-streaming/