アルゴリズムが実際に行っていること
アルゴリズムは3つの入力に基づいて楽曲とリスナーをマッチングします。
行動データはリスナーの行動を追跡します。saves、プレイリストへの追加、完聴、スキップはすべて適合度に関するシグナルを生みます。誰かがあなたの楽曲を保存すると、アルゴリズムは似たテイストプロフィールを持つリスナーもその曲を気に入るかもしれないと学習します。
音響分析はテンポ、キー、エネルギー、構成を読み取ります。特に再生履歴のない新リリースでは、音が似た楽曲の隣にあなたの音楽を配置するのに役立ちます。
メタデータとテキストはジャンルタグ、ムードの説明、関連するプレイリストやプレスの文脈を読み取ります。正確なタグ付けにより、適切なリスナーのグループへ届けられます。
Spotify for Artistsで確認できること
Spotify for Artistsのダッシュボードでは、どのアルゴリズム上の表示面がストリームを届けているかを確認できます。
- **
Release Radar**のストリームは、フォロワーが新リリースを受け取って再生したもの - Radioのストリームは、似たアーティストやプレイリストをシードにしたセッションから生まれたもの
- Autoplayのストリームは、別の楽曲やプレイリストを聴き終えたリスナーから生まれたもの
- **
Discover Weekly**のストリームは、好みのマッチングを通じて新しいオーディエンスに届いていることを示すもの
時間の経過とともに、どの表示面が伸びるかを追跡しましょう。RadioとAutoplayが増えているなら、アルゴリズムがあなたの楽曲を最後まで聴くリスナーを見つけています。Discover Weeklyが伸びているなら、新しいオーディエンスのセグメントに届いています。
アーティストにとって重要な指標は？
アーティストの視点では、生の件数ではなく比率に注目しましょう。
保存率（savesをリスナー数で割ったもの）は、最も強いシグナルです。保存率が高いと、リスナーがその楽曲をもう一度聴きたいとアルゴリズムに伝わります。リリース間やトラフィックソース間で保存率を比較しましょう。
完聴率は、リスナーがあなたの楽曲を最後まで聴くかを示します。完聴率が低い場合、イントロや構成で離脱している可能性があります。
30秒前のスキップ率はネガティブなシグナルです。多くのリスナーが早い段階でスキップすると、アルゴリズムは現在のターゲティングにその楽曲が合っていないと学習します。
ストリームからのフォロー率は、カジュアルなリスナーがエンゲージしたファンへ転換しているかを示します。
Tip Spotify for Artistsでは正確なスキップ率を確認できませんが、保存率と完聴率から質を推測できます。保存が少ないのにストリームが多い場合、通常はスキップが多いことと相関します。
アルゴリズムがリーチを広げる方法
アルゴリズムによる拡大は、次のパターンに沿って進みます。
- 新リリースが
Release Radarを通じてフォロワーに届く - フォロワーがエンゲージすると（保存、完聴、プレイリストへの追加）、アルゴリズムが似たリスナーをテストする
- そのリスナーもエンゲージすると、Radio、Autoplay、
Discover Weeklyを通じてリーチがさらに広がる - どの段階でもエンゲージメントが低いと、拡大が遅くなるか止まる
これが、初期リスナーの量より質が重要な理由です。楽曲を保存する50人のファンは、スキップする無作為な500人のリスナーよりもアルゴリズムに多くを学習させます。
アーティストがコントロールできること
| 要素 | 自分でコントロールできる度合い |
|---|---|
| リリースのタイミングとピッチ | 完全にコントロールできる |
| メタデータの正確さ | 完全にコントロールできる |
| イントロと曲の構成 | 完全にコントロールできる |
| 広告のターゲットオーディエンス | 高い |
| 保存率 | 間接的（オーディエンスの適合とCTAに左右される） |
| エディトリアルプレイリストへの掲載 | なし（人がキュレーション） |
アーティストが抱きがちなアルゴリズムの誤解は？
「アルゴリズムに抑え込まれている。」 アルゴリズムはあなたに対する意見を持ちません。エンゲージメントデータに反応します。アルゴリズムによるリーチが低いのは、エンゲージメントシグナルが十分に強くないからであり、ペナルティを受けたからではありません。
「アルゴリズムの支援を得るにはプレイリストにお金を払う必要がある。」 有料のプレイリスト掲載は、スキップするミスマッチなリスナーを招くことがよくあります。これはアルゴリズム上のプロフィールを損ないます。実際のオーディエンスから得る質の高いエンゲージメントは、無作為なソースからの量を上回ります。
「リリースを増やせば、アルゴリズムに挑戦する機会も増える。」 一部は正しいものの、各リリースはオーディエンスとの適合についてアルゴリズムに学習させます。エンゲージメントの低いリリースが続くと、システムが低調な成果を予測するよう学習する可能性があります。量より質です。
フィードバックループにどう集中すべきか？
アルゴリズムはフィードバックループです。良いエンゲージメントがリーチを増やし、リーチがエンゲージメントの機会を増やします。目標は、適切なオーディエンスでそのループを始めることです。
似たアーティストを好むリスナーをターゲットにしましょう。ストリームだけでなく、savesを促すCTAを作ります。リリースの合間にフォロワーを築き、新しい楽曲が温まったオーディエンスから始められるようにしましょう。アルゴリズムは、評価してくれる人へ適切な音楽を届けるアーティストを評価します。