Концепция
В эпоху стриминговых платформ музыкальные жанры перестали быть изолированными экосистемами. Алгоритмы рекомендаций (в частности, Collaborative Filtering в Spotify) поощряют артистов выходить за рамки привычного звучания. Цель данного проекта — исследовать феномен «музыкальной диффузии» и доказать коммерческую и охватную эффективность кросс-жанровых коллабораций с помощью аналитики данных.
Цель инфографики: создать структурированный аналитический гид (A&R Playbook) для музыкальных продюсеров и маркетологов, который показывает, какие механики и характеристики релизов сильнее всего влияют на популярность трека в стриминге. Инфографика переводит понятие «успешный фит» на язык цифр, помогая начинающим лейблам минимизировать риски при планировании совместных релизов между артистами разных культурных полярностей.
В качестве основы исследования использован верифицированный набор данных Spotify с платформы Kaggle. Генеральная совокупность исследования составила 6 187 треков, которые были распределены на две ключевые когорты для анализа: 4 764 сольных релизов и 1 536 кросс-жанровых коллабораций. В ходе предобработки данных из датасета были извлечены метаданные артистов, жанровые теги, маркеры возрастных ограничений и метрики популярности релизов.
Сначала я очистила датасет от пустых строк, чтобы убрать пропуски в колонках с артистами, жанрами, популярностью и отметкой explicit. Дальше нужно было разделить треки на сольные и совместные. Так как готового флага в таблице не было, я написала функцию classify_track. Она проверяет строку с исполнителями и ищет там запятые, значки & , а также приписки feat. или ft. После этого данные сгруппировались, чтобы посчитать точное количество треков в обеих категориях и их среднюю популярность.
Чтобы посчитать данные по каждому отдельному исполнителю (в фитах их записано несколько в одну строку), я разбила текстовые списки и развернула таблицу методом .explode (). Это позволило узнать, кто из музыкантов поет в самом большом количестве разных жанров. Затем с помощью счетчика counter скрипт нашел самые часто встречающиеся пары жанров. В самом конце я посчитала, как маркер explicit влияет на популярность треков, и выгрузила все готовые агрегированные таблицы в CSV-файлы для финальной сборки плаката.
Генеративные нейросети Google Gemini и Chat GPT использовались на этапе концепт-арта для поиска идеального баланса неоновой палитры и расположения блоков информации на плакате.
Финальная сборка и вёрстка проходили в Adobe Illustrator: Организация модульной сетки, отрисовка UI-элементов, доработка визуальной иерархии и шрифтовых пар для достижения максимальной удобочитаемости.
Инфографика на плакате
Пространство плаката организовано по модульной структуре и разделено на четыре ключевые аналитические зоны:
Коммерческий сигнал демонстрирует математическое превосходство совместных треков над сольными.
Блок «Артисты-мосты» визуализирует топ-исполнителей как главных жанровых хабов, соединяющих полярные музыкальные миры.
Блок «Жанровые маршруты» выявляет наиболее частотные транзиты (например, J-Pop ↔ K-Pop) и оценивает уровень риска при переходе аудитории.
Фактор эксплицитности анализирует влияние взрослого контента на алгоритмический буст фитов с распределением лидеров по жанрам.
Мокапы
Заключение
В итоге получился рабочий проект, который переводит сложную музыкальную аналитику на язык наглядного дизайна. Вместо интуитивных решений плакат на конкретных цифрах показывает реальную картину стриминга. Из хаотичного массива вышел готовый практический гид, который помогает лейблам оценивать риски и планировать кросс-жанровые совместные релизы.
