The advent of music streaming has made it increasingly important for actors in the music industry to understand if tracks are going to succeed or not. This study investigates if it is possible to accurately classify the growth of the listener base of a music track based on multivariate time series with listener behavior data. 18 popular time series classification algorithms were used to build predictive models which were evaluated in a 10-fold cross-validation. We also examined the algorithms’ potential to deliver business value for a record label. Lastly, the possibilities and challenges of applying a data-driven business model in the music industry were investigated by performing a comparative analysis of a modern and traditional record label. Six algorithms were found to significantly outperform the baseline. Two algorithms based on convolutional kernels, RR and AMini, were found to present the biggest business value because of their accuracy and low time complexity. While it may be necessary for record labels to adopt data-driven business models to flourish in the modern market, there are difficulties regarding the competitiveness of digital solutions and complications in moving the focus from networking to developing technology. / Spridningen av musiktjänster har gjort det alltmer viktigt för aktörer i musikbranschen att förstå vilka låtar som kommer att lyckas och inte. Denna studie undersöker om det är möjligt att klassificera tillväxten av en låts lyssnarantal baserat på multivariata tidsserier innehållandes data om lyssnarbeteende. 18 populära algoritmer för tidsserieklassificering användes för att bygga prediktiva modeller som utvärderades med 10-delad korsvalidering. Vi undersökte sedan algoritmernas potential att skapa affärsvärde för ett skivbolag. Slutligen studerades möjligheter och utmaningar som datadrivna affärsmodeller presenterar i denna bransch genom en komparativ analys av ett modernt och traditionellt skivbolag. Sex algoritmer visade sig signifikant överträffa en baslinjeklassificerare. Vi fann att två algoritmer baserade på faltningskärnor, RR och AMini, kunde skapa störst affärsvärde på grund av deras noggrannhet samt låga tidskomplexitet. Det verkar vara nödvändigt för skivbolag att anamma datadrivna affärsmodeller för att frodas i den moderna marknaden, men det finns svårigheter som måste beaktas vad gäller konkurrenskraften för digitala lösningar samt förflyttandet av fokuset från nätverksbyggande till teknologiutveckling.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-319359 |
| Date | January 2022 |
| Creators | Nilsson, Elliot, Wensink, Liza |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2022:349 |
Page generated in 0.0025 seconds