Shazam predice los éxitos y detecta lo mejor de cada canción

Todos conocemos Shazam, la aplicación para dispositivos móviles que, tras analizar el sonido que capta nuestro dispositivo, se conecta a una enorme base de datos para localizar el nombre de la canción y el artista o banda que la ha compuesto. Aunque muchos DJs han renegado de ella porque afirman que facilita que otros puedan copiar sus sesiones —¿quién no ha visto gente "shazameando" en la discoteca?— lo cierto es que montones de artistas están muy agradecidos a esta herramienta que les ha permitido darse a conocer, o lograr que siendo conocidos su nuevo tema escale más rápido en las listas de éxitos. Si en una emisora de radio o en un club un DJ se pincha una buena canción pero nadie sabe cómo se llama porque el artista es demasiado desconocido o porque la discográfica no está haciendo bien las cosas con la promoción, actualmente lo único que puede salvar en el mercado esa pieza musical es un golpe de suerte... o que Shazam le cuente a todos los interesados de qué canción se trataba.

Pero el que crea que Shazam sólo sirve para identificar canciones y de manera colateral ayudar a que esas canciones se popularicen, está bastante equivocado. Cada vez que alguien trata de identificar algo con Shazam su acción obviamente queda registrada en una enorme base de datos, y el correcto análisis de esos datos puede ser algo clave a la hora de saber el próximo número 1 en ventas, o incluso para averiguar cómo crearlo. Y de esto es de lo que trataba la breve e interesante charla de 9 minutos que Cait O'Riordan –ejecutiva de Shazam– ofreció en el congreso Strata+Hadoop sobre "big data". Con más de 100 millones de usuarios activos al mes repartidos por todo el planeta, Shazam cuenta con una población excelente para realizar estudios predictivos, y como explica O'Riordan al principio del vídeo, cuando un usuario pulsa el botón de Shazam no sólo está diciendo "dime el título de esta canción", también está diciendo "me gusta esta canción". Si a eso sumamos que Shazam recibe información de esos "me gusta esta canción" unas 20 millones de veces al día, podríamos decir que Shazam tiene bastante claro lo que le está gustando a la gente. Con toda esa información, O'Riordan afirma en su presentación que pueden predecir con 33 días de antelación el número 1 del Billboard, que es la lista de la música más vendida en Estados Unidos.

En su presentación O'Riordan explica mediante gráficos en el tiempo cómo estudiando las solicitudes de "shazameo" de una canción dada su situación en las emisoras de radio, y poniendo como ejemplo la banda Clean Bandit que siendo desconocidos y estando en listas de "tercera" tenían casi tantos "shazameos" como Will.I.Am, se puede predecir el éxito mucho antes de que ocurra. Afirma que las predicciones pueden realizarse incluso durante las primeras horas tras el lanzamiento de un single, para ello pone como ejemplo dos artistas de mucho éxito con un target similar como son Katy Perry y Lady Gaga, y muestra los "shazameos" que recibió cada artista al inicio del lanzamiento de dos de sus singles durante 2013, mostrando que la que recibió más solicitudes durante las primeras 48 horas fue la que finalmente tuvo más éxito a largo plazo.

Otro caso interesante que comenta es en el terreno de la música de club, donde se puede estudiar el posible éxito de un artista analizando los "shazameos" que recibe durante los fines de semana, que es cuando suena la música de club en los propios clubs. Emplea como ejemplo a Tchami, un artista de future house que aunque no suena en las radios sus "shazameos" se disparan los fines de semana porque la gente lo escucha en los clubs. En la recta final, O'Riordan habla de lo interesante que es analizar el momento de la canción que la gente "shazamea", para quizá así saber cuál es la mejor parte de una canción. Este dato es francamente interesante, ya que podría indicar qué parte de la composición podría ser la que hace que la gente recuerde la canción, o también –como apuntaba Dan White de DJTechtools– resultar útil para los DJs a la hora de realizar un remix, ya que les podría indicar qué partes de la canción deben aprovechar.

El vídeo podéis verlo en su totalidad a continuación. Está en inglés, pero los subtítulos automáticos de Youtube ayudan un poco –aunque a veces pone auténticas burradas– y merece la pena el esfuerzo de verlo, tanto por los temas que he comentado como por otros que también trata en relación con el análisis de datos.

[Este vídeo ya no está disponible o la URL es incorrecta]