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.