Olette ehkä kuulleet termin "big data". Se tarkoittaa tietysti kirjaimellisesti suurta tietomäärää, mutta nykyään myös suuresta tietomäärästä autmaation keinoin louhittuja tiedonmurusia. Käytin tässä kaivostoimintaan liittyvää analogiaa, koska kuvittelen big data -softat sellaisiksi isoiksi kaivoskoneiksi joiden uumenista putkahtelee tuhansia kiloja paskaa, mutta välillä myös kultahippu.
Termi on aika muodikas, ja alan firmojen toimarit tykkäävät sitä hokea. Siitä sainkin ajatuksen. Tai siitä, ja Spotifyn biisistatistiikoista joita levy-yhtiöiden edustajat ovat näyttäneet.
Streamingin aikakaudella ei tarvitse arvailla kuka levyn kiikuttaa kaupasta kotiin, kuka sitä kuuntelee ja montako kertaa. Jokaisesta klikkauksesta jää jälki.
Tässä fantasiassani kuvittelen Spotify-statistiikallapalvelulla olevan ominaisuuksia joita sillä ei ehkä vielä ole, mutta joita sillä teknisten edellytysten puolesta voisi olla.
Mitä jos Spotifyn kuulijastatsit asetettaisiin big data -ohjelmien ja siitä tietävien ihmisten käyttöön. Jossain määrin levy-yhtiöt varmasti jo käyttävät Spotikan dataa vaikkapa sinkkuvalinnoissa tai uusia biisejä testaillessaan, mutta mitä jos sitä käytettäisiin vielä paljon syvemmin?
Mitä jos levy-yhtiössä toimisi big data A&R, joka imisi tietoa kuunteluista ja tekisi sen perusteella päätöksiä minkälaista musiikkia levy-yhtiön pitäisi julkaista? Ei pelkästään mikä single olisi levyltä toimiva, vaan minkälaista uutta musiikkia pitäisi tehdä? Jos esimerkiksi kaikkien uusien Spotify-biisien kertsit laitettaisiin riviin, millaista dataa niistä saisi irti? Missä kohtaa ihmiset todennäköisimmin lopettavat uuden biisin kuuntelun kesken? Minkälaisia biisejä kuunnellaan perä perää?
Mitä soittimia? Kestääkö räppi enemmän uusintakuunteluja? Lähteekö EDM jo pois?
Kysymyksiä on niin paljon kuin taitava big data A&R keksii esittää. Sitten vaan tilaamaan biisiä tekijöiltä. Esittäjä määräytyisi big datan mukaan sekin: Kenen esiintymiset aiheuttavat eniten positiivista kuhinaa? Kenen fanit ovat uskollisimpia?
Aikamoinen visio, eikö! Jos rupesi pelottamaan, niin kannattaa pistää joku vanha vinyyli soimaan. Tai joku lohtuindielevy. Kyllä sitä musaa tehdään varmasti tulevaisuudessakin myös "kunniakkaista" ja "puhtaista" lähtökohdista.
Kirjoitan tästä aiheesta lisää Soundi-lehden seuraavassa numerossa. Lukekaa!
PS. Tänään julkistettiin Radiogaalan short list. Meikäläinen on ehdolla Vuoden musapäälliköksi, kera Nelonen Median Koivusiblan ja Basson Rodriguezin. May the most handsome man win.
Minä
Vähän siihen suuntaan mutta kai enempi käsinlasketulta pohjalta on http://www.futurehitdna.com/
Kannattanee tutustua, tosin voi olla ettei ole sulle paljon uutta tematiikassa.
Kiitos linkistä Osuloppi. Pitäisköhän ostaa tuo kirja jopa... harkintaan.
Kaupallisinkin hittitehtailu on sen verran luovuutta vaativaa hommaa, että mekaanisen datan perusteella on hyvin vaikea tehdä tehokkaasti hyvää tulosta. Biisien menestys on kiinni niin monesta asiasta, eikä sattumaakaan voi sulkea pois. Se "jokin", mikä saa jonkin biisin menestymään ja toisen epäonnistumaan, on hyvin vaikeasti määriteltävissä ja uusinnettavissa.
Levy-yhtiöt tekevät bisnestä ja käyttävät varmaan kaiken saatavilla olevan tilasto- ja muun tiedon hyödykseen; jos hittitehtailu olisi eksaktia tiedettä, mikään biisi ei ikinä floppaisi. "Hyvä musiikki" on kuitenkin sen verran vaikeasti määriteltävä tuote, että hyvin hankalaa se varmasti on.
Ehkä hieman huono esimerkki ovat Spotifyn suositukset. Ne eivät osu kauhean hyvällä prosentilla kohdilleen (ainakaan mulla), varsinkaan kotimaisen musiikin tai klasarin suhteen. Ja tätä metadataa (esim. eri bändien soittojen välinen korrelaatio) on vielä paljon helpompi tilastoida ja analysoida kuin musiikillisia ominaisuuksia. On siis vaikea uskoa että vielä kovin pian osataan "täsmäsuunnata" sävellyksiä eri algoritmien perusteella kun edes tietyn bändin tai biisin kuuntelusta ei voi päätellä kovin paljon ihmisen kuuntelutottumuksista kokonaisuutena.
Hitinteko-oppaita on toki tehty jo pitkään. Esimerkiksi KLF:n The Manual (http://freshonthenet.co.uk/the-manual-by-the-klf/) vuodelta 1988, jonka neuvoja noudattamalla Edelweiss saikin listakolmoshitin aikaiseksi. Tuo tietysti toimi vain tuon ajan Englannin kontekstissa, nuo Jay Frankin kirjat varmaan ovat hyvä 2010-luvun olosuhteissa toimiva vastine.
Mutta jos lähdetään miettimään tätä esittämääsi skenaariota, niin miksi jäädä puolitiehen? Tarpeeksi lisää dataa ja laskentatehoa, niin ei niitä A&R-miehiä ja biisintekijöitäkään mihinkään tarvita. Spotify, tai mikä kvanttitietokoneohjelma musaa siinä kaukaisessa tulevaisuudessa pyörittääkään, voi ihan hyvin täsmäsäveltää-, sanoittaa- ja sovittaa lennosta jokaiselle kuulijalle ihan uutta musiikkia. Ei siinä edes mitään ihmistä tarvita enää keulakuvaksi ja idoliksikaan, kun japanilaiset osaavat jo tehdä Hatsune Mikun kaltaisia täysin fiktiivisiä hologrammitähtiä.
Tämä on toki se kaikkein vaikeimmin automatisoitava osa tuotantoprosessia, mutta voittoatavoittelevilla yrityksillä on kuitenkin tapana korvata ihminen automaatilla heti kun se on taloudellisesti kannattavaa. Mutta kuten sanottua, en usko että se on vielä kovin pian edessä. Luova työ on kuitenkin se vihoviimeinen asia jonka tekemisessä ihmistä ei voida korvata.
Aiheesta muistuu mieleeni myös joku scifi-leffa (muistelisin että Wim Wendersin ohjaama ja pääosassa William Hurt, mutta epäilen), jossa tv:stä tuli tietokonegeneroituja saippuaoopperoita. Tietokoneessa oli valtava määrä erilaisia juonikäänteitä, joista sitten arvottiin aina uusia variaatioita. Saippuaoopperan käsikirjoittaminen tosin on niin simppeliä, että en yllättyisi vaikka näin tehtäisiin jo oikeasti! :D
Korjaus: Hatsune Miku on tietysti virtuaalinen, ei fiktiivinen, hologrammitähti.
Melomaniac, kiitos asiantuntevista kommenteista. Manual on toki tuttu, big data on silti uudempi juttu. Tai lähinnä edes jonkinlainen kyky eritellä siitä hyödyllistä tietoa.
Facebookin puolella keskustelu tästä aiheesta jatkui, ja nimimerkki Tommi Forsström toi tietoisuuteeni mainion sloganin tähän liittyen: Data-informed, gut-driven. Muistuttaen siis siitä, että data johdattaa helposti harhaan, riippuen siitä miten sitä on päättänyt tulkita.
Perstuntuma aina kunniassa.