📝📝: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。