Aktuell

Geschmäcker sind nun mal verschieden, das haben Spotify und Co. längst erkannt. Das gesamte Konzept dieser Firmen basiert größtenteils auf der Datenanalyse ihrer Kunden. Ziel ist es die Nutzer ihrer Produkte möglichst lange auf den einzelnen Plattformen zu behalten.

Es ist daher essentiell zu wissen, was der Nutzer bevorzugt, um ihm entgegenzukommen. Wer skippt bzw. beendet schon ein Musikstück oder Podcast, welches einem gefällt?

Aus Sicht der Unternehmen ist die Verwendung von Datenauswertungen natürlich verständlich, da sie für optimierte Nutzerprozesse und Usability (Bedienbarkeit von Websites) notwendig ist und somit letztendlich für eine gute User-Experience sorgt von der, wie der Name schon sagt, natürlich auch wir als Nutzer profitieren.

Problematisch ist, dass Musik subjektiv bewertet werden kann, während Mathematik und Statistik (meist) nicht nach subjektiven Kriterien einteilt. Daraus folgt, dass ein Algorithmus weder richtig noch falsch liegt.

Denn Musik in Gerne einzuteilen, da scheiden sich die Geister bis heute. Zudem ist es durch die schiere Menge an Daten äußerst schwierig Entscheidungen des Algorithmus nachzuvollziehen. Inwiefern dieser Genres einteilt, nach welchen Kriterien Musik dem Nutzer empfohlen wird und wie Grenzen zwischen den Übergängen der einzelnen Musikformen gesetzt werden können ist bei diesen Greybox Modellen nur schwer abzuschätzen.

Genre-Übergänge sind immer fließend und manche Nutzer neigen dazu gewisse Genre innerhalb der Musik kategorisch auszuschließen. So bleiben diese Nutzer immer in der Filterblase des Algorithmus, denn man vertraut darauf, was dieser einem empfiehlt und Alternativen werden oft überhaupt nicht angeboten.

So konsumiert der Nutzer ohne weiter zu hinterfragen.

Unser Vorgehen

Nach der Datensammlung und der Aufbereitung der Daten möchten wir uns zunächst mittels verschiedener Data Science Libraries (Seaborn, scikit-learn, Pandas etc.) einen Überblick über die einzelnen Parameter und deren Korrelationen etc. verschaffen.

Mögliche Fragestellungen in diesem Teil wären: „Inwieweit spielt das Alter eine Rolle?“, „Gibt es stadtteilbezzogene Differenzen?“, „Gibt es wirklich Stereotypen in der Musik: Hören Leute über 60 automatisch klassische Musik und schließen jüngere Menschen Klassik von vornerein aus oder hat die schulische Ausbildung wirklich etwas damit zu tun welches Genre wir bevorzugen?!“

Haben wir dann genug Daten gesammelt, so begeben wir uns an die Ausarbeitung der wichtigsten Aussagen aus dem Datensatz für die interaktive Musikkarte.

Für die Auswertung werden wir verschiedene ML (Meachin Learning) und Clustermethoden anwenden, anschließend für die Kartenerstellung Cufflinks und Plotly nutzen und das ganze dann abschließend über HTML, Django und CSS auf unserer Website einbinden.

Im Allgemeinen ist die Datenerhebung, Datenaufbereitung, Datenpflege und das Implementieren der Daten äußerst zeitintensiv. Demgegenüber ist der allgemeine Kostenaufwand ungeachtet der Arbeitszeit und Rechenleistung gleich null.

Wer wir sind

Wir sind Mario (l.) und Consti (r.), die Köpfe hinter dem Projekt Wü-Rhyme

Die beiden Jungs fahren sehr gerne Fahrrad, reden über Musik, hören Musik, gehen ins Gym und wohnen im schönen Veitshöchheim. Außerdem haben Sie beide einen Entdeckerdrang und sind sehr gerne in Gesellschaft.

Wenn Mario darüber hinaus mal nicht bei der Gartenarbeit hilft oder sich um die Hausvögel kümmert studiert er E-Commerce in Würzburg. Daneben ist Mario sehr musikalisch und hat ein Fabel für leckeren Kaffee und Bäckereien.

Sein Kumpel und Mozart100-Teampartner Consti beschäftigt sich gerne mit Reisen und ist viel am PC. Dank Corona studiert er an diesem auch Wirtschaftsingenieurswesen. Ihn findet ihr zusätzlich noch auf LinkedIn.