Así funcionan los sistemas de personalización musical de Spotify

En los últimos años, Spotify ha apostado a personalizar cada vez más los contenidos que ofrece a sus usuarios, de manera que puedan encontrar música que les gustará, aunque tal vez no lo sepan todavía.

La primera apuesta fuerte de este estilo fue la lista Descubrimiento semanal (Discover Weekly), que se publica cada lunes con canciones que, basadas en lo que ya escuchas, podrían gustarte. Desde su lanzamiento en 2015, más de 40 millones de personas se han suscrito a su lista personalizada, y más de la mitad regresan cada semana por los nuevos contenidos.

La plataforma de streaming, además, acaba de lanzar Radar de novedades, que contiene las canciones más recientes de tus artistas favoritos y se actualiza cada viernes, con la idea de repetir el éxito previo.

“Esta lista es diferente a la anterior porque no contamos con información previa sobre las canciones, y aunque sean de artistas que ya le gustan a los usuarios, no sabemos si la canción será de su agrado“, explica Edward Newett, ingeniero de personalización de Spotify en entrevista con Expansión.

PREDECIR LOS GUSTOS MUSICALES

El éxito de Discover Weekly se da gracias a una mezcla de machine learning y curaduría humana. El algoritmo que hace posible este contenido no prevé los 'me gusta' de la gente sobre ciertas canciones, sino toma en cuenta lo que escucha constantemente y busca esas canciones en las listas de otros usuarios.

“Aprendimos mucho en el último año, por ejemplo, que la gente terminó haciendo de la lista una parte de su rutina semanal, a la que la gente regresa con constancia“, explica Newett. “Nuestra meta es resolver el problema que los usuarios enfrentan de no perderse la música que de verdad les importa“.

Ambas listas dependen de los hábitos de escucha del usuario, por eso son acertadas en predecir los gustos. Como en cualquier uso de machine learning, entre más información alimentas al sistema, más exactas serán sus recomendaciones. Quienes escuchan poca música suelen recibir recomendaciones más generales, basadas en su geolocalización, por ejemplo.

Actualmente, el equipo de ingenieros encargados del área de personalización, están trabajando en cambiar los algoritmos de recomendación por región.

“Descubrimos que la gente de Asia no relaciona los contenidos de la misma forma que en Europa, por ejemplo“, cuenta Newett. “Estamos tratando de hacer que nuestros modelos funcionen bien y estén personalizados a cada país“.