س: توصیه شما به محققینی که مایلند این تحقیق را به کار خود تعمیم دهند چیست؟
پاسخ: ما این منطقه را به دو دلیل اصلی بررسی کردیم. اول، این یک حوزه مورد علاقه شخصی است. ما به عنوان دوستداران موسیقی می خواستیم رشته ای را مطالعه کنیم که ارتباط واقعی و شخصی با آن داریم. دوم، کار کمی در بازاریابی پیرامون ترجیحات موسیقی از منظر محتوا وجود داشت. این اساساً به دلیل کمبود داده ها و در دسترس نبودن ابزارهای آماری و ریاضی بود که چنین تحلیلی را ممکن می کرد. توانایی ما برای خراش دادن داده ها از چندین منبع آنلاین که در حال حاضر در دسترس هستند، همراه با دانش ما در مورد روش شناسی مناسب، فرصتی عالی برای کار روی پویایی موسیقی در اختیار ما قرار داد.
ما این فرصت را داشتیم که با نویسندگان تماس بگیریم تا درباره مطالعه آنها بیشتر بدانیم و بینش بیشتری به دست آوریم. برای رفع کنجکاوی خود، پرسش و پاسخ زیر را با نویسندگان بخوانید:
پاسخ: ما سایر محققان را تشویق می کنیم که در مصرف کالاهای تجربی کار کنند. فناوریهای جدید به ما امکان میدهند کالاهای تجربی مانند موسیقی، بازی و هنر را با استفاده از یادگیری ماشینی و بازنماییهای مبتنی بر یادگیری عمیق مدلسازی کنیم.
س: در حالی که چندین کاربرد بازاریابی مدل پیشنهادی در مقاله به نمایش گذاشته شده است، بسیار خوب است که بدانید کدام حوزه های دیگر می توانند از یافته های این مطالعه بهره مند شوند.
با این حال، در اخیر مجله تحقیقات بازاریابی خالد بوقانمی و عاصم انصاری چارچوب جدیدی برای یادگیری ماشینی ایجاد کردهاند که از ویژگیهای آکوستیک آهنگ (مثلاً سطوح انرژی، سرزندگی، رقصپذیری)، ابردادهها و دادههای متنی تولید شده توسط کاربر برای پیشبینی موفقیت آلبومهای موسیقی استفاده میکند. مدل آنها به پیش بینی موفقیت و توصیه و طراحی آلبوم ها و لیست های پخش کمک می کند. آنها برتری چارچوب خود را با استفاده از آن برای پیش بینی موفقیت محصولات موسیقی در پنج دهه گذشته نشان داده اند. یافتههای این تحقیق اهمیت ویژگیهای مختلف آکوستیک را در موفقیت آلبوم برجسته میکند و بینشهای کلیدی را در مورد تکامل موسیقی محبوب به دست میدهد. این مقاله همچنین خلاصهای واضح از تجربیات و درک شنوندگان از ژانرها و زیرژانرهای مختلف موسیقی ارائه میکند.
س: در حین انجام این تحقیق با چه چالش هایی مواجه شدید؟
خالد بوگنمی و عاصم انصاری (2021)، «دینامیک موفقیت موسیقی: رویکرد یادگیری ماشینی برای تلفیق دادههای چند رسانهای»، مجله تحقیقات بازاریابی، 58 (6)، 1034-57. doi:10.1177/00222437211016495
اطلاعات بیشتر JMR Scholarly Insights