📝📝：人們越來越耐不住太久的歌？｜ 從 Spotify 的收聽數據發現流行歌曲的「抖音化」現象
威爾．佩吉（Will Page）為 Spotify 前首席經濟學家。
作為業界資深人士，他分享了對串流支付模型、定價和音樂產業，在數位時代的適應策略的深刻理解。在他的書中《泰山經濟學》（Tarzan Economics）提到：
因為 Spotify 的推薦機制
當代歌曲的副歌都有往前的現象
甚至，現在歌曲的時長也正在縮短
📢📢Podcast 收聽單集｜Ep. 63｜《Mantra》開頭三秒就進入副歌
串流音樂的泰山經濟學
在《泰山經濟學》一書中，佩吉探討了音樂產業在 Napster 後如何復甦，並將其應用於面對數位顛覆的行業。他提出的「泰山經濟學」概念，強調要轉向新的、可持續的商業模式（稱為「新藤蔓」），而非堅守已經衰落的舊模式。
這種轉變至關重要，例如那些初期抗拒數位創新的唱片公司經歷了大幅衰退，而採用合作模式的公司（如 PRS for Music）則成功應對變革。
佩吉的原則挑戰了傳統思維：
平台不僅專注於大數據，還主張直接與消費者互動。
他指出，像 Spotify 這樣的平台從更深入了解用戶行為中受益，而不僅僅依賴數據。這種以用戶為中心的方法，結合了來自美國行為經濟學家理察．塞勒（Richard Thaler）的洞見，幫助 Spotify 開發了 Discover Weekly 個性化播放列表。
這一個成功的關鍵在於不僅利用數據，還考慮到行為時機 — — 例如：在週一發布播放列表，因為這是用戶最願意接受新事物的時間點。
－－－
．
串流支付模型的變革
佩吉探討了四種支付模型，包括
Pro Rata（比例支付）
User-Centric（用戶中心）
Artist Growth（藝人增長）
Thresholds（門檻制）
佩吉認為目前的 Pro Rata 模式雖然高效，但不一定最公平。而 User-Centric 模式將用戶費用直接分配給該用戶播放的藝術家，雖然更公平，但計算複雜。
另一個備受關注的是 Thresholds，該模式要求作品達到一定的播放量才支付版稅，這對許多藝人來說或許並不受歡迎，但有助於避免小量重複播放所造成的版稅浪費。
串流音樂的消費導向模式
佩吉提出一種基於「播放時長」的模型，該模型建議若歌曲被完整播放（完播率），其版稅應高於未播放完整的歌曲。
這個模式在瑞典國會的討論中提出，目的是反映出不同長度和受歡迎程度的歌，在支付上應有的差異。佩吉提到這樣的模式，將有助於減少只播放 30 秒的「點擊農場」的誘餌行為，同時也更符合聽眾的行為習慣。
每年年末，Spotify 都會推出名為 Wrapped（類似年度回顧）的活動，讓用戶回顧過去一年的音樂收聽數據。
然而，除了讓聽眾分享自己喜愛的歌曲，這些數據其實還蘊藏著深層的經濟學、技術以及文化洞見。以下讓我以 2023 年的 Spotify Top 10 歌曲為例，剖析這些趨勢背後的意涵。
－－－
．
Spotify 歌曲時長縮短的趨勢
Spotify 排行榜的熱門歌曲中，平均時長僅有 3 分 11 秒。
根據 Quartz 的數據顯示，2013年 Billboard Hot 100 平均歌曲時長為 3 分 50 秒到 2018 年縮減至 3 分 30 秒。
再加上加州大學洛杉磯分校（UC, Los Angeles）的長期研究，從 1990 年到 2020 年，歌曲時長從 4 分 19 秒下降到 3 分 17 秒，足足縮短了一分鐘。
那麼，為什麼歌曲時長會不斷縮短？背後的主要推手是經濟動機。
現在大部分音樂收入來自於串流平台，如：Spotify。這就使得音樂人的寫作方式逐漸轉變，重新適應平台的算法及支付機制。
-
Spotify 演算法與經濟的影響
在 Spotify 上，當歌曲播放超過 30 秒，音樂人才會獲得分成，約為每播放 0.3 美分（差不多為新台幣 0.09 元）。
如果歌曲時長縮短，那麼用戶可以在相同時間內重複播放同一首歌，提升播放量。這樣一來，創作者寫短歌更具經濟效益。此外，若一首歌未被完整播放至結尾，則在 Spotify 的推薦機制中會被扣分。
這些因素使得創作者趨向於讓副歌提前，以吸引聽眾在短時間內投入，增強歌曲的完播率。
像是 2019 年的《Señorita》開頭 30 秒就進入副歌，2022 年的《I Ain’t Worried》前奏 20 秒就唱副歌，這一首也是同年電影《捍衛戰士：獨行俠》（Top Gun: Maverick）的主題曲。
而近期 Blackpink 的成員 Rosé 與 Bruno Mars 合創的作品《APT.》15 秒就進入副歌，另一位成員 Jennie 也出了新歌《Mantra》MV 不僅視覺豐富、舞步緊湊、服裝多變。更重要的是，音樂開始 3 秒就開始唱副歌。
Spotify 的收聽數據改變數位行銷
Spotify 數據揭露了創作者因應外在激勵機制而調整創作的行為。這給數位行銷人員帶來了一個反思：
行為科學領域認為，消費者在焦點小組或問卷調查中的自我報告並不完全準確，依賴此類數據可能會產生誤導。
佩吉指出，現今的大數據分析可能導致嚴重的錯誤。前文所提及的 Discover Weekly 歌單，佩吉起初無法理解為何如此受歡迎。
直到他諮詢塞勒後，才發現歌單的成功與其發布日期（星期一）有關。這個例子說明了，即使擁有最好的數據和數據科學家，如果缺乏對人性和行為的理解，也可能做出錯誤的判斷。
相較於依賴問卷以及市調，佩吉認為應該多利用「行為數據」，正是那些客觀反映人們真實行為的數據。從 Spotify 的收聽模式，到搜尋行為或購物數據，這些都是平台能夠利用的資料，幫助了解消費者的真實需求與偏好。