Everything You Always Wanted to Know About Musimorphoses (But Were Afraid to Ask)

ARTS627486

Everything You Always Wanted to Know About Musimorphoses (But Were Afraid to Ask)

Vous trouverez ici des informations pratiques pour organiser au mieux votre séjour à Paris, à l’occasion du colloque Musimorphoses : adresse du colloque, plan du quartier, stations de métro et transports, contact mail des organisateurs, numéro de téléphone portable (en cas d’urgence), adresse d’un disquaire où trouver les albums vinyls d’Henry Cow en pressage original et tout ce que vous avez toujours voulu savoir sur  Musimorphoses sans jamais oser le demander !

Here you will find some practical information to organize your stay in Paris during the congress Musimorphoses : address of the meeting, map of the area , metro and transports, mail adress and mobile phone number ( in case of emergency ), address of a store where to find the vinyl albums of Henry Cow in the original pressing and everything you always wanted to know about Musimorphoses (but were afraid to ask).

– Mail adress : musimorphoses@gmail.com

 – Adresse du colloque : Telecom Paris Tech, 46 rue Barrault, Paris (13 ème arrondissement)

– Accès au site : http://www.telecom-paristech.fr/telecom-paristech/adresses-acces-contacts/acces-rue-barrault.html

– Getting to the congress : http://www.telecom-paristech.fr/eng/practical-information/getting-there.html

– Plan du site : https://www.google.com/search?q=google+map+46+rue+Barrault+Paris&ie=utf-8&oe=utf-8

– Rue Barrault on Google Map : https://www.google.com/search?q=google+map+46+rue+Barrault+Paris&ie=utf-8&oe=utf-8

– Quelques hôtels proches de la rue Barrault : http://www.telecom-paristech.fr/telecom-paristech/adresses-acces-contacts/hotels.html

– Some Hotels near rue Barrault : http://www.telecom-paristech.fr/telecom-paristech/adresses-acces-contacts/hotels.html

 

Musimorphoses : Demandez le programme !

534c181b3570d35ee3edf64e

Pour voir  le programme final du colloque Musimorphoses en version PDF (Here’s the link to see the PDF final version of the Musimorphoses program) :

http://www.mediafire.com/view/v7dpxxy82gyaaua/ProgNov2015.pdf

Et voici aussi le lien pour accéder à l’affiche du colloque  / and the link tho the PDF version of the Musimorphoses poster :

http://www.mediafire.com/view/68zea4amzonrx53/AFFICHE.pdf

 

Et voici les normes éditoriales pour l’ouvrage collectif qui sera publié à la suite du colloque (and here’s the publishing standards for the forthcoming book following the congress) :

 Recommandations pour la saisie du texte

La mise en forme du document

Le texte fourni à l’éditeur doit avoir été mis en forme avec des styles, de la façon la plus claire possible. La mise en forme du texte sera reprise par Les Presses. Le fichier doit être le moins enrichi possible (il ne doit pas comporter de figures autres que les tableaux). Il doit comporter:

le texte stylé (les niveaux de titre doivent apparaître clairement et se distinguer du texte courant), à chaque type de texte doit correspondre un style différent ;
les indications sur les emplacements de figures et images le cas échéant (matérialiser cela par une police surlignée).

Les Presses peuvent fournir aux auteurs une feuille de style à utiliser pour la mise en forme des documents.

Par ailleurs, les titres trop longs (sur plusieurs lignes) sont à éviter. L’ensemble du texte doit être organisé avec des titres et intertitres, sans dépasser quatre niveaux de hiérarchisation (Titre du chapitre, Titre 1, Titre 2, Titre 3).
La numérotation des titres du type Titre 1; Titre 1.1; Titre 1.1.1; Titre 1.1.1.1 est à proscrire.

Il ne faut pas utiliser de signes de ponctuation à la fin d’un titre (exception faite du point d’interrogation).
L’auteur doit veiller à accentuer les majuscules (dans Word, cocher la case « majuscules accentuées en français »). L’emploi des majuscules se limite aus débuts de phrases ainsi qu’aux initiales des noms propres.

Les titres d’ouvrages, de journaux, d’oeuvres d’art, les expressions latines (op. cit, ibid. a priori, a posteriori), ainsi que les mots étrangers doivent être écris en italiques.

L’utilisation de notes de bas de page

Les notes de bas de page doivent être insérées de manière automatique (dans Word: «insertion» puis «notes de bas de page») de façon à ce que leur numérotation soit également automatique. Les notes doivent être courtes et peu nombreuses.
Les appels de notes dans les tableaux et légendes de figures sont à proscrire. Dans le corps du texte, les appels de notes se placent avant la ponctuation (cf à ce sujet le Lexique des règles typographiques en usage à l’Imprimerie nationale).

Les citations

Les citations doivent être rapidement identifiables dans le manuscrit fourni. Les coupures, raccords ou commentaires personnels doivent être placés entre crochets (par exemple, pour signaler une coupure, utiliser : […]).
Les citations courtes (de moins de 4 lignes) doivent être composées en caractères romains (excepté pour les citations étrangères, qui sont à composer en italiques), entre guillemets (« à la française », comme ici) et dans le corps du texte.

Les citations longues (plus de quatre lignes) doivent être composées en caractères romains et extraites du texte (utiliser un style avec une police différente).

Les illustrations

Il est recommandé de limiter au maximum le recours à des illustrations en couleurs. Sauf cas particulier, les illustrations seront imprimées en noir et blanc (l’auteur peut utiliser des niveaux de gris pour différencier les informations dans une même illustration). Les illustrations apparaîtront toutefois en couleurs dans les versions numériques.

L’auteur peut accompagner son texte d’illustrations, de tableaux, d’encadrés ou de graphiques dont les sources citées auront été vérifiées et dont les droits de reproduction auront été réglés. Pour les cartes, schémas et graphiques, dans l’idéal, veuillez nous fournir des fichiers vectoriels (des versions .eps ou .ai) où le texte aura été vectorisé. Utilisez différents niveaux de gris ou symboles.

Les images devront être de bonne qualité. Elles seront fournies à part du manuscrit, dans un fichier compressé, sous forme numérique (format TIFF, PDF ou JPEG, résolution minimum de 300 dpi, en noir et blanc ou en couleurs).
La qualité d’impression sera très altérée dans le cas où vous fournissez les types de fichiers suivants :

des documents basse résolution de 72 dpi (les images provenant d’internet, par exemple). Il est inutile de les passer à 300 dpi (la qualité ne pourra pas être améliorée), comme il est inutile d’agrandir les images de très petite taille.
des versions « image » des graphiques fabriqués dans Word ou Excel. Nous fournir des fichiers dont le texte est éditable ou des tableaux de données (ou des versions .eps ou .pdf). Les illustrations seront accompagnées de leur légende et seront numérotées. Les renvois aux illustrations dans le texte seront indiqués entre crochets ou entre parenthèses : « [Fig. xx] » ou « (Fig. xx) ».

Nous signaler la présence d’annexes particulières.

Les index

Le balisage des mots à indexer peut être fait sous word par l’auteur ou par les Presses lors de la mise en pages. Dans ce dernier cas l’auteur doit fournit la liste complète des entrées (cette solution nécessitera une vérification approfondie de l’index généré).

La bibliographie

La bibliographie doit être homogène. Les conventions de chaque domaine scientifique doivent être respectées (les Presses des Mines n’imposent pas de normes particulières mais l’ensemble doit former une bibliographie cohérente et homogène où les mêmes règles sont respectées). Pour des ouvrages collectifs il appartient au directeur scientifique de s’assurer de cette homogénéité et de choisir les règles communes aux différents articles.

Voici quelques exemples :

Michalon, Jérôme, Panser avec les animaux, Paris, Presses des Mines, 2014, p. 110- 136.

Pour les références bibliographiques citées dans les notes :

Ouvrages :
– première citation : Michalon, Jérôme, Panser avec les animaux, Paris, Presses des Mines, 2014, p. 110-136.
– seconde citation : J. Michalon, op. cit., p. 236.
Articles :
– première citation : Jérôme Michalon, « Le cheval », Revue des animaux, 2014, n° 10, p. 24-35.
– seconde citation : J. Michalon, op. cit., p. 110.

Autorisations et droits de reproduction

Il appartient aux auteurs d’obtenir les autorisations nécessaires pour la reproduction des documents auprès des institutions concernées ainsi que de régler d’éventuels droits de reproduction pour une diffusion papier et numérique.
Pour augmenter les chances d’exonération, il sera utile d’indiquer dans les courriers qu’il s’agit d’une édition à caractère scientifique, que les illustrations seront reproduites en noir et blanc, et que l’édition sera de x exemplaires en une seule langue.

Un double des autorisations de reproduction et un justificatif de l’acquittement des droits doivent être joints à l’envoi du manuscrit.

Règles typographiques de base

Les règles typographiques sont des conventions propres à chaque langue. Il est demandé de respecter les règles propres à chaque discipline et surtout d’avoir un texte homogène. Voici les principales normes adoptées par Les Presses des Mines.

Apostrophe et guillemets

• L’apostrophe et les guillemets droits (‘ et « ) sont à proscrire.
utiliser la forme française («) et (») (dans Word, aller dans « Outils » puis, « Correction automatique lors de la frappe ») ;
ou la forme anglaise (“) et (”) (dans Word, aller dans « Insérer caractères spéciaux » ou voir les raccourcis). Par exemple, l’ »homme » n’est pas correct, l’« homme » et l’“homme” sont deux formes correctes (utiliser les guillemets français dans un texte en français et les guillemets anglais dans un texte en anglais).

Les espaces

• Entre les mots, une espace (féminin).
• Pour les signes de ponctuation :
– ponctuation haute (? ! / ; 🙂 : une espace insécable avant, une espace après ;
– ponctuation basse (, . …) : rien avant, une espace après ;
– exception : expression math. et logique, avec le slash (/), les guillemets, l’apostrophe et les Apostrophe et guillemets.

Les tirets

• Les tirets courts sont des traits d’union ou de césure, le long (cadratin) est un tiret de dialogue et le moyen (demi-cadratin) est un tiret d’incise
– trait d’union : – (« – » du clavier numérique) ;
– tiret 1⁄2 cadratin : – (Ctrl + -, avec le « – » du clavier numérique) ;

– tiret cadratin : — (Ctrl + Alt + -, avec le « – » du clavier numérique).

Les abréviations courantes

mot coupé sur sa fin avec un point : référence = réf.

  • –  abréviation se finissant par la dernière lettre du mot pas de point : boulevard = bd
  • –  abréviation d’un groupe de mots sans point : s’il vous plaît = svp ou SVP

    Les siècles et les « ièmes »

    XVe siècle et non 15ème, 15e, 15è siècle ; 1er, 1ers, 1re, 1res, 2e, 2es…

    Abréviations diverses (quelques exemples)

    c’est-à-dire par c-à-d
    et caetera par etc. (et non etc…)
    hors taxes par ht (et non HT qui veut dire haute tension)
    Madame par Mme (au pluriel : Mmes) ;
    Mademoiselle par Mlle (au pluriel : Mlles) ;
    Monsieur par M. (au pluriel : MM.) et non Mr. qui veut dire Mister ; nota bene par NB ;
    page par p.

    L’emploi des capitales et des bas de casse

    On ne compose en capitale que :
    – la première lettre d’une phrase ;
    – les noms propres (et l’article du patronyme : La Fontaine) ;
    – les noms de peuples, habitants : les Lillois, les Anglais (pas les langues : anglais) ; – les noms historiques Renaissance, Moyen Âge ;
    – les noms de voies, rues, lieux-dits, monuments… rue Grande, Quatre Chemins…
    – Les capitales sont utilisables pour des titres, mais il faut qu’elles soient accentuées.

Organismes d’Etat

• Les organismes multiples :
Ces organismes existant en un certain nombre, ils sont donc des noms communs : l’académie de Lille, le conseil général du Nord, etc.
• Les organismes uniques :
Ces organismes d’Etat (dont la compétence s’étend sur l’ensemble du territoire) sont uniques. Seul le premier mot nécessaire à leur identification porte une capitale, les autres restent en minuscules : les Archives nationales, la Bibliothèque nationale de France, la Communauté économique européenne CEE…

Les saints

On les fait commencer par une capitale lorsque le mot désigne une institution (fête, ville, rue, église, ordre): Saint-Éxupéry, Saint-Michel (la place), la fête de Saint-Éloi…
On les fait commencer par une minuscule s’il s’agit d’un personnage biblique : saint Nicolas, saint Jérôme (sauf Sainte Vierge avec majuscules).

Les titres

Les titres ou charges sont des noms communs, donc pas de majuscule : (par exemple, « maire de Lille », « présidente de l’université de Lille 3 », etc.).

Les sigles

On ne met plus de point et d’espace après chaque lettre, R. A. T. P. devient ainsi RATP.
De plus, quand le sigle se prononce comme un nom propre, on l’écrit avec une seule capitale : Assedic, Euratom, Onu, Unesco (+ exception : Sncf ).

 

 

 

 

 

Keynote speakers : a dream team !

01.BIO-Harlem-Globetrotters

L’équipe Musimorphoses est honorée et très heureuse d’accueillir six conférenciers pléniers de renommé internationale : Abdoulaye Niang, Michael Bull, Arnt Maaso, François Pachet et Fabien Gouyon…

 

 

francois-pachet

François Pachet  est directeur du Sony Computer Science Laboratory et il dirige notamment un programme ERC qui porte sur l’apport des machines à la créativité musicale. Il est donc particulièrement bien placé pour évoquer les questions d’innovation dans le champ musical. Sa conférence s’intitulera « Style and musical creativity with flow machines ».

 

me

Fabien Gouyon est chercheur à Pandora <http://www.pandora.com>, où il travaille avec une équipe de chercheurs, ingénieurs, musicologues et programmateurs radio à créer la meilleure experience de radio personnalisée sur internet. Auteur de nombreux articles sur les sujets de recommandation musicale, et perception rhythmique computationnelle, Fabien est également président de l¹International Society for Music Information Retrieval <http://www.ismir.net/>. Nous accueillerons donc un expert de tout premier plan sur ce qui constitue sans doute aujourd¹hui le sujet fondamental pour l¹industrie de la musique, les plateformes de streaming et les auditeurs, à savoir les algorithmes de la recommandation.

 

niang-abdoulaye-612x318

Abdoulaye Niang est enseignant-chercheur à l’Université Gaston Berger de Saint-Louis du Sénégal, à l’UFR des Civilisations, Religions, Arts et Communication. Il y dirige le département des Métiers des Arts et de la Culture. Il s’intéresse notamment aux cultures urbaines, aux usages sociaux des TIC, aux théories et méthodes en sciences sociales. Abdoulaye est rédacteur en chef de la Revue Sénégalaise de Sociologie.

 

arnte©ramgupta-2592px

Arnt Maasø est professeur de Media Studies au Department of Media and Communication de l’Université d’Oslo. Il dirige un programme de recherches sur le streaming dans le cadre du  Clouds & Concerts research project en partenariat avec WiMP Music et Telenor. Ses centres d’intérêts concernent le son dans les médias, les médias sociaux, la technologie, l’innovation et les médias, les théories de la communication.

 

119032

Michael Bull est professeur de Sound Studies à l’université du Sussex et co-directeur du Centre for Material Digital Culture. Il a publié plusieurs ouvrages de référence sur les technologies de l’écoute, l’espace urbain et la mobilité. Ses travaux portent sur les liens entre musique et médias, la place des technologies dans la quotidienneté, les médias et les relations de pouvoir.

Pour un usage éthique et durable de la musique sur internet : The Trichordist

Capture d’écran 2015-04-23 à 10.46.36

Dans la série Top of the blogs, je recommande vivement The Trichordist, qui prône une approche durable et éthique de la musique sur l’internet. L’intérêt principal de ce blog est double : une veille juridique et économique pointue sur les évolutions de l’internet, le droit d’auteur, les contrats d’artistes, les jurisprudences, la redistribution des revenus, etc. d’une part ; d’autre part, la sensibilisation des lecteurs à la défense des artistes, auteurs-compositeurs face aux majors et aux plateformes de streaming.

On trouvera ci-dessous la reproduction d’un article de The Trichordist consacré aux revenus générés sur les plateformes de streaming et à leur répartition. Bonne lecture !

The Trichordist

Artists For An Ethical and Sustainable Internet #StopArtistExploitation

The Streaming Price Bible – Spotify, YouTube and What 1 Million Plays Means to You!

Several of our posts on streaming pay rates aggregated into one single source. Enjoy…

[UN to Airlift Calculators, Behavioral Economics Textbooks to Digital Music Industry]

musicstreamingindex020114[EDITORS NOTE: All of the data above is aggregated. In all cases the total amount of revenue is divided by the total number of the streams per service  (ex: $5,210 / 1,000,000 = .00521 per stream). In cases where there are multiple tiers and pricing structures (like Spotify), these are all summed together and divided to create an averaged, single rate per play.]

If the services at the top of the list like Nokia, Google Play and Xbox Music can pay more per play, why can’t the services at the bottom of the list like Spotify and YouTube?

We’ll give you a hint, the less streams/plays there are the more each play pays. The more plays there are the less each stream/play pays. Tell us again about how these services will scale. Looking at this data it seems pretty clear that the larger the service get’s, the less artists are paid per stream.

So do you think streaming royalty rates are really going to increase as these services “scale”? No, we didn’t either.

[ BREAKING! Apple Announces Itunes One Dollar Albums and Ten Cent Song Downloads In Time For The Holidays! | Sillycon Daily News ]

 

StreamingPriceIndexwYOUTUBE

We’ve been waiting for someone to send us this kind of data. This info was provided anonymously by an indie label (we were provided screenshots but anonymized this info to a spreadsheet). Through the cooperative and collaborative efforts of artists such as Zoe Keating and The Cynical Musician we hope to build more data sets for musicians to compare real world numbers.

In our on going quest for openness and transparency on what artists are actually getting paid we’d love to hear from our readers if their numbers and experience are consistent with these numbers below. At the very least, these numbers should be the starting point of larger conversations for artists to share their information with each other.

Remember, no music = no business.

whatyoutubereallypaysFor whatever reason there appear to be a lot of unmonetized views in the aggregate. So let’s just focus on the plays earning 100% of the revenue pool in the blue set. These are videos where the uploader retains 100% of the rights in the video including the music, the publishing and the video content itself.

Plays  Earnings  Per Play
2,023,295 $3,611.84 $0.00179
1,140,384 $2,155.69 $0.00189
415,341 $624.54 $0.00150
240,499 $371.47 $0.00154
221,078 $313.47 $0.00142
TOTALS TOTALS AVERAGE
4,040,597 $7,077.01 $0.00175

So it appears that YouTube is currently paying $1,750 per million plays gross.

We understand that people reading this may report other numbers, and that’s the point. There is no openness or transparency from either Spotify or YouTube on what type of revenue artists can expect to earn and under what specific conditions. So until these services provide openness and transparency to musicians and creators, “sharing” this type of data is going to be the best we’re going to be able to do as East Bay Ray comments in his interview with NPR.

As we’re now in a world where you need you need a million of anything to be meaningful here’s a benchmark of where YouTube ranks against Spotify.

Service  Plays  Per Play  Total  Notes 
Spotify To Performers/Master Rights 1,000,000 0.00521 $5,210.00 Gross Payable to Master Rights Holder Only
Spotify To Songwrtiers / Publishers This revenue is for the same 1m Plays Above 0.000521 $521.00 Gross Payable to Songwriter/s & Publisher/s (estimated)
YouTube Artist Channel 1,000,000 0.00175 $1,750.00 Gross Payable for All Rights Video, Master & Publishing
YouTube CMS (Adiam / AdRev) ** 1,000,000 0.00032 $321.00 Gross Payable to Master Rights Holder Only

The bottom line here is if we want to see what advertising supported free streaming looks like at scale it’s YouTube. And if these are the numbers artists can hope to earn with a baseline in the millions of plays it speaks volumes to the unsustainability of these models for individual creators and musicians.

Meet the New Boss: YouTube’s Monopoly on Video | MTP

It’s also important to remember that the pie only grows with increased revenue which can only come from advertising revenue (free tier) and subscription fees (paid tier). But once the revenue pool has been set, monthly, than all of the streams are divided by that revenue pool for that month – so the more streams there are, the less each stream is worth.

All adrev, streaming and subscription services work on the same basic models as YouTube (adrev) and Spotify (adrev & subs). If these services are growing plays but not revenue, each play is worth less because the services are paying out a fixed percentage of revenue every month divided by the number of total plays. Adding more subscribers, also adds more plays which means that there is less paid per play as the service scales in size.

This is why building to scale, on the backs of musicians who support these services, is a stab in the back to those very same artists. The service retains it’s margin, while the artists margin is reduced.

[** these numbers from a data set of revenue collected on over 8 million streams via CMS for an artist/master rights holder]

Here’s what 1 million streams looks like from different revenue perspectives on the two largest and mainstream streaming services.

Service  Units Per Unit  Total  Notes 
Spotify 1,000,000 $0.00521 $5,210.00 Gross Payable to Master Rights Holder Only
Spotify same million units as above $0.00052 $521.00 Gross Payable to Songwriter/s & Publisher/s (est)
YouTube 1,000,000 $0.00175 $1,750.00 Gross Payable for All Rights Video, Master & Publishing
YouTube CMS Master Recording (Audiam / AdRev) 1,000,000 $0.00032 $321.00 Gross Payable to Master Rights Holder Only
STREAMING TOTALS  3,000,000 $7,802.00 TOTAL REVENUE EARNED FOR 3 MILLION PLAYS ON SPOTIFY AND YOUTUBE 
Itunes Album Downloads 1,125 $7.00000 $7,875.00 Gross payable including Publishing

Here are some compelling stats on the break down of what percentage of videos on YouTube actually achieve breaking the 1 million play threshold, only 0.33%

CHART OF THE DAY: Half Of YouTube Videos Get Fewer Than 500 Views | Business Insider

Some 53% of YouTube’s videos have fewer than 500 views, says TubeMogul. About 30% have less than 100 views. Meanwhile, just 0.33% have more than 1 million views.

That’s not a huge surprise. But it highlights some of the struggles Google could have selling ads around all those unpopular videos, despite the money it has to spend to store them.

An artist needs to generate THREE MILLION PLAYS on the two largest and most popular streaming platforms to equal just 1,125 album downloads from Itunes. This is an important metric to put in context. In 2013 only 4.8% of new album releases sold 2,000 units or more. So if only 4.8% of artists can sell 2,000 units or more, how many artists can realistically generate over four million streams from the same album of material?

in 2013 there were 66,565 new releases, only 3,237 sold more than 2,000 units = 4.8% of new releases sold over 2,000 units

in 2013 there were 915,482 total releases in print, only 14,856 sold more than 2,000 units = 1.6% of ALL RELEASES in print sold more than 2,000 units.

This is even more important when you start to consider that many artists feel that growing a fan base of just 10,000 fans is enough to sustain a professional career. Note we said solo artists because these economics probably need to be multiplied by each band member added for the revenue distribution to remain sustainable. So a band of four people probably need a sales base of 40,000 fans to sustain a professional career for each member of the band.

Each 10,000 albums sold on iTunes (or 100,000 song downloads) generates $70,000 in revenue for the solo artist or band. To achieve the same revenue per 10,000 fans in streams, the band has to generate 30 million streaming plays (as detailed above) if they are distributing their music across the most common streaming services including Spotify and YouTube.

In 2013 the top 1% of new releases (which happen to be those 620 titles selling 20k units or more) totaled over 77% of the new release market share leaving the remaining 99% of new releases to divide up the remaining 23% of sales.

This appears to confirm our suspicion that the internet has not created a new middle class of empowered, independent and DIY artists but sadly has sentenced them to be hobbyists and non-professionals.

Meanwhile the major artists with substantial label backing dominate greater market share as they are the few who can sustain the attrition of a marketplace where illegally free and consequence free access to music remains the primary source of consumption.

What’s worse is that it is Silicon Valley corporate interests and Fortune 500 companies that are exploiting artists and musicians worse than labels ever did. New boss, worse than the old boss, indeed.

So whose feeling empowered?

RELATED:

UN to Airlift Calculators, Behavioral Economics Textbooks to Digital Music Industry

Streaming Is the Future, Spotify Is Not. Let’s talk Solutions.

Who will be the First Fired Label Execs over Spotify Fiasco & Cannibalization?

Le marché de la musique enregistrée en France : bilan 2014

Alexander-Rodchenko-Radio-listener

Dans un précédent billet, j’ai rendu compte des évolutions mondiales du marché de la musique enregistrée telles qu’elles apparaissaient dans le rapport de l’IFPI. Il était donc intéressant de voir comment se comportait le marché français pour la même période, à partir des données annuelles produites par le SNEP (http://www.snepmusique.com/actualites-du-snep/bilan-de-lannee-2014/)

– Un premier constat porte sur la transformation structurelle du marché : si le marché global continue de décroître en chiffre d’affaire (- 5,3 % en 2014), ce phénomène  est du à la fois à la baisse du marché physique ( -11,3 %) et à la baisse du téléchargement à l’acte (-14 %). Mais simultanément, on observe une augmentation du marché du streaming (+ 34 %), avec deux millions d’abonnés à un service de streaming payant.

– Cette transformation structurelle est confirmée par le fait que, pour la première fois, les revenus du streaming dépassent les revenus du téléchargement à l’acte, comme l’illustre le graphique reproduit ci-dessous :

Capture d’écran 2015-04-22 à 13.09.51

– Le marché physique représente toutefois encore 71 % du marché global français alors que le streaming correspond à 16 % de l’ensemble des revenus. Le vinyl, annoncé en pleine recrudescence, concentre pour sa part 2, 7 % de ce marché physique, ce qui correspond en effet à un marché de niche en valeur relative. Toutefois, le SNEP ne prenant en compte les chiffres de vente réalisés par les disquaires indépendants (estimés à 70, voire 80 % de ce marché), les proportions sont sans doute plus élevées et confirment une tendance internationale (sur le vinyl, se reporter à mon article : http://musimorphe.hypotheses.org/177  et à http://www.snepmusique.com/actualites-du-snep/le-marche-du-vinyle-une-niche-tres-tonique/)

– 74 % des revenus du marché (hors classique) sont liés à la production francophone et les dix albums les plus vendus concernent des chanteurs francophones. On retrouve ici un constat posé par l’IFPI : la production locale semble dynamiser le marché. Mais simultanément, l’exposition des titres en radio semble jouer en défaveur du répertoire francophone : on assiste à une baisse du nombre d’artistes francophones joués sur les principales radios, la baisse étant compensée par un nombre plus élevé de passages pour un même artiste. 10 titres francophones concentrent 62 % des titres joués en radio, et 50 titres francophones représentent 97 % de la diffusion radio. On observe que le niveau de rotation est en forte augmentation, un titre pouvant être joué plus de 100 fois par semaine… Ce phénomène de concentration extrême sur un nombre réduit de titres va de pair avec ce que déclarent un certain nombre de lycées lors de nos entretiens : ils éprouvent le sentiment que la radio est un média qui homogénéise la bande son diffusée, qui standardise les goûts sur un nombre réduit d’artistes.

Capture d’écran 2015-04-22 à 16.41.37

En conclusion, il apparaît d’une part que le marché hexagonal est structurellement en voie de recomposition, le streaming s’imposant sur le marché digital, même si le marché physique reste dominant. Tout se passe par ailleurs comme si le marché du streaming proposait une offre pléthorique susceptible d’ouvrir le portefeuille des goûts des auditeurs cependant que la radio tend à concentrer l’offre sur un nombre de plus en plus réduit de titres. Cette double logique et ses effets contradictoires appellent à la fois à une régulation par la puissance publique (voir par exemple le rapport Bordes : http://www.upfi.fr/2014/03/rapport-bordes-lexposition-de-la-musique-dans-les-medias/) pour limiter les effets d’une extrême concentration défavorable à la diversité artistique – et aux petits producteurs – et indiquent à quel point, sur les plateformes de streaming, les systèmes de recommandation vont jouer un rôle crucial.

 

 

 

Rapport IFPI 2014 : futur du streaming et streaming du futur

swift-spotify1

Le rapport publié par l’IFPI en ce mois d’avril 2015 dresse un état des lieux – d’aucuns se seraient laissés à écrire « un état des mieux » – de l’année écoulée. Le ton indubitablement optimiste du chairman de cette organisation chargée de mesurer les évolutions du marché international de la musique enregistrée Placido Domingo – en introduction de ce copieux document (48 pages) contraste avec l’expression plus mesurée qui prévalait ces récentes années et indique que quelque chose est en train de changer ; comme le souligne Placido Domingo, 37 millions de titres sont aujourd’hui accessibles sur les services numériques : « People can listen to an opera as they go about their everyday lives. They can constantly discover new music on recommendation services. They can engage with artists on social networks. We no longer rely on physical delivery of the music we love to hear ».

Musicalisation du quotidien et contextualisation de la musique, découvertes des répertoires facilités par des outils de recommandation de plus en plus sophistiqués, interactions accrues non seulement entre amateurs de musique mais entre fans et artistes grâce aux réseaux sociaux, transportabilité de la musique ou affranchissement des contraintes spatio-temporelles grâce aux services de streaming et au développement de la 4G et du « offline » (http://www.eco-conscient.com/art-2888-les-applis-android-gratuites-pour-ecouter-de-la-musique-en-streaming-sur-android.html), tous les outils semblent converger pour offrir une expérience d’écoute renouvelée. Reste cependant un bémol, si on lit attentivement Domingo, soit le respect du copyright, autrement dit la question, hautement polémique, de la rémunération des artistes, présentée comme la clé de voute d’un business model durable : « We must build on this success to create a genuinely sustainable digital marketplace that will continue to fund investment in artists so that more great music can be created ». De fait, la question du partage de la valeur a été au centre des débats lors du Midem 2014, et les différents rapports produits sur le sujet ne permettent pas de conclure à une position unifiée, bien au contraire (http://blog.dbth.fr/2015/01/la-guerre-du-streaming-musical-aura-telle-vraiment-lieu/) : si par exemple l’UFPI concluait dans un livre blanc (http://www.upfi.fr/wp-content/uploads/2013/11/20131113_Livre-Blanc-UPFI.pdf) à ce que les artistes sont plutôt avantagés par le streaming et le téléchargement à l’acte, avec un taux moyen de royauté et de revenus supérieurs à celui procuré par la vente physique, l’Adami présentait des conclusions opposées (http://www.irma.asso.fr/Midem-Adami-pour-un-meilleur) aboutissant à un taux de répartition de la valeur de 95 % pour le producteur et de 5 % pour l’artiste, dans le cas du streaming, soit, en valeur par artiste :

- Streaming gratuit : 0,0001 euro/stream
- Streaming bundle (type Orange-Deezer) : 0,002 euro/stream
- Streaming premium : 0,004 euro/stream

Quoiqu’il en soit, le rapport de l’IFPI met en évidence plusieurs évolutions ou tendances notoires, qui confirment l’adaptation des acteurs de l’industrie musicale à un marché où c’est dorénavant l’accès à la musique et non sa possession qui importe.

– Les revenus du digital progressent de 4,3 % en 2013, soit 39 % de l’ensemble des revenus sur le marché global de l’industrie musicale. Mais il faut ajouter que dans trois pays comptant parmi les dix plus gros marchés de la musique, les ventes digitales correspondent à la majorité des revenus. La situation est cependant contrastée : on assiste notamment au Japon (second marché mondial) à une chute des revenus de 16,7 % qui peut sans doute s’expliquer par l’impact d’une phase transitoire où les fournisseurs de services ont encore insuffisamment développé leurs prestations. Globalement, les USA semblent stabiliser leur marché, pendant que l’Europe progresse (notamment la France, l’Italie, l’Allemagne, les Pays Bas et l’UK) – avec les pays scandinaves aux avant-postes – et que des marchés émergents s’affirment par leur fort potentiel de croissance (Argentina, Central America, Chile, Colombia, Denmark, Greece, Iceland, Netherlands, Norway, Paraguay, Peru, Russia, Sweden, Taiwan), un pays comme la Colombie – pour prendre un exemple – connaissant une croissance de 85 % de ses revenus numériques en 2013.  De manière générale, le développement de ces marchés paraît étroitement liés à des facteurs tels que le taux de pénétration des smartphones, la capacité à juguler la piraterie, le développement des paiements en ligne et la capacité d’investissement dans la production locale.

Capture d’écran 2015-04-21 à 14.22.11De l’importance de la production locale dans les chiffres de vente pays par pays

 

Si le streaming conquiert des parts de marché à l’échelle mondiale, cela se fait donc de manière hétérogène et contrastée, spatialement et temporellement, et la question des facteurs d’adoption par les consommateurs du streaming mériteraient donc d’être analysée plus avant, selon les différentes aires culturelles.

Capture d’écran 2015-04-21 à 10.52.45

– On passe de 8 millions d’abonnements à un service de musique en ligne en 2010 à 28 millions en 2013. Le marché du streaming se partage entre deux grands types d’acteurs : des acteurs internationaux qui misent sur leur expansion géographique (Deezer et Spotify) et des acteurs locaux (Rdio, KKBO, WiMP) auxquels il faut ajouter de nouveaux entrants (Beats Music, Youtube, Tidal). Les revenus des services par abonnement ont crû de 51,3 % en 2013, dépassant le billion de dollars US.

– Du côté du modèle de streaming financé par la publicité (Youtube et Vevo), les revenus ont également crû de 17,6 % en 2013, Vevo représentant par exemple 243 millions de vues uniques en 2013.

– Le troisième modèle, celui du téléchargement payant à l’acte, compte pour 67 % des revenus du marché digital global, soit une baisse de 2,1 % en valeur en 2013.

Capture d’écran 2015-04-21 à 13.35.36Le modèle du streaming et celui du paiement à l’acte sont diversement adoptés selon les aires géographiques, selon un rapport Ipsos Media CT

 

– Par comparaison avec les ventes digitales, le marché physique représente 51,3 % de l’ensemble des ventes alors qu’il était de 56,1 % en 2012. Cette baisse de 11,7 % des ventes physiques en 2013 semble attester d’un transfert de la valeur vers le marché du streaming, même si la situation est inégale selon les pays, la France représentant une forme d’exception avec une croissance de 0,8 % du marché physique, dynamisé par les artistes hexagonaux  (17 dans le top 20 des ventes en 2013). Même si le vinyl demeure un marché de niche, on peut noter des chiffres de croissance significativement importants, par exemple pour les USA (32 % en 2013) ou le Royaume-Uni (101 %). / Sur les ventes de Vinyls au Royaume-Uni en 2013, voir : http://www.telegraph.co.uk/culture/music/music-news/10556186/Vinyl-sales-highest-for-15-years.html /

Capture d’écran 2015-04-21 à 13.21.53

Si le streaming semble dessiner le nouveau modèle de consommation de la musique, le passage du modèle physique au modèle numérique est loin d’être achevé et des ensembles géographiques contrastés se dessinent : « Amid the wide variations, there are three perceptible groups of markets: first, countries in northern Europe, where streaming and subscription services are dominating; second, the major markets of North America and Europe where streaming is growing fast but downloads continue to deliver the major revenue; and third, a swathe of other countries including emerging markets, such as Brazil and Mexico, where both downloads and ad-supported streaming are growing rapidly from a lower base » (rapport IFPI 2013) On ne manquera cependant pas de s’étonner d’une donnée produite par l’IFPI, sur la base du rapport Ipsos Media CT, qui affirme que 77 % des jeunes de 16-24 ans ont, lors des six derniers mois, consommé de la musique sur des sites légaux : une telle affirmation, fonctionnant sans doute comme une prophétie auto-créatrice, n’a pas de portée réelle dans la mesure où rien n’est dit sur la nature exacte des sites « légaux » fréquentés. Or, consommer de la musique en premium sur Spotify n’est en rien comparable avec le téléchargement de fichiers sur Youtube grâce à un convertisseur de MP3.

A partir de ces données, l’IFPI identifie un certain nombre de leviers possibles de la croissance de la consommation digitale :

– l’accroissement du taux de pénétration des smartphones (liés, par comparaison avec l’ordinateur, à une expérience de consommation « wireless ») et l’établissement de partenariats entre maisons de disques et concepteurs d’applications (par exemple Warner et Shazam : http://news.shazam.com/pressreleases/warner-music-group-and-shazam-announce-landmark-strategic-alliance-962769) Mais on trouve aussi des opportunités inédites de marchés concrétisées par exemple dans le partenariat entre Rara et BMW avec une offre de streaming sans usage du mobile dans les véhicules de la marque (http://www.billboard.com/biz/articles/news/digital-and-mobile/1563141/raracom-with-bmw-launches-european-in-car-streaming)

– le passage d’un modèle où l’avantage concurrentiel d’une plateforme de streaming est lié à la taille de son catalogue et au nombre de références proposées – aujourd’hui 37 millions – à un modèle où c’est le système de recommandation et de découverte qui prime. Comme le souligne Axel Dauchez (Deezer), “being a jukebox solves the short-term need. But in the long run you have no differentiation versus your competitors or piracy. If you want to thrive it cannot be a market of what you already know, but helping people build their own musical identity by cracking the discovery process.” Le travail de curation est donc devenu un enjeu primordial pour les plateformes de streaming, qui multiplient les modalités de la recommandation (par genre, par mood, etc.) et qui s’engagent dans un travail d’éditorialisation des contenus.

– la mise en oeuvre d’un modèle « hybride » du type Google Play locker qui permet de ne pas stocker les fichiers musicaux sur sa mémoire propre mais qui autorise la consultation de play-lists hébergés sur le cloud sans connexion à l’internet.

– Le développement de la radio numérique, pour l’instant essentiellement cantonnée aux USA : l’ajout de nouvelles fonctionnalités – par exemple le « buy button » qui permet d’acheter via iTunes un titre entendu sur iTunes radio – laisse espérer une forte croissance de la radio numérique.

– Une plateforme comme Vevo va offrir une plus-value sous forme de chaîne TV, de concerts inédits, etc.

– L’implication des fans sur les réseaux sociaux, par exemple grâce à des opérations de mobilisation à grande échelle : Ricky Martin offrant à ses fans la possibilité de lui composer une chanson à l’occasion de la coupe du monde par exemple : http://www.billboard.com/articles/columns/latin-notas/5695384/ricky-martin-to-fans-write-my-world-cup-song). Ou encore les fans de Katy Perry invités à sélectionner la chanson diffusée en premier sur iTunes.

– Une offre en qualité sonore Hifi  ou « Lossless » (WiMP, Qobuz, Tidal : http://www.audiophile.no/articles-tests-reviews/item/637-wimp-hifi-trial-run /// http://korben.info/comparatif-deezer-spotify-qobuz.html)

En définitive, il semble bien qu’on assiste à la restructuration du marché de la musique enregistrée autour du modèle du streaming, lequel pourrait s’imposer comme le nouveau modèle d’affaire du secteur. Plusieurs phénomènes se conjuguent ici pour dessiner les contours de ce modèle : le leadership de sociétés comme Deezer ou Spotify et leur capacité d’extension à un nombre croissant de pays ; l’innovation technologique orientée notamment vers la production de nouveaux services (comme par exemple la recommandation algorithmique) ; l’existence de marchés émergents ou à conquérir, à fort potentiel. Cependant, plusieurs questions restent en suspens : celle du rétablissement du consentement à payer pour les jeunes générations ; d’un système de répartition des droits d’auteurs jugé moins défavorable par les artistes ; de la capacité à établir un cercle vertueux dans les pays où la piraterie reste dominante ; de la disparition progressive ou au contraire de la cohabitation des supports physiques et numériques… L’année 2015, à cet égard, sera particulièrement intéressante à observer, avec l’arrivée de deux nouveaux modèles proposés par deux géants du secteur, Apple et Youtube…

Compléments d’information sur le streaming du futur et le futur du streaming:

– http://blog.dbth.fr/2015/03/dossier-lavenir-du-freemium-dans-la-musique-5-probleme/

– http://thetrichordist.com/2014/10/14/streaming-is-the-future-spotify-is-not-lets-talk-solutions/

– http://www.cnet.com/news/attention-artists-streaming-music-is-the-inescapable-future-embrace-it/

– http://www.musictimes.com/articles/6801/20140613/smartphones-streaming-universality-future-music-industry.htm

– https://futureofmusic.org/blog/2014/11/12/making-streaming-work-musicians

– http://www.vox.com/2014/11/24/7272423/taylor-swift-spotify

 

 

 

 

 

« Don’t believe the hype » : un blog sur les business models de l’industrie musicale

 

Capture d’écran 2015-04-15 à 12.34.21

A la découverte des bons blogs consacrés à la musique en régime numérique, voici « Don’t believe the hype » de Virginie Berger. Cette dernière, par ailleurs auteur d’un ouvrage publié par l’IRMA (Musique et stratégies numériques), décrit les évolutions des business models sur le marché de la musique et parvient à en vulgariser les principaux enjeux.

A titre d’exemple, on trouvera ci-dessous un article consacré au streaming, dont la totalité pourra être lue à l’adresse suivante : http://blog.dbth.fr/2015/04/dossier-special-streaming-comment-comprendre-tidal-spotify/

 

Dossier special STREAMING: Comment Comprendre Tidal et Spotify?

Streaming musical  tidal spotify

Le débat retentissant déclenché par le retrait de Taylor Swift de Spotify a finalement ravivé les discussions habituelles sur le montant des droits d’auteur et plus précisément combien un artiste peut être rémunéré par tel ou tel service digital. Mais cela a aussi mis en lumière un élément bien plus intéressant dans la discussion sur la musique digitale. A quoi le freemium (business modèle du streaming, une partie gratuite, et une partie payante vs des avantages) est-il censé ressembler? Une question centrale qui va jouer un rôle clé dans la façon dont le marché numérique va se développer durant les cinq prochaines années.

L’histoire du business model du streaming jusqu’à aujourd’hui? 

En considérant que 1998 fut l’année où le potentiel de la musique digitale est devenu manifeste — Internet et le MP3 ayant émergé plus tôt dans les années 90 et les quelques premières startups de musique digitale comme MP3.com et eMusic venant d’être lancées —, pendant presque toute la décennie qui suivit la réponse par défaut des majors à la plupart des modèles économiques numériques proposés sembla être “non”.

En effet, pendant les cinq années suivantes, les dirigeants de majors semblèrent être tantôt dans le déni (le numérique ne deviendrait jamais grand public comme le CD), tantôt dans le protectionnisme (les ventes de CD devaient être protégées contre le piratage grandissant sur internet) ou dans l’hyper-contrôle (si les canaux de musique digitale ont un potentiel il nous faut alors les contrôler). Inutile de préciser qu’aucune de ces stratégies n’a fonctionné.

Ces cinq premières années virent l’arrivée sur le marché de diverses startups de musique numérique — essentiellement (mais pas uniquement) basées sur le téléchargement —  bien que peu d’entres elles ne proposent alors de  contenu issu des majors (et d’autres ne présentant que des artistes non signés). Mais l’un des acteurs (Apple) réussit à persuader (voire forcer) les majors à rejoindre la partie et c’est ainsi qu’en 2003 l’iTunes Store fut lancé aux USA. Les majors insistèrent pour qu’un système de gestion de droits numériques (DRM) soit intégré au format de fichiers détenu par Apple, mais consentirent dès le départ à la proposition du géant de l’informatique d’un prix unique de vente fixé à 99 cents pour chaque morceau téléchargé. Ça paraissait séduisant sur le papier.

 

etude du marché musique avant 2000

 

Et, il faut le dire, l’iTunes Store fut un succès. Un immense succès même. Surtout aux USA et au Royaume-Uni. Alors, pendant pratiquement les cinq années qui suivirent, dès qu’il était question des nouveaux modèles économiques numériques, les majors dirent “oui” à tout ce qui pouvait être une réplique d’iTunes mais restèrent fermées à tout le reste. C’était, en théorie, une bonne nouvelle pour les ambitieux du téléchargement bien que la continuelle insistance des majors au sujet des DRM empêchât les startups de pouvoir vendre des MP3 ce qui signifiait que leur musique ne pourrait pas être lue sur l’iPod (leader du marché) et que la réussite était quasi impossible.

Il y eut quelques exceptions à cette politique du “oui si vous êtes fondamentalement comme iTunes et non si vous êtes quoi que ce soit d’autre“. Les majors signèrent tout de même des licences avec des plateformes de téléchargement basées sur les abonnements, comme l’authentique produit original Napster dont le fonctionnement était assez proche de celui des services de streaming sur les téléphones aujourd’hui, cependant ces tentatives ne connurent jamais vraiment de véritable succès.

Et aux États-Unis, les majors furent obligées par la législation sur le droit d’auteur d’accorder une licence à des services radio interactifs comme Pandora, ainsi que via le système Sound Exchange dont les taux étaient fixés par un tribunal dédié au droit d’auteur, ce qui a permis à ces dernières de prendre de l’essor.

De plus, certaines startups novatrices choisirent l’angle du “lançons-nous maintenant et obtenons une licence plus tard” ce qui leur permit ensuite de sceller des accords avec les grands labels, toutefois, à défaut d’obtenir les faveurs des maisons de disque, lesdites startups risquaient toujours des poursuites en justice et donc leur existence même.

Mais ce fut vers 2008 que l’on perçut un changement d’attitude notable chez les majors de la musique. Peut-être était-ce dû à l’arrivée de dirigeants plus experts du monde numérique. Ou parce que, les canaux numériques étant devenus une partie essentielle de l’action marketing des labels, le numérique  dans son ensemble était peu à peu adopté par toute la profession.

Ou peut-être était-ce simplement dû au fait que, suite à 10 années de chute des ventes de CD, les responsables en place avaient enfin pris conscience que les décisions tentant uniquement de soutenir cette source-ci de revenu étaient inutiles.

Quoi qu’il en soit, il semble qu’à partir de ce moment-là, une fois confrontées à de nouveaux modèles commerciaux qui différaient fortement voire qui rivalisaient avec iTunes, les majors évoluèrent vers un “peut-être”.
Mais ce “peut-être” était sujet à une grosse condition. C’était “peut-être” à condition que vous soyez une startup au financement conséquent, un géant de la technologie ou une entreprise de médias capable de payer des avances importantes et, dans le cas d’entreprises nouvelles, ouvertes à la participation et donc gage de rentabilité si l’entreprise montrait une réussite.

Apple Itunes

 

En tout cas, l’évolution vers un “peut-être” d’emblée fut importante et libératrice. Ainsi, vers 2008 il semble que le discours des majors se rapprocha sensiblement de : “Le futur de cette industrie est numérique, et sans doute pas uniquement numérique à la façon d’iTunes, mais nous ignorons à quoi ce futur numérique va ressembler alors faisons autant d’affaires que possible, mettons en œuvre le plus d’expérimentations possible, engrangeons le plus d’argent possible et prenons des parts aussi importantes que nous pouvons de nos licenciés dans l’espoir que dans dix ans quelque chose de concret et viable émerge de tout ceci.”

Bien sûr, les grosses avances et la participation au capital ne sont pas allées sans créer de polémique. D’abord parce que les majors y avaient accès mais pas les indépendants, même si la création de Merlin a pu assurer une sorte de parité pour les indépendants.

Ensuite parce que les artistes ont peu de chances de percevoir une part du retour sur investissement lié à la participation au capital et, avec les nombreuses voix parmi la communauté artistique qui critiquent déjà la répartition des droits d’auteur issus des revenus du streaming et le secret entourant les accords de l’industrie concernant le numérique, c’est une situation compliquée qui s’annonce lorsque Spotify lancera son introduction en bourse.
Certaines sources déclarent aussi qu’en insistant sur les grosses avances et la prise d’actions, les labels ont limité le nombre de services numériques pouvant accéder au marché ce qui veut dire que certains modèles commerciaux de startups intéressants n’ont même jamais été testés.

Mais cela dit, il y a eu une logique dans la stratégie que les grandes maisons de disque ont commencé à employer vers la fin de la dernière décennie.

Laisser la communauté des technologies et startup expérimenter, faire le plus d’argent possible durant la phase expérimentale, et encaisser le bénéfice des actions dans les quelques services qui fonctionnent et laisser les autres prendre des risques pour savoir quelle plateforme digitale est solide. Tout ça pendant que les labels se recentrent sur leur propre gestion des risques, l’activité risquée d’investissement sur de nouveaux artistes et la création de nouveau contenu.
Si l’on convient que les gros titulaires de droits ont changé leur politique sur les innovations numériques en 2008, et ainsi débuté une décennie d’expérimentation en 2009, nous nous trouvons alors à mi-chemin de cette décennie d’expérimentation. Est-il alors possible de présager de la tournure des choses ? Et comment exactement le freemium va-t-il trouver sa place dans tout ceci ?

l'évolution des startups musictech

L’eventail des business models pour la musique numérique

Il existe aujourd’hui 3 modèles économiques pour la musique digitale : la boutique de téléchargement façon iTunes (le modèle ‘possession’), le service radio interactif façon Pandora (ce que l’analyste de la musique digital Mark Mulligan appelle le modèle ‘écoute’) et le service à la demande façon Spotify (le modèle ‘accès’).

La question de savoir, parmi ces trois types de service, lequel est en position dominante varie énormément d’un marché à l’autre.

  • Les services ‘écoute’ sont beaucoup plus prolifiques aux USA, surtout parce que, comme expliqué plus tôt, une licence rendue obligatoire par une cour américaine dédiée au droit d’auteur doit lier les maisons de disque en amont à des entités telles que Pandora avec des taux de répartition également fixés par cette même cour. En Europe par contre, les services d’accès tout à la demande ont eu plus de succès.
  •  En revanche — alors que les ventes d’iTunes, après avoir atteint leur point le plus haut sont maintenant en chute — il convient de noter que, le modèle ‘propriété’ est toujours l’unique plus gros générateur de revenus aux USA et au Royaume-Uni. Tandis qu’en Norvège et en Suède, où le téléchargement façon iTunes n’a jamais vraiment décollé, le streaming à la demande est déjà le plus important type de service.

Concernant les modèles de paiement,

  • Le marché du téléchargement est majoritairement basé sur pay as you go, à savoir que l’utilisateur paye à l’unité pour chaque titre téléchargé sans engagement, même si quelques services de téléchargement de niche basés sur l’abonnement existent encore.
  • Dans le cadre du streaming on trouve des options gratuites financées par la publicité et des options payantes, avec un prix standard fixé à 10 livres/dollars/euros par mois (nous donnerons désormais tous les prix en dollar pour avoir une coordination mondiale).
  • En outre, certains services ont aussi des offres aux fonctionnalités limitées à moitié prix et d’autres proposent un niveau super premium pour 20 dollars avec généralement une haute qualité audio.

Alors que la question de savoir quels types de service et quels modèles de paiement seront dominant sur le long terme a déjà animé de nombreux débats. Il apparaît certain que les prochaines années verront l’évolution  d’une gamme de services incluant des éléments à la fois des modèles possession, écoute et accès. De manière essentielle, il y aura au sein de cette gamme différents niveaux de prix, variant davantage entre le gratuit et le standard moyen actuel à 10 dollars.

 

les startups musictech qui se sont plantées

 

Car l’un des problèmes avec le modèle de streaming actuel est que les deux principaux niveaux de prix sont soit gratuit soit à 10 dollars mensuels — donc gratuit ou à 120 dollars annuels — ce qui représente un écart de prix certain. Et, tandis que pour les passionnés de musique  le prix annuel de 120 dollars pour l’accès tout à la demande sans publicité et sur plusieurs appareils à un catalogue de plus de 20 millions de titres semble être une très bonne affaire (ce qui est vrai), dépenser 120 dollars par an pour du contenu musical est plutôt un gros engagement pour le consommateur moyen qui aurait avec l’ancien modèle acheté deux ou trois CD en l’espace d’une année.

Donc tandis que le nombre d’inscriptions à des abonnements pour des services gratuits est plutôt impressionnant et que le taux d’inscriptions à 10 dollars par mois (on parle en dollars pour garder une homogénéité avec tous les tarifs des services dans le monde)  pour des services premium – surtout Spotify – est encourageant, il est probable que seulement une minorité de consommateurs ne s’aventure à dépenser 120 dollars par an pour de la musique enregistrée. Cependant, il y a un manque d’options pour ceux ayant un budget annuel de 20 à 60 dollars et ces consommateurs sont donc susceptibles de d’orienter vers le freemium. Et cela constitue un ensemble bien plus grand que le nombre actuel de gens qui payent pour Spotify.

 Tout le monde en conviendra : pour que le streaming soit un vrai succès il est nécessaire d’y ajouter des niveaux de prix entre la gratuité et 10 dollars. Spotify s’est essayé à un abonnement moitié prix dans certains territoires en excluant à la base les fonctionnalités sur mobiles mais l ‘écoute sur téléphone mobile est tellement devenue la norme qu’un service payant réduit à la seule utilisation sur ordinateur devient difficile à vendre.

 L’option premium de Pandora (qui est plus un service d’écoute que d’accès) est aussi fixée à 5 dollars par mois mais les glissements de ventes pour Pandora du freemium au premium sont loin d’égaler celles de Spotify. Il semblerait que 5% de ses utilisateurs payent par rapport à 25% pour Spotify, ce qui suppose que la majorité considère que 5 dollars par mois pour une simple radio personnalisée est un prix trop élevé.

Alors à quoi va donc ressembler l’éventail des offres de musique digitale ? Quelles variables les services numériques peuvent-ils utiliser pour distinguer les différents niveaux de prix ? Nous verrons cela dans le prochain article de la série.

Retrouvez la suite du dossier: 

 

A propos de l’auteur

Virginie Berger est la fondatrice de DBTH (www.dbth.fr), agence spécialisée en stratégie et business développement notamment international pour les industries créatives (musique, TV, ciné, gastronomie), et les startups creative-tech. Elle est aussi l’auteur du livre sur « Musique et stratégies numériques » publié à l’Irma. Sur twitter: @virberg

La plateforme de streaming Tidal, chronique d’une mort annoncée ?

 

http://tidal.com/us
http://tidal.com/us

Le marché de la musique et ses modèles d’affaire sont en pleine recomposition comme l’indiquent les récents indicateurs publiés à ce sujet (voir par exemple : http://www.liberation.fr/economie/2015/03/20/musique-le-cd-a-cede-face-au-streaming_1225149).  Pour résumer, on observe deux faits marquants : d’une part, le montant du chiffre d’affaire généré par le streaming (1,87 milliard de dollars)  dépasse pour la première fois celui du CD (1,85 milliard de dollars) outre-Atlantique ; et en France, le SNEP indique que le streaming (payant en abonnement ou gratuit financé par la publicité) est depuis 2014 le premier marché de la musique numérique, dont il représente désormais 55% des revenus contre seulement 43% un an plus tôt. D’autre part, le téléchargement payant – sur le modèle iTunes – semble en déclin, au profit du modèle du streaming, la question de savoir lequel du modèle par abonnement ou du modèle publicitaire (Youtube) s’impose face à l’autre n’étant pas clairement tranchée… Il faut ajouter à ce tableau général le retour en grâce du vinyl – certes relatif – mais qui, nous dit l’article précité, « pèse désormais 4,5% des ventes outre-Atlantique, avec une progression spectaculaire de 49% l’an dernier, à 315 millions de dollars« .

Bref, tout se passe comme si le streaming s’imposait comme le modèle d’affaire et de consommation dominant des prochaines années, une des questions état de savoir si il continuera de co-exister avec le marché physique ou si ce dernier se réduira peu à peu comme peau de chagrin, laissant la place à un marché de niches (le vinyl certes mais peut-être aussi le CD, comme me le donnent à penser certains entretiens que j’ai récemment menés avec des jeunes amateurs de métal dans un lycée, qui ont déjà anticipé sur la disparition du CD et en font d’ores et déjà un objet collector, comme si chaque génération promouvait et mythifiait la technologie avec laquelle elle – ou ses parents – avait grandie).

Si le concept du streaming semble posséder de nombreuses vertus aptes à séduire le grand public (http://www.lesnumeriques.com/divers/services-streaming-audio-premium-comparatif-analyse-a1987.html) l- le nombre pléthorique d’oeuvres mises à disposition, un système d’indexation performant, des interfaces ergonomiques, un couplage aux réseaux sociaux, le coût a priori modeste des abonnements -, il se heurte pourtant encore à plusieurs obstacles de fond, qui demandent à être levés : d’une part, l’absence ou la faiblesse du consentement à payer des consommateurs ; d’autre part, les limites d’un business model auquel nombre d’artistes reprochent qu’il soit faiblement rémunérateur (Bjork, Taylor Swift, Thom Yorke. Voir sur ce point une synthèse des débats  sur : https://ijsbergmagazine.com/musique/article/11704-ce-conflit-taylor-swiftspotify-apprend-lindustrie-musicale/) ; enfin, la question de savoir quels éléments représentent une vraie plus-value incitative (métadonnées, son en qualité Flac par exemple ?)

C’est dans ce contexte que l’avisé Jay-Z a lancé la plateforme de streaming Tidal, portée sur les fonds baptismaux par une sorte de « coopérative de stars », et dont une partie de la presse énonce déjà les défauts potentiels, doutant de sa viabilité à moyen ou long terme : en bref, l’absence de modèle freemium financé par la publicité (un pari sur l’existence d’un vrai consentement à payer chez les amateurs de musique) et une plus-value fondée notamment sur l’usage de la norme sonore Flac (un pari sur la demande par le public d’une qualité sonore audiophile, pari déjà tenu par la plateforme Qobuz) qui semble n’être audible que par les personnes possédant l’équipement adéquat.

Il sera donc très intéressant de suivre les évolutions économiques, technologiques, de service et de design de Tidal, dans la mesure où elle interroge frontalement sur ce qui, dans le modèle du streaming, est susceptible d’emporter l’adhésion du grand public… En attendant l’arrivée prochaine d’un modèle proposé par Apple, dont on verra si, dans cette course à l’innovation grand public, il décroche la martingale.

Sur les mérites ou défauts de Tidal, on peut lire :

– http://next.liberation.fr/musique/2015/03/31/faut-il-adopter-tidal-l-application-musicale-de-jay-z_1232146

– http://www.slate.fr/story/99803/tidal-possible-echec

Sur les aspects techniques et notamment la dimension haute-fidélité de la plateforme :

– http://www.whathifi.com/tidal/review

– http://www.clubic.com/telecharger/logiciel-musique-et-streaming/actualite-761221-tidal-streaming-lossless-jayz.html

– http://www.techradar.com/reviews/audio-visual/hi-fi-and-audio/music/tidal-music-1270607/review

 

Séminaire sur la musimorphose à l’université Malaya

The Department of English

Faculty of Arts & Social Sciences

Universiti Malaya

is pleased to host 

“From Discomorphosis to Digimorphosis: French ‘Digital Natives’ and Music in Everyday Life”

A Seminar by

Professor Philippe Le Guern

 7 April 2015

10 AM – 12 Noon

Bilik Mesyuarat Dekan 1

 

ALL ARE WELCOME. LIGHT REFRESHMENTS WILL BE SERVED.

 

Abstract

The notion of “digital natives”, coined by Mark Prensky in 2001, describes the generation born into an environment where digital technologies had become the dominant standard. As Prensky explains it, the practices of digital natives display a complete break from those of the preceding generation.  In terms of music, the hypothesis can be made that with the globalization of digital technologies, it is not only music consumption but also the idea of music itself that has mutated.  The transition from discomorphosis to digimorphosis seems to have reconfigured, in a particularly salient way, the consumption practices of the youth generation and more generally the uses of music in their everyday life. This gives rise to the following questions: Do we collect and enjoy dematerialised works in the same way as we appreciate records? Is the issue of sound quality still relevant for users now in the habit of listening to music from compressed files? Does the fact that music is a payable good still have meaning for new generations of listeners? In this presentation, I will describe first of all the specificities of the music market in France. Then, I will talk about illegal downloading and anti-piracy laws, a central element of the public policies in France. Finally, I will present the first results of a survey on schoolchildren and music.

About the Speaker

Dr Philippe Le Guern is a sociologist and Full Professor in the Department of Communication Studies, University of Nantes, France and, until July 2015, a Visiting Research Associate with the Department of English, Faculty of Arts and Social Sciences, Universiti Malaya. He is currently leading a national research program, titled “Musimorphoses”, on music in the everyday life of “digital natives” in France. He has edited books and special issues of journals and published papers on popular music and culture, fan culture and digital technologies.  His publications in English include: Le Guern, P. and Dauncey, H. (eds), Stereo: Comparative Perspectives on the Sociological Study of Popular Music in France and Britain, Ashgate, 2010;  Le Guern, P., “The Heritage Obsession: History of Rock and Challenges of  ‘Museum Mummification’: A French Perspective” in Cohen, S. et al (eds), Sites of Popular Music Heritage, Routledge, 2014; and Le Guern, P. and  Guesdon, M., “Retromania: Crisis of the Progressive Ideal and Pop Music Spectrality”, in Niemeyer, K (ed.), Media and Nostalgia. Yearning for the Past, Present and Future, Basingstoke: Palgrave Macmillan, 2014. He blogs at: musimorphe.hypotheses.org.

Les machines du goût : comment ça marche ?

Capture d’écran 2015-03-30 à 10.18.32

Voici la référence à un blog très autorisé, son auteur n’étant autre que Brian Whitman, co-fondateur de l’API Echo Nest et aujourd’hui music scientist chez Spotify. Dans l’article présenté ci-dessous, on trouvera une description très précise des différents systèmes de recommandation et de leurs logiques internes.

How music recommendation works — and doesn’t work (http://notes.variogr.am/post/37675885491/how-music-recommendation-works-and-doesnt-work)

When you see an automated music recommendation do you assume that some stupid computer program was trying to trick you into something? It’s often what it feels like – with what little context you get with a suggestion on top of the postmodern insanity of a computer understanding how should you feel about music – and of course sometimes you actually are being tricked.

Amazons recommendations for Abbey RoadAmazon’s recommendations for Abbey Road

No one is just learning that if they like a Beatles album, they may also like five others. Amazon is not optimizing for the noble work of raising independent artists’ profiles to the public, and they’re definitely not optimizing for a good musical experience. They’re statistically optimizing to make more money, to sell you more things. Luckily this is the fruit fly of music recommendation, the late night infomercial quality of a music discovery experience that also might dry your lettuce if you spin it fast enough. And I doubt Amazon would ever claim otherwise.

The rest of the field has gotten pretty far since then and we’ve now got tons of ways to discover music using actual qualities of the music or social cues of what your friends are listening to. But I still hate seeing examples like the above. I hate thinking there are forces at work in music discovery that don’t have listeners’ best interests at heart and I want to make them better. I want to walk through all the ways music recommenders work or don’t, and concentrate of course on the one I know best – The Echo Nest’s – which you’re probably using even if you don’t already know it. And most importantly, I want to talk about what we can do next.

Before I get into it, a brief history of who I am: I’ve been working on music recommenders and music retrieval since 1999, academically and in industry. In 2005 I started The Echo Nest with my co-founder Tristan. We power most online music services’ discovery using a very interesting series of algorithms that is sort of the Voltron-figure of our two dissertations and the hard work of our 50 employees in Boston, SF, NYC and London. And we’ve been on a bit of a tear – just in the past year alone we’ve announced that we’re powering music discovery features for eMusic, Twitter, EMI, iHeartRadio, Rdio, Spotify, VEVO and Nokia – with some new heavy hitters yet announced – to add to our existing customer base that includes MTV, MOG, and the BBC. And through our API we have tens of thousands of developers making independent apps like Discovr, KCRW, Muzine, Raditaz, Swarm, SpotON and hundreds more.

We’ve been a quiet company for a while and with all this great news comes a lot of new confusion about what we do and how it compares to other technologies. Journalists like to pin us as the “machine” approach to understanding music next to the “human” of our nearest corollary (not competitor) in the space – Pandora. This is somewhat unfair and belies the complexity of the problem. Yes, we use computer programs to help manage the mountains of music data, but so does everyone, and the way we get and use that data is just as human as anything else out there.

I’ll go into technologies like collaborative filtering, automatic content based recommendation, and manual approaches used by Pandora or All Music Guide (Rovi). I’ll show that no matter what the computational approach ends up being, the source data – how it knows about music – is the most important asset in creating a reliable useful music discovery service.

What is recommendation? What is it good for?

Musicians are competing for an audience among millions of others trying just as hard. And it’s not the listener’s fault if they miss out on something that will change their lives – these days, anyone can gain access to a library of over 15 million songs on demand for free. To a musician turned computer scientist (as I and so many of my colleagues are) this is the ultimate hidden variable problem. If there was something “intelligent” that could predict a song or artist to a person, both sides (musician and listener) win, music is amazing, there’s a ton of data, and it’s very far from solved.

But anyone in the entire field of music technology has to treat music discovery with respect: it’s not about the revenue of the content owner, it’s not about the technology, it’s not about click through rates, listening hours or conversion. The past few years have shown us over and over that filters and guides are invaluable for music itself to coexist with the new ways of getting at it. We track over 2 million artists now – I estimate there are truly 50 million, most of them currently active. Every single one of them deserves a chance to get their art heard. And while we can laugh when Amazon suggests you put a Norah Jones CD in your cart after you buy a leaf blower, the millions of people that idly put on Pandora at work and get excited about a new band they’ve never heard deserve a careful look. Recommendation technology is powering the new radio and we have a chance to make it valuable for more than just the top 5 percent of musicians.

When people talk about “music recommendation” or “music discovery” they usually mean one of a few things:

  • Artist or song similarity: an anonymous list of similar items to your query. You can see this on almost any music service. Without any context, this is just a suggestion of what other artists or songs are similar to the one you are looking at. Formally, this is not truly a recommendation as there is no user model involved (although since a query took the user to the list, I still call these a recommendation. It’s a recommendation in the sense that a web search result is.)
  • Personalized recommendation: Given a “user model” (your activity on a service – plays, skips, ratings, purchases) a list of songs or artists that the service does not think you know about yet that fits your profile.
  • Playlist generation: Most consumers of music discovery are using some form of playlist generation. This is different from the above two in that they receive a list of items in some order (usually meant to be listened to at the time.) The playlist can be personalized (from a user model) or not, and it can be within catalog (your own music, ala iTunes Genius’s or Google’s Instant Mix playlists) or not (Pandora, Spotify’s or Rdio’s radio, iHeartRadio.) The playlist should vary artists and types of songs as it progresses, and many rely on some form of steering or feedback (thumbs up, skips, etc.)
Where popular services sit in discovery
Personalized Anonymous
Playlist Pandora Rdio radio
Suggestions Amazon All Music Guide

These are three very different ways of doing music discovery, but for every technology and approach I know of, they are simply applications on top of the core data presented in different ways. For example, at the Echo Nest we do quite a bit to make our playlists “radio-like” using our observed statistics, acoustic features and a lot of QA but that sort of work is outside the scope of this article – all three of our similarity API, taste profiles (personalized recommendation) API and playlist API start with the same knowledge base culled from acoustic and text analysis of music.

However, the application means a lot to the listener. People seem to love playlists and radio-style experiences, even if the data driving both that and the boring list of songs to check out are the same. One of the great things about working at the Echo Nest is seeing the amazing user interfaces and experiences and people put on top of our data. Listeners want to hear music, and they want to trust the service and have fun doing it. And conversely, a Pandora completely powered by Echo Nest data would feel the same to users but would have far better scale and results and thus add to the experience. Because of this very welcome sharding of discovery applications, it’s helpful less to talk about these applications directly and more to talk about “what the services know” about music – how they got to the result that Kreayshawn and Uffie are similar, no matter where it appeared in the radio station or suggestion or what user model led them there. We can leave the application and experience layer to another lengthy blog post.

My (highly educated, but please know I have no direct inside information except for Echo Nest of course) guesses on the data sources are:

How popular services know about music
Service Source of data
Pandora Musicologists take surveys
Songza Editors or music fans make playlists
Last.fm Activity data, tags on artists and songs, acoustic analysis[1]
All music guide Music editors & writers
Amazon Purchase & browsing history
iTunes Genius Purchase data, activity data from iTunes[2]
Echo Nest Acoustic analysis, text analysis

There are many other discovery platforms but this list covers the widest swath of approaches. Many services you interact with use either these platforms directly (Last.fm, Echo Nest, AMG all license data or give away data through APIs) or use similar enough approaches that it’d be not worth going into in detail.

From this list we’re left with a few major music knowledge approaches: (1) activity data, (2) critical or editorial review, (3) acoustic analysis, and (4) text analysis.

The former two are self-describing: you can learn about music by the activity around it (listens, plays, purchases) – Kreayshawn and Uffie are considered similar if the same people buy their singles or rate them highly – or you can learn about music by critical review, what humans have been pretty good at for some time. Of course, encoding activity (via collaborative filtering or taste mining) and critical review (via surveys or direct entry) into a database is a relatively recent art.

The latter two, acoustic and textual analysis, were developed by the field as a reaction to the failures of the first two. I’ll go into much greater detail on those as it’s how Echo Nest does its magic.

Care and Scale

The dominating principle of the Echo Nest discovery approach from day one has been “care and scale.” When Tristan and I started the company in 2005 we were two guys with fresh PhDs on music analysis and some pretty good technological solutions; Tristan’s in the acoustic analysis realm (a computer taking a signal and making sense of it) and mine in the data mining and language analysis space (understanding what people are saying and doing with music.) We surveyed the landscape at the time for discovery and found that almost every one suffered from either a lack of care or scale, sometimes (and often) both. The entire impetus of doing a startup (not an easy choice for two scientists and anyone that has met us knows we are not the “startup type”) was that we thought we had something between the two of us that could fix those two problems.

Care & Scale

Scale is easy to explain: you have to know about as much music as possible to make good recommendations. If you don’t know about an up and coming artist, you can’t recommend them. If you only analyze or rate or understand the popular stuff you by default fail at discovery. Manual discovery approaches by their nature do not scale. We track over two million artists and over 30 million songs and there is no way a manually curated database can reach that level of knowledge. Even websites that can be volunteer or community edited run against the limits of the community that takes part – we count only a little over 130,000 artist pages on Wikipedia. Pandora recently crossed the 1 million song barrier, and it took them 10 years to get there. Try any hot new artist in Pandora and you’ll get the dreaded:

Pandora not knowing about YUS

This is Pandora showing its lack of scale. They won’t have any information for YUS for some time and may never unless the artist sells well. This is bad news and should make you angry: why would you let a third party act as a filter on top of your very personal experiences with music? Why would you ever use something that “hid” things from you?

Activity data approaches (such as Last.fm and Amazon and iTunes Genius) also suffer from a slighter scale problem that manifests itself in a different way. It’s trivial to load a database of music into an activity data-based discovery engine (such as collaborative filtering or social tags.) I’ve often gone after such naive approaches to music discovery publicly. If a website or store has a list of user data (user A bought / listened to song Y at time Z) any bright engineer will immediately go into optimization mode. There’s almost a duplicitous ease of recommending music to people poorly. I recently was shopping for a specific type of transistor for a project on a parts and components website and found they, too, had turned on the SQL join that allowed “recommendations” on their site based on activity data:

Pathological filteringPathological filtering

Other than activity not making much sense in a discovery context, by default these systems suffer a “popularity bias,” where a lot of music simply doesn’t have enough activity data yet collected to be considered a recommendation match. Activity based systems can only know what people have told them explicitly, and this often makes it hard for less-popular artists to be recommended.

Care is a trickier concept and one we’ve tried very hard to define and encode into our engineering and product. I translate it as “is this useful for the musician or listener?”A great litmus test for care in music discovery is to check the similar artists or songs to The Beatles. Is it just the members of the Beatles and their side projects? For almost all services that use musical activity data, it will be:

Top artist similars are all members of the BeatlesTop artist similars are all members of the Beatles

Certainly a statistically correct result[3], but not a musically informative one. There is so much that user data can tell you about listening habits, but blindly using it to inform discovery belies a lack of care about the final result. Care is neatly handled by using social, manual or editorial approaches, as humans are pretty good at treating music properly. But when using more statistical or signal processing approaches that know about more music at scale, care has to be factored in somehow. Most purely signal processing approaches (such as Mufin here) fall down as badly on care as activity data approaches do:

Mufin expressing so little care about Stairway to HeavenMufin expressing so little care about Stairway to Heaven

Care is a layer of quality assurance, editing and sanity checks, real-world usage and analysis and, well, care, on top of any systematic results. You have to be able to stand by your results and fix them if they aren’t useful to either musicians or listeners. Your WTF count has to be as low as possible. We’ve spent a lot of time embedding care into our process and while we’re always still working, we’re generally pleased with how our results look.

Echo Nests Beatles similars via MTV Music MeterEcho Nest’s Beatles similars via MTV Music Meter

Without both care and scale you’ve got a system that a listener can’t trust and that musician can’t use to find new fans. You’ve failed both of your intended audiences and you might as well not try at all.

Care & Scale of common approaches

Text Analysis

Echo Nest Cultural vectorsEcho Nest Cultural vectors

I started doing music analysis work in 1999 at the NEC Research Institute in Princeton, NJ (I had scammed them into an internship and then a full time job by being very persistent.) NEC was then full of the top tier of data mining, text retrieval, machine learning and natural language processing (NLP[4]) scientists; I had the great fortune to work with guys like Steve Lawrence, Gary Flake, David Waltz and even Vladimir Vapnik moved into my tiny office after I left for MIT.

I was there while figuring out what to do with myself after abruptly quitting my PhD program in NLP at Columbia. I was a musician at the time, playing a lot of shows at various warehouse spaces or the lamented late “Brownies,” places where 20 people might show up and 10 would know who you were. There was a lot of excitement about “the future of music” – far more than there is today, as somehow we felt that the right forces would win and quickly. I logged onto Napster for the first time from a DSL connection and practically squealed in delight as a song could be downloaded faster than the time it would take to listen to it. It was a turning point for music access, but probably a step back for music discovery. We were still stuck with this:

Napster in 2001Napster in 2001

The search was abysmal: a substring match on ID3v1 tags (32 characters each for artist, title, release and a single byte for genre) or filename (usually “C:\MUSIC\MYAWES~1\RAPSONG.MP3”) and there was no discovery beyond clicking on other users’ names and seeing what they had on their hard drives. I would make my music available but of course, no one would ever download it because there was no way for them to find it. A fellow musician friend quickly took to falsely renaming his songs as “remixes” by better known versions of himself: “ARTIST – TITLE – APHEX TWIN MIX” and reported immediate success.

At the time I was a member of various music mailing lists, USENET groups and frequent visitor of a new thing called “weblogs” and music news and review sites. I would read these voraciously and try to find stuff based on what people were talking about. To me, while listening to music is intensely private (almost always with headphones alone somewhere), the discovery of it is necessarily social. I figured there must be a way to take advantage of all of this conversation, all the excited people talking about music in the hopes that others can share in their discovery – and automate the process. Could a computer ‘read’ all that was going on across the internet? If just one person wrote about my music on some obscure corner of the web, then the system could know that too.

This is scale with care: real people feeding information into a large automated system from all different sources, without having to fill out a survey or edit a wiki page or join a social network.

After almost ten years of data mining, language and music research (first at NECI, then a PhD at MIT at the Media Lab) The Echo Nest currently is the only music understanding service that takes this approach. And it works. We crawl the web constantly, scanning over 10 million music related pages a day. We throw away spam and non-music related content through filtering, we try to quickly find artist names in large amounts of text and parse the language around the name. Every word anyone utters on the internet about music goes through our systems that look for descriptive terms, noun phrases and other text and those terms bucket up into what we call “cultural vectors” or “top terms.” Each artist and song has thousands of daily changing top terms. Each term has a weight associated, which tells us how important the description is (roughly, the probability that someone will describe music as that term.) We don’t use a fixed dictionary for this, we are able to understand new music terms as quickly as they are uttered, and our system works in many Latin-derived languages across many cultures.

On top of this statistical NLP, we also pull in structured data from a number of partners and community access sites like Wikipedia or Musicbrainz. We apply the same frequency and vector approach to this knowledge-base style data: if Wikipedia lists the location of an artist as NYC and the label partner as New York, NY and their Facebook page has “EVERYWHERE ON TOUR 2012”, we have to figure out which is the right answer to index. Often the cultural vectors on structured data become a synthesis of all the different data sources.

When a query for a similar artist or a playlist comes into our system, we take the source artist or song, grab its cultural vectors, and use those in real time to find the closest match. This is not easy to do at scale, and over the years we’ve done quite a lot of “big data” work to make this tractable. We don’t cache this data because it changes so often – the global conversation around music is very finicky and artists make overnight changes to their sound.

A lot of useful data naturally falls out of cultural analysis of music: the quantity of conversation is used to inform our “hotttnesss” and familiarity data points, representing how popular the artist is now on the internet and overall how well known they might be. We can use the crawled text anonymously as sort of a proxy for listener data without having to get it from a playback service. And the index of documents that relate to artists or songs is of course valuable to a lot of our customers in a feed or search context – showing news or reviews about artists their users are interested in.

Acoustic Analysis

Echo Nest acoustic analysis viewEcho Nest acoustic analysis view

The internet is not the Library of Babel we envision it to be, and quite often many “lower-rank” (less popular) musicians are left out of the “cultural universe” we crawl. Also, the description of music necessarily leaves out things that actually describe the music – a Google blog search for Rihanna illustrates the problem well: many popular artists’ descriptions are skewed towards the celebrity angle and while this is certainly a valid thing to know about a musician, it’s not all we need to know. Lastly, internet discussion of music tends to concentrate on artists, not songs (although there is sometimes talk of individual songs on music blogs.) These three issues (and common sense) require us figure out if we can understand how a song sounds as well as how the artist and song is represented by listeners. And if we are going to follow care and scale, we’ve got to do this automatically, with a computer doing the job of the careful listening.

Can a computer really listen to music? A lot of people have promised it can over the years, but I’ve (personally) never heard a fully automated recommendation based purely on acoustic analysis that made any sense – and I’ve heard them all, from academic papers to startups to our own technology to big-company efforts. And that has a lot to do with the expectations of the listener. There are certain things computers are very good and fast at doing with music, like determining the tempo or key, or how loud it is. Then there are harder things that will get better as the science evolves, like time signature detection, beat tracking over time, transcription of a dominant melody, and instrument recognition. But even if a computer were to predict all of these features accurately, does that information really translate into a good recommendation? Usually not – and we’ve shown over the years that people’s expectation of “similar” – either in a playlist or a list of artists or songs – trends heavily towards the cultural side, something that no computer can get at simply by analyzing a signal.

But it does turn out that acoustic analysis has a huge part to play in our algorithms. People expect playlists to be smooth and not jump around too much. Quiet songs should not be followed with loud metal benders (unless the listener asked for that.) For jogging, the tempo should steadily increase. Most coherent mixes should keep the instrumentation generally stable. Songs should flow into one another like a DJ would program them, keeping tempo or key consistent. And there’s a ton we haven’t figured out yet on the interface side. Could a “super dorky query interface” work for music recommendation, where a listener can filter by dominant key or loudness dynamics? Maybe with the right user experience. An early product out of the Echo Nest[5] was an “intelligent pause button” that Tristan whipped up that would compose a repeating segment out of the part of the song you were in or just play the song roughly forever (check out an automated 10 minute MP3 re-edit of a Phoenix song) – which a few years later became Paul’s amazing Infinite Jukebox – these experiments are fascinating precursors to a new listening experience that might become more important than discovery itself.

How Echo Nest acoustic analysis worksHow Echo Nest acoustic analysis works

The Echo Nest audio analysis engine (PDF) contains a suite of machine listening processes that can take any audio file and outputs both low-level (such as the time of when every beat starts) and high-level (such as the overall “danceability”) information for any song in the world. We analyze all the music we work with, and developers can upload their own audio to see everything we compute on a track via our API. Our analysis starts by pretending it was an ear: it will model the frequencies and loudness of a musical signal much the same way perceptual codecs like MP3 or AAC do. It then segments the audio into small pieces – roughly 200ms to 4s, depending on how fast things are happening in the song. For each segment we can tell you the pitch (in a 12-dimensional vector called chroma), the loudness (in an ADSR-style envelope) and the timbre, which is another 12 dimensional vector that represents the sound of the sound – what instruments there are, how noisy it is, etc. It also tracks beats across the signal, in subdivisions of the musical meter called tatums, and then per beat and bar, alongside larger song-level structure we call sections that denote choruses, intros, bridges and verses.

That low level information can be combined through some useful applications of machine learning that Tristan and has team have built over the years to “understand” the song at a higher level. We emit song attributes such as danceability, energy, key, liveness, and speechiness, which aim to represent the aboutness of the song in single floating point scalars. These attributes are either heuristically or statistically observed from large testbeds: we work with musicians to label large swaths of ground truth audio against which to test and evaluate our models. Our audio analysis can be seen as an automated lead sheet or a computationally understandable overview of the song: how fast it is, how loud it gets, what instruments are in it. The data within the analysis is so fine grained that you can use it as a remix tool – it can chop up songs by individual segments or beats and rearrange them without anyone noticing.

We don’t use either type of data alone to do recommendations. We always filter the world of music through the cultural approaches I showed above and then use the acoustic information to order or sort the results by song. A great test of a music recommender is to see how it deals with heavy metal ballads – you normally would expect other ballads by heavy metal bands. This requires a combination of the acoustic and cultural analysis working in concert. The acoustic information is obviously also useful for playlist generation and ordering, or keeping the mood of a recommendation list coherent.

What’s next

I’ve used every single automated music recommendation platform, technology or service. It’s obviously part of my job and it’s been astounding to watch the field (both academically and commercially) mature and test new approaches. We’ve come a long way from RINGO and while the Echo Nest-style system is undoubtedly the top of the pack these days as far as raw quality of automated results go, there’s still quite a lot of room to grow. I’ve been noticing two trends in the space that will certainly heat up in the years to come:

Social – filtering collaborative filtering

This is my jamThis is my jam

Social music discovery as embodied by some of my favorite music services such as This is my jam, Swarm.fm, Facebook’s music activity ticker and real time broadcasting services like the old Listening Room and its modern progentior Turntable.fm often have no or little automated music discovery. Friend-to-friend music recommendations enabled by social networks are extremely valuable in music discovery (and I personally rely on them quite often), but are not recommendation engines as they can not automatically predict anything when bereft of explicit social signals (and so they fail on scale.) The main amazing and useful feature of recommendation systems are that it can find things for you that you wouldn’t have otherwise come across.

Even though that puts this kind of service outside the scope of this article, that doesn’t mean we should ignore the power of social recommendations. There’s something very obvious in the social fabric of these services that makes personal recommendations more valuable: people don’t like computers telling them what to do.

There are some interesting new services that mix both the social aspects of recommendation with automated measures. This is my jam’s “related jams” is a first useful crack at this, as is Spotify’s recent “Discover” feature. You can almost see these as extensions of your social graph: if your friends haven’t yet caught onto Frank Ocean there might be signals that show they will get there soon, and using cultural filtering can get us there. And a lot of the power of social recommendations – that it comes from your friends – can tell the story better than just a raw list of “artists we think you would like.”

Listener intelligence

When do you listen to music? Is it in the morning on your way to work? Is it on the weekends, relaxing at home? When you do it, how often do you listen to albums versus individual songs in a playlist? Do you idly turn on an automated radio station, or have your own playlists? Which services do you use and why? If it’s raining, do you find yourself putting on different music? The scariest thing about all the music recommendation systems I’ve gone over (including ours as of right now) is none of them look at this necessary listener context.

There is a lot going on in this space, both internal stuff we can’t announce yet at Echo Nest, and new products I’m seeing coming out of Spotify and Facebook. We’re throwing our weight behind the taste profile – the API that represents musical activity on our servers. It’s sort of the scrobble 2.0: both representing playback activity as well as all the necessary context around it: your behaviors and patterns, your collection, your usage across services and maybe even domains. We’re even publishing APIs to do bulk analysis of the activity to surface attributes like “mainstreamness” or “taste-freeze,” the average active year of your favorite artists. This is more than activity mining as collaborative filtering sees it: it’s understanding everything about the listener we can, well beyond just making a prediction of taste based on purchase or streaming activity. All of these attributes and analysis might be part of the final frontier of music recommendation: understanding enough to really understand the music and the listener it’s directed to.

– Brian (brian@echonest.com)

Thanks to EVB for the edits


  1. I know they do a ton of acoustic analysis there but I don’t know if it’s used in radio or similar artists/songs. Probably.  ↩
  2. They use Gracenote’s CDDB data as well but I don’t know to what extent it appears in Genius.  ↩
  3. You can even claim that since you are listening to the Beatles, you are also listening to the individual members at the same time but let’s not get too ahead of the curve here  ↩
  4. Whenever I say NLP I mean the real NLP, the natural language processing NLP, not the creepy pseudoscience one.  ↩
  5. Released eventually as the Earworm example in Echo Nest Remix.  ↩

Les machines du goût : sur les algorithmes de la recommandation

Musicovery
Musicovery

 

Dans une récente thèse de doctorat portant sur l’API Echo Nest et plus généralement sur les algorithmes de la recommandation (la thèse sera prochainement publiée aux éditions Hermann), Stephan-Héloïse Gras montre comment, dans un univers où les catalogues de services de streaming musical en ligne détiennent des millions de titres, de nouvelles formes de compétition se mettent en place autour de la recommandation personnalisée de nouveaux artistes. L’enjeu est en quelque sorte symétrique : pour les plateformes, cibler leurs publics potentiels avec un niveau de granulométrie exceptionnellement fin. On passe en quelque sorte du « prêt à porter » naguère offert par les systèmes promotionnels à l’époque du disque ou du CD au « taillé sur mesure ». Pour les publics, trouver l’artiste qu’on ne connaît pas encore mais qu’on aimera presque à coup sûr parce qu’il correspond à la structure de nos goûts, à notre sensibilité esthétique voire à nos émotions du moment… Car à ce petit jeu des affinités électives, c’est non seulement la mise en relation d’un artiste avec un auditeur que proposent les machines du goût mais également la contextualisation de cette relation : leur devise pourrait être « The right artist at the right place at the right time », puisque la contextualisation peut théoriquement tenir compte de variables aussi précises que le lieu où vous vous trouvez, de l’heure de la journée, du type de lumière, de votre état émotionnel et que les développements de la recommandation  vont aller de pair non seulement avec le développement des capacités de traitement des big data mais également avec la sophistication de capteurs de données individuelles. Un bon exemple de « recommandation émotionnelle » se trouve sur le site http://musicovery.com/, co-dirigé par Vincent Castaignet.

Je reviendrai très régulièrement sur ce sujet car il est central pour comprendre ce qui se joue aujourd’hui dans la relation entre les publics et les distributeurs de contenus. D’ores et déjà, on peut signaler plusieurs des questions de fond que les machines du goût suscitent : l’hyper-personnalisation de la recommandation contribue-t-elle à élargir le portefeuille des goûts (autrement dit, écoute t-on plus d’artistes et surtout plus d’artistes issus de familles esthétiques diversifiées ?) ou n’assiste t-on pas au contraire à une sorte d’homogénéisation des préférences ? Les algorithmes permettent non seulement de recommander de la musique mais également d’offrir des services connexes comme des tickets de concert ou des produits dérivés. Comment peuvent-ils contribuer à la réorganisation du marché ? Par ailleurs, les systèmes de recommandation, en matière de musique, ne sont-ils pas largement indexés sur un modèle occidentalocentrique, pour ne pas dire américanocentrique, du goût ? Enfin, comme le  soulignait Brian Whitman, co-fondateur de l’API Echo Nest et aujourd’hui music scientist chez Spotify, jusqu’à quel point les outils de la recommandation ne réintroduisent-ils pas une forme d’hyper-déterminisme social, par exemple lorsqu’ils lient le fait d’aimer Rihanna au fait d’être plutôt de gauche (enfin, démocrate puisqu’il s’agit des USA dans cet exemple : http://notes.variogr.am/post/26869688460/how-well-does-music-predict-your-politics) mais sans assortir ce type de corrélation d’aucune explication sociologique digne de ce nom ?

En attendant d’explorer plus avant ce sujet, on trouvera ci-dessous un premier article expliquant comment fonctionnent les machines du goût. A suivre,  un article de Brian Whitman sur le même sujet.

 Les algorithmes de recommandation

On 25.04.2012, in Dossiers, by Mathieu(http://www.podcastscience.fm/dossiers/2012/04/25/les-algorithmes-de-recommandation/)

Il existe des centaines d’algorithmes qui ont été utilisés pour l’implémentation de systèmes de recommandation. La plupart relève de concepts mathématiques avancés. Dans ce dossier, on va tenter d’analyser différentes approches et stratégies utilisées lors de la mise en place d’un système de recommandation.Wikipedia définit un système de recommandation comme une forme spécifique de filtrage de l’information visant à présenter les éléments d’information (films, musique, livres, news, images, pages Web, etc) qui sont susceptibles d’intéresser l’utilisateur.

Dit autrement, un système de recommandation cherche à prédire la valorisation ou préférence qu’un utilisateur attribuerait à un objet (livre, musique, film…) ou à un élément social (personne, groupe, communauté) qu’il n’avait pas encore considéré.

Un système de recommandation requiert généralement 3 étapes:

  1. La première consiste à recueillir de l’information sur l’utilisateur.
  2. La deuxième consiste à bâtir une matrice ou un modèle utilisateur contenant l’information recueillie.
  3. La troisième consiste à extraire à partir de cette matrice une liste de recommandations.

Collecte d’Information

Pour être pertinent, un système de recommandation doit pouvoir faire des prédictions sur les intérêts des utilisateurs. Il faut donc pouvoir collecter un certain nombre de données sur ceux-ci afin d’être capable de construire un profil pour chaque utilisateur.

Une distinction peut être faite entre 2 formes de collecte de données:

  • Collecte de données explicite – Filtrage actif: repose sur le fait que l’utilisateur indique explicitement au système ses intérêts.
    • Exemple: demander à un utilisateur de commenter, taguer/étiqueter, noter, liker ou encore ajouter comme favoris des contenus (objets, articles…) qui l’intéressent. On utilise souvent une échelle de ratings allant de 1 étoile (je n’aime pas du tout) à 5 étoiles (j’aime beaucoup) qui sont ensuite transformées en valeurs numériques afin de pouvoir être utilisées par les algorithmes de recommandation.
    • Avantage: capacité à reconstruire l’historique d’un individu et capacité à éviter d’agréger une information qui ne correspond pas à cet unique utilisateur (plusieurs personnes sur un même poste).
    • Inconvénient: les informations recueillies peuvent contenir un biais dit de déclaration.
  • Collecte de données implicite – Filtrage passif: repose sur une observation et une analyse des comportements de l’utilisateur effectuées de façon implicite dans l’application qui embarque le système de recommandation, le tout se fait en “arrière-plan” (en gros sans rien demander à l’utilisateur).
    • Exemples:
      • Obtenir la liste des éléments que l’utilisateur a écoutés, regardés ou achetés en ligne.
      • Analyser la fréquence de consultation d’un contenu par un utilisateur, le temps passé sur une page.
      • Monitorer le comportement en ligne de l’utilisateur.
      • Analyser son réseau social.
    • Avantage: Aucune information n’est demandée aux utilisateurs, toutes les informations sont collectées automatiquement. Les données récupérées sont a priori justes et ne contiennent pas de biais de déclaration.
    • Inconvénient: Les données récupérées sont plus difficilement attribuables à un utilisateur et peuvent donc contenir des biais d’attribution (utilisation commune d’un même compte par plusieurs utilisateurs). Un utilisateur peut ne pas aimer certains livres qu’il a acheté, ou il peut l’avoir acheté pour quelqu’un d’autre.

Modèle Utilisateur

Le modèle utilisateur se présente généralement sous forme de matrice. On peut se le représenter comme un tableau qui contient des données recueillies sur l’utilisateur associées aux produits disponibles sur le site web.

Un autre point important est comment le temps influence le profil de l’utilisateur. Les intérêts des utilisateurs, généralement, évoluent au cours du temps. Les données du modèle utilisateurs devraient donc constamment être réajustées pour rester conformes aux nouveaux centre d’intérêts de l’utilisateur.

Liste de recommandations

Pour extraire une liste de suggestions à partir d’un modèle utilisateur, les algorithmes utilisent la notion de mesure de similarité entre objets ou personnes décrits par le modèle utilisateur. La similarité a pour but de donner une valeur ou un nombre (au sens mathématique du terme) à la ressemblance entre 2 choses. Plus la ressemblance est forte, plus la valeur de la similarité sera grande. A l’inverse, plus  la ressemblance est faible, et plus la valeur de la similarité sera petite. On verra plus tard dans le dossier quelques exemples.

Types de système de recommandation

On a l’habitude de présenter 4 approches possibles pour un système de recommandation:

  • Recommandation Personnalisée
  • Recommandation Objet (Content-Based filtering CB)
  • Recommandation Sociale (Collaborative Filtering CF – Context Aware)
  • Recommandation Hybride

Recommandation Personnalisée

Il s’agit de recommander des objets sur la base du comportement passé de l’utilisateur.

Exemples:

  • Des produits achetés ou sélectionnés sur un site de e-commerce, ainsi qu’un certain nombre d’actions ou décisions effectuées par l’utilisateur qui permettent de prédire de nouveaux produits susceptibles de l’intéresser.
  • Les annonces publicitaires (par ex. Adsense de Google) sont considérées comme des systèmes de recommandation personnalisée qui se basent sur le comportement passé de l’utilisateur (navigation, clics, historique de recherche…)

Recommandation Objet

Il s’agit de recommander des objets (ou contenus) en se basant sur les qualités et propriétés intrinsèques de l’objet lui-même et en les corrélant avec les préférences et intérêts de l’utilisateur. Ce type de système va donc extraire un certain nombre de caractéristiques et attributs propres à un contenu, afin de pouvoir recommander à l’utilisateur des contenus additionnels possédant des propriétés similaires. Cette méthode crée un profil pour chaque objet ou contenu, c’est-à-dire un ensemble d’attributs/propriétés qui caractérisent l’objet.

Exemples:

  • La décision de sélection et recommandation ou non d’un document à un utilisateur peut se baser sur le contenu (les mots présents) dans celui-ci, c’est-à-dire sur une comparaison des thèmes abordés dans le document par rapport aux thèmes qui intéressent l’utilisateur.
  • Pour décider la suggestion d’un article (news) ou non, un système de recommandation peut se baser sur les mot-clés principaux de l’article et les comparer avec les mot-clés apparaissant dans d’autres articles que l’utilisateur a évalués positivement dans le passé.
  • Dans le cas d’un site de vente de livre en ligne, on va se baser sur les caractéristiques du livre pour effectuer des recommandations, comme par exemple le sujet que traite l’ouvrage, son genre, son auteur, l’éditeur, etc. On pourrait ainsi recommander le livre Harry Potter à un utilisateur, si on sait d’une part que ce livre est un roman fantastique et d’autre part que l’utilisateur aime les romans fantastiques. Un système de recommandation pourra donc accomplir cette tâche seulement s’il a à disposition 2 types d’information:  1) la description des caractéristiques du livre et 2) un profil utilisateur qui décrit les intérêts (passés) de celui-ci en termes de préférence de type de livre. La tâche de recommandation consiste donc à déterminer les livres qui correspondent le mieux aux préférences de l’utilisateur.
Profil des livres
Profil/Préférences Utilisateur

Les algorithmes de recommandation objet permettent de développer des modèles afin de trouver des patterns ou motifs semblables entre différentes données. Ils évaluent à quel point un contenu pas encore vu par l’utilisateur est similaire aux contenus que celui-ci a évalués positivement dans le passé. Pour ce faire, on utilise la notion de similarité qui peut être mesurée de plusieurs manières:

  • Le système peut tout simplement vérifier si le livre se trouve dans la liste des genres préférés de l’utilisateur. Dans ce cas la similarité sera de 0 ou 1 (binaire/boolean).
  • Une autre façon serait de ne pas se baser sur le genre du livre, mais sur les mot-clés qui caractérisent l’ouvrage, et calculer la similarité de chevauchement entre les mots-clés du livre qui va éventuellement être suggéré avec les mots-clés préférés de l’utilisateur. Un des indicateurs de mesure de similarité qu’on utilise dans le cas d’un objet avec des propriétés multi-valeurs (cas des mot-clés) est le coefficient de Dice. Si chaque livre est décrit par un ensemble de mot-clés, le coefficient de Dice permet de mesurer le degré de similarité entre 2 livres à partir de leurs mot-clés.

Chevauchement des mots-clé

Dans le cas de documents de texte, on peut également imaginer que le contenu de chaque document soit décrit à partir d’une liste de tous les mots apparaissant dans le document, et décrire chaque document par un vecteur de valeurs binaires/booléennes, où un 1 indiquerait que le mot apparaît dans le document et un 0 indiquerait que le mot n’apparaît pas dans le document. Si le profil utilisateur est décrit par une liste similaire (un 1 indique un intérêt pour un mot-clé), on peut facilement associer et proposer des documents en mesurant le chevauchement entre les mot-clés qui intéressent l’utilisateur et les mots contenus dans le document. Le problème qui surgit avec une telle approche est qu’on assume que chaque mot a la même importance au sein d’un document. Or un mot qui apparaît très souvent ne caractérise pas forcément mieux un document. En plus, un plus large chevauchement entre les préférences de l’utilisateur et un document apparaîtera naturellement plus le document est long. En conséquence, le système de recommandation tendera à proposer des longs documents. Pour résoudre ces problèmes, on applique des techniques qui permettent de réduire le poids des mots qui apparaissent très souvent et d’augmenter le poids de ceux qui apparaissent plus rarement. Pour rendre encore plus compacte la liste des mots présents dans un document, on peut aussi quitter un certain nombre de mots qui sont sans intérêt, comme les prépositions, les articles… En normalisant aussi différentes variantes d’un même mot, par exemple les verbes conjugués sont remplacés par leur infinitif (volait par voler). On peut aussi décider de limiter la liste aux n mots les plus pertinents apparaissant dans les documents. Différents travaux ont montrés que le nombre optimum de mots à prendre en compte se trouve aux alentours de 100. Si trop peu de mots sont sélectionnées (moins de 50), on voit que d’importantes caractéristiques d’un document ne sont pas couvertes. Et si trop de mots sont inclus, certains ont peu d’importance et apportent plus de bruit qu’autre chose, ce qui réduit la qualité de la recommandation. On utilise aussi des base de connaissances lexicales externes pour éliminer des mots non pertinents.

De façon générale, les algorithmes de recommandation objet assignent un poids plus ou moins élevé aux attributs d’un contenu selon l’importance de ceux-ci. Le poids exprime donc l’importance de chaque attribut pour un utilisateur.

Un autre algorithme de recommandation objet couramment utilisé est la méthode de retour de pertinence de Rocchio (Rocchio’s relevance feedback) ou  classification de Rocchio. L’idée de cette méthode est de prendre en compte le point de vue des utilisateurs sur les recommandations proposées. Le principe, simple, repose sur le fait que l’utilisateur est le seul à savoir exactement ce qu’il recherche et apprécie, il est donc le plus à même de juger de la pertinence des suggestions retournées par un système de recommandation. Partant de cette idée, les systèmes exploitant le retour de pertinence permettent de récupérer ces « jugements » utilisateurs et les exploitent pour améliorer et affiner les recommandations. Techniquement, l’idée est dans un premier temps de décomposer les contenus évalués par l’utilisateur en 2 groupes (vecteurs, clusters) D+ (contenus évalués positivement et pertinents) et D- (contenus évalués négativement et non pertinents). Par un procédé mathématique on calcule une moyenne (prototype) qui permet de déterminer le centre (centroid) de chacun des 2 groupes (vecteurs) D+ et D-. Lorsqu’un nouvelle requête est effectuée par l’utilisateur, les résultats à recommander sont pondérés en fonction des 2 groupes D+ et D-. C’est-à-dire, on ajoute au résutats de la requête la liste D+ et on soustrait (retire) la liste D-, le tout de façon pondérée. L’effet obtenu est que les résultats retournés se rapprochent à chaque itération un peu plus du centre (centroid) de la liste D+ des contenus évalués positivement par l’utilisateur. Avec cette technique, on voit qu’il est possible d’affiner la requête initiale des utilisateurs au fur et à mesure que ceux-ci fournissent des jugements de pertinence sur des documents consultés. Le système de recommandation est donc doté d’une boucle de retour qui permet au même système de reformuler des recommandations plus pertinente en favorisant ou écartant certains contenus.

Avantages et inconvénients

Avantage: ce type de recommandation objet n’a pas besoin d’une large communauté d’utilisateurs pour pouvoir effectuer des recommandations. Une liste de recommandations peut être générée même s’il n’y a qu’un seul utilisateur.

Inconvénients: certains attributs peuvent être extraits automatiquement d’un contenu, comme par exemple pour un document de texte, on peut relativement facilement déduire certaines propriétés sémantiques automatiquement. On voit aussi qu’en pratique, des caractéristiques et propriétés comme le genre d’un livre ou la liste des acteurs dans un film, sont généralement fournis pas les créateurs du livre ou du film et sont généralement offerts sous forme électronique. Ce qui reste plus problématique, c’est l’acquisition de caractéristiques subjectives et qualitatives… Des propriétés, comme par exemple le style, le design… peuvent difficilement être acquises automatiquement, et devront plutôt être introduites manuellement avec tout ce que ça implique, comme le coût, les éventuelles erreurs…

Recommandation Sociale

Recommander des choses sur la base du comportement passé des utilisateurs similaires, en effectuant une corrélation entre des utilisateurs ayant des préférences et intérêts similaires. On utilise des méthodes qui collectent et analysent des données sur le comportement, les activités, les préférences des utilisateurs et des algorithmes tentent de prédire ce que l’utilisateur aimera en cherchant des utilisateurs qui ont les mêmes comportements que l’utilisateur à qui l’on souhaite faire des recommandations. L’idée sous-jacente est de dire que si un personne A a la même opinion (ou les même goûts) qu’une personne B sur un objet x, alors la personne A a plus de chance d’avoir la même opinion que B sur un autre objet y, plutôt que d’avoir la même opinion que quelqu’un choisi au hasard pour l’objet y. L’idée de base est donc de dire que si des utilisateurs ont partagés des mêmes intérêts dans le passé, il y a de fortes chances qu’ils partagent aussi les mêmes goûts dans le futur.

Les techniques de recommandation sociale (filtrage collaboratif) sont classées en 2 sous-types:

  • memory-based
  • model-based

User-based nearest neighbor (user-centric / memory-based)

Les algorithmes de recommandation sociale utilisent généralement différentes variantes d’un mécanisme basé sur le voisinage proche (user-based nearest neighborhood approach). Dans cette approche, un nombre d’utilisateurs (peer users / nearest neighbors / plus proches voisins) est identifié et sélectionné sur la base de la similarité de leurs intérêts et préférences avec l’utilisateur actif. On utilise alors principalement les ratings (par ex: films) de ces utilisateurs “voisins” pour calculer des similarités avec l’utilisateur actif. Pour chaque produit p que l’utilisateur n’a pas encore vu, une prédicition est faite en se basant sur les ratings de p assignés par le panel d’utilisateurs voisins. Cette méthode suppose 2 conditions initiales (inconvénients):

  1. On assume que si des utilisateurs ont eu des goûts similaires dans le passé, ils auront aussi des goûts similaires dans le futur.
  2. Les préférences des utilisateurs restent stables et cohérentes dans le temps.

Pour bien comprendre, on peut imaginer un tableau ou matrice de ratings de films, avec sur un axe les utilisateurs et sur un autre les films. Chaque cellule de la matrice contient le rating donné par un utilisateur pour un film. Un signe “+” indique que l’utilisateur a aimé le film, un signe “-” qu’il ne l’a pas aimé, pas de signe signifie qu’il n’a pas d’avis particulier sur ce film. Pour pouvoir prédire si Ken apprécierait le film “Fargo” et éventuellement lui recommander ce film, on compare les ratings de Ken à ceux des autres utilisateurs sélectionnés. On peut alors voir que Ken et Mike ont des ratings identiques, et que Mike a aimé le film Fargo, on pourrait alors prédire que Ken aimera aussi ce film et lui faire cette suggestion (user-centric).

Au lieu de se baser uniquement sur l’utilisateur le plus semblable, la prédiction est normalement calculée à partir de la moyenne pondérée des ratings de plusieurs utilisateurs. Le poids donné au rating de chaque utilisateur est déterminé par le degré de corrélation entre cet utilisateur et l’utlisateur pour qui on désire faire la recommandation. Pour mesurer le degré de corrélation entre 2 utilisateurs, on fait appel généralement au coefficient de corrélation de Pearson r. D’autres indicateurs de mesure de la similarité ou proximité entre utilisateurs sont aussi utilisés comme la corrélation de Ringo, ou le coefficient de corrélation de Spearman. Le coefficient de corrélation de Pearson se calcule à partir des valeurs présentes dans la matrice et peut prendre une valeur allant de +1 (forte corrélation positive) à -1 (forte corrélation négative). Par exemple, un coefficient de corrélation 0.70 entre 2 utilisateurs indiquerait une bonne similarité de leurs intérêts. On introduit aussi souvent dans le calcul de la mesure de Pearson un facteur de pondération afin de prendre en compte et pondérer le fait que certains utilisateurs ont toujours tendance à donner seulement de bons ratings, ou que d’autres ne vont jamais donné le rating maximum à un produit.

Les systèmes de recommandation doivent généralement aussi gérer un grand nombre d’utilisateurs. Faire des recommandations à partir des ratings de millions d’utilisateurs peut avoir de sérieuses implications en termes de performance. Ainsi, qua

nd le nombre d’utilisateurs atteint un certain seuil, une sélection des “meilleurs” voisins doit être faite. Pour déterminer quels sont les voisins les plus pertinents à sélectionner, on utilise généralement l’algorithme du k-nearest neighbor (k-NN) qui permet de sélectionner seulement les k meilleurs voisins ayant la plus haute valeur de corrélation. Une autre approche (correlation-thresholding) serait de sélectionner seulement les voisins possédant une corrélation plus grande qu’un certain seuil. Le problème dans ces deux approches réside dans le fait de sélectionner le bon nombre k d’utilisateurs voisins à prendre en compte ou de déterminer la bonne valeur du seuil de corrélation. Si le nombre k est trop petit ou si le seuil de similarité est trop élevé, le nombre d’utilisateurs voisins pris en compte sera trop réduit pour effectuer une bonne prédiction (problème du reduced coverage/couverture réduite). Dans le cas contraire, lorsque que k est trop élevé ou que le seuil est trop faible, l’ensemble du panel de voisins est trop large (trop d’utilisateurs avec un degré de similarité limité), ce qui amène du bruit additionnel dans les prédictions. Plusieurs travaux et situations réelles ont montré qu’un panel composé de 20 à 50 voisins donne de bons résultats.

On n’est pas non plus limités aux ratings ou like/dislike, on peut aussi se baser sur des données plus implicites en observant le comportement de l’utilisateur sur le site, par opposition à la récolte de données explicite comme l’est le rating. On peut observer par exemple quelle musique il a écouté, quel article il a lu, et on croise ses infos avec celles du reste des utilisateurs afin de lui proposer de nouvelles suggestions.

La recommandation sociale user-centric a cependant ses limites. Lorsqu’il s’agit d’un gros site qui gère des millions d’utilisateurs et un catalogue de milliers de produits, il faut scanner un grand nombre de voisins potentiels, ce qui rend impossible la recommandation en temps réel. Pour palier ce problème, les gros sites implémentent souvent une technique différente plus apte au traitement préalable des données hors-ligne (offline preprocessing), la recommandation sociale item-centric (à ne pas confondre avec la recommandation objet).

Item-based nearest neighbor (item-centric / model-based)

Cette autre approche, appelée aussi item-to-item, propose une inversion de l’approche user-based nearest neighbor. Au lieu de mesurer la corrélation entre des utilisateurs, les ratings sont utilisés pour mesurer la corrélation entre les contenus (films), en s’aidant toujours du coefficient de corrélation de Pearson, mais cette fois-ci appliqué au contenu. Si par exemple les ratings des deux films “Fargo” et “Pulp Fiction” ont une parfaite corrélation, c’est-à-dire qu’ils ont reçu les mêmes ratings (positif, négatif ou nul) de la part des utilisateurs, on peut ainsi prédire que Ken aimera le film “Fargo” car il a aimé “Pulp Fiction” (les ratings des utilisateurs sur ces deux films sont parfaitement corrélés).

Pour le dire autrement, l’approche item-centric propose de rechercher en premier lieu des contenus similaires et ensuite de faire une recommandation à l’utilisateur. Cette approche permet de faire un traitement préalable sur la matrice pour déterminer les contenus similaires et ainsi pouvoir effectuer des prédictions en temps réel, contrairement à l’approche user-centric très gourmande en mémoire.

Autant le coefficient de corrélation de Pearson est très utilisé pour déterminer des utilisateurs similaires (cas de la recommandation sociale user-centric), dans l’approche item-centric, on utilise plutôt comme indicateur de mesure de similarité entre items un autre indicateur qu’on appelle de similarité cosinus ajustée. Les valeurs possibles pour cet indicateur vont comme dans le cas de mesure de Pearson de +1 (forte similarité positive) à -1 (forte similarité négative). Une fois que la similarité entre les items a été établie à l’aide de la similarité cosinus ajustée, on peut alors prédire un rating pour un item grâce aux ratings effectués par l’utilisateur sur les items similaires.

Dans l’approche item-centric, l’idée est donc de construire à l’avance la matrice de similarité entre items. Et en temps réel, on peut facilement ensuite déduire la prédiction de recommandation (le rating) d’un produit pour un utilisateur actif en déterminant depuis la matrice déjà construite quels sont les produits les plus similaires, et en calculant la valeur moyenne de ratings sur ces produits effectués par les utilisateurs voisins.

Avantages et inconvénients

Avantage:  L’approche purement de recommandation sociale n’exploite pas ou ne demande aucune connaissance sur les contenus eux-même. Par exemple, dans le cas d’un magasin de vente de livres en ligne, le système de recommandation collaboratif n’a pas besoin de savoir le type de contenu du livre, son genre, qui en est l’auteur, etc… Pas besoin de se baser sur l’analyse des propriétés intrinsèques d’un livre ou d’un contenu, la recommandation sociale est capable de recommander des contenus sans avoir besoin de comprendre le sens ou la sémantique du contenu lui-même. Les informations propres au livre n’ont pas besoin d’être introduite dans le système.

Inconvénients:

  • Scalability: souvent, les plate-formes sur lesquelles sont utilisés les filtres collaboratifs ont des millions d’utilisateurs, de produits et contenus. Ça demande donc beaucoup de puissance de calcul pour pouvoir proposer des suggestions aux utilisateurs. La recommandation sociale de type user-centric est aussi appelée memory-based, car la base de données des ratings est maintenue en permanence en mémoire dans le serveur et utilisée directement pour générer des recommandations à l’utilisateur actif. Bien que cette approche memory-based soit théoriquement plus précise, car elle a disposition en permanence et en temps réel toutes les données pour générer les recommandations, elle souffre de problèmes de scalability pour des bases de données de millions d’utilisateurs et de millions de contenus. Dans une approche item-centric ou model-based, les données sont préalablement traitées hors-ligne. Ensuite lors de l’exécution de l’application ou service web, le modèle “appris” ou pré-traité sera utilisé pour effectuer les prédictions. L’approche model-based permet d’éviter le problème de scalability.
  • Cold Start: les systèmes de recommandation sociale ont besoin de beaucoup de données et beaucoup d’utilisateurs pour être performants. Le lancement d’un service de recommandation peut souffrir au début du manque d’utilisateurs et d’informations sur ceux-ci.
  • Sparsity (Rareté): le nombre de produits ou contenus est énorme sur certaines plates-formes, et même les utilisateurs les plus actifs auront noté ou valorisé qu’un tout petit sous-ensembe de toute la base de données. Donc, même l’article le plus populaire n’aura que très peu de bonnes notes. Dans une telle situation, deux utilisateurs auront peu d’articles valorisés en commun, ce qui rend plus difficile la tâche de corrélation. C’est une situation qu’on retrouve lorsque le système dispose d’un ratio élevé de contenu par rapport aux utilisateurs, et qu’on retrouve aussi souvent au stade initial du lancement du service de recommandation, ce qui nous ramène au problème de cold start (qui peut être vu comme un cas spécial du problème de rareté).

Recommandation Hybride

Une combinaison des trois approches ci-dessus. Les méthodes hybrides sont de plus en plus utilisées, car elle permettent de résoudre des problèmes comme le cold start et la sparsity (rareté) qu’on retrouve dans une approche de recommandation uniquement sociale. D’autre part, si par exemple on considère 2 utilisateurs avec les mêmes goûts mais qui n’ont pas évalué ou “raté” des objets en commun, un filtrage collaboratif pur ne les considérera pas comme similaires ou voisins. Rappelons que la mesure de similarité standard ne prend en compte que les éléments pour lesquels l’utilisateur actif et l’utilisateur à comparer ont effectué un rating. L’idée est alors de pouvoir assigner une valeur par défaut aux éléments qui ont été “ratés” seulement par un des deux utilisateurs, afin d’améliorer la qualité de prédiction en cas de rareté (sparsity). En appliquant préalablement un algorithme de recommandation objet sur les contenus pour en exploiter leurs descriptions et caractéristiques, accompagné ensuite d’un algorithme de recommandation sociale pour effectuer les recommandations peut aider à résoudre ces limitations. Autrement dit, pour les cas de rareté (sparsity), lorsque peu d’items ont été évalués par les utilisateurs et qu’un filtrage collaboratif n’est pas possible, ce qu’on fait, c’est qu’on assigne en premier lieu un pseudo-rating ou vote artificiel par défaut à l’utilisateur sur les contenus disponibles en utilisant préalablement un algorithme objet, puis on applique ensuite sur la matrice (contenant peu de vrais rating et beaucoup de pseudo-ratings) un filtrage collaboratif.

Exemples:

Amazon utilise les 3 approches (personnalisée, sociale et objet). Amazon possède un système très sophistiqué, les recommandations sont d’une part personnalisées en se basant sur le comportement individuel passé de l’utilisateur (historique de navigation et historique d’achat), et d’autre part Amazon utilise aussi les caractéristiques de l’article lui-même (recommandation objet) et les comportements d’autres personnes (recommandation sociale). Tous ceux qui ont déjà fait un achat sur Amazon ont probablement dû lire le message de la part d’Amazon qui nous dit “les gens qui ont acheté x ont aussi acheté y“.  Cette approche est tout simplement l’approche item-based nearest neighbor (item-centric ou item-based collaborative filtering) qu’on a décrit auparavant. Il semblerait que le système de recommandation d’Amazon représente plus du 30% du CA global de la société (en 2009)!

Recommandation Amazon

Amazon Recommendation System

Netflix est aussi un bon exemple de système hybride. Il propose des recommandations en comparant les habitudes de visionnage des films d’utilisateurs similaires (recommandation sociale) et suggère aussi des films qui partagent des caractéristiques avec des films que l’utilisateur a noté positivement (recommandation objet).

Google, lui se focalise aussi sur une combinaison de 3 approches pour améliorer son produit phare qui est son moteur de recherche:
  • Recommandation Personalisée:
    • Google customise nos résultats de recherche, quand cela est possible, en se basant sur notre localisation et/ou nos dernières recherches.
    • Lorsqu’on est connecté à notre compte Google, il propose un contenu encore plus pertinent en fonction de notre historique de recherche.
  • Recommandation Sociale:
    • L’algorithme du PageRank est de manière intrinsèque un outil basé sur de la recommandation sociale dans la mesure ou il utilise les liens entre les pages web.
    • L’utilisation de contenus provenant de nos cercles de Google+ est aussi une forme de recommandation sociale.
  • Recommandation Objet
    • Google utilise aussi une approche sémantique pour sa fonction « Did you mean » de son moteur de recherche.

Pandora vs Last.fm

La différence entre les approches de recommandation objet et de recommandation sociale (collaborative) peut être illustrée en comparant deux services de radio en ligne que sont Pandora (seulement disponible aux USA) et Last.fm.

Pandora utilise principalement une approche de recommandation objet. Le système se base sur les propriétés de la chanson et/ou de l’artiste, c’est à dire il décompose dans un premier temps les morceaux de musique afin de mettre en évidence ses propriétés intrinsèques. Chaque morceau de musique disposerait de plus de 400 attributs, permettant de déterminer une sorte de code génétique de la chanson (Music Genome Project). En comparant les propriétés similaires entre différents morceaux, le système arrive alors à nous proposer de nouvelles chansons à écouter, c’est-à-dire une sorte de station radio qui diffuse de la musique avec des propriétés susceptibles de correspondre à nos goûts. L’utilisateur peut ensuite indiquer s’il aime ou pas le morceau en écoute, et permet ainsi à Pandora d’affiner son filtre de recommandation en privilégiant (ou pas) certains attributs selon l’information venue en retour de l’utilisateur.

Recommandation Pandora

Last.fm lui utilise un filtre de recommandation sociale (collaborative). Le service crée une station de radio personnalisée en observant quels sont les groupes, artistes et chansons que l’utilisateur a écouté régulièrement et les compare avec les comportements d’écoute d’autre utilisateurs. Last.fm va alors proposer des morceaux fréquemment écoutés par des utilisateurs ayant des goûts similaires.

 Last.fm
Chaque type d’approche a ses avantages et inconvénients. En l’occurrence Last.fm requiert beaucoup d’information sur les habitudes d’écoute des utilisateurs afin de produire un système de recommandation efficace (problème du cold start). Pandora lui au contraire a besoin de très peu d’information sur l’utilisateur pour démarrer une radio personnalisée, mais doit disposer d’une base de données gigantesque sur le “génome” de chaque chanson.

Netflix Prize

De 2006 à 2009, Netflix a parrainé un concours, le Netflix prize, offrant un prix de $1’000’000 à celui qui à partir d’un set de données de plus de 100 millions de ratings de films pourrait offrir des recommandations 10% plus précises que celles générées par le système original de la compagnie Netflix. Le 21 septembre 2009, le prix a été attribué à une équipe appelée  BellKor’s Pragmatic Chaos. Les gagnants avaient misé sur un mélange de centaines d’approches algorithmiques et méthodes prédictives qui réunies ensemble permettent d’être plus performant dans la prédiction. La solution la plus performante semble donc bien s’appuyer sur un ensemble de méthodes algorithmiques plutôt que sur le raffinement et l’optimisation d’une seule technique spécifique.

Pour l’anecdote, le Netflix prize n’a pas été renouvelé en 2010, car malgré le fait que le set de million de données fournies aux participants du concours aient été rendues anonymes pour préserver l’identité des clients, deux chercheurs de l’Université du Texas ont été capables d’identifier des utilsateurs présents dans le set de données utilisé lors du concours en associant et croisant ces données avec des ratings de films soumis sur l’Internet Movie Database (IMDb). Il s’en est suivi qu’en décembre 2009, un des utilisateurs anonymes du set de données a poursuivi Netflix pour violation de la législation américaine en terme de confidentialité.

Efficacité d’un algorithme de recommandation

On a vu que la recommandation sociale (filtrage collaboratif) a l’avantage contrairement à la recommandation objet de permettre d’effectuer des prédicitions même lorsqu’il y a peu de information associée au contenu à recommander ou lorsque que le contenu est difficile d’analyser automatiquement (idées, opinions…) Mais la recommandation sociale souffre aussi d’inconvénients comme le cold start et le problème de rareté (sparsity).

Evaluer l’efficacité des algorithmes de recommandation est loin d’être trivial. En premier lieu, parce que différents algorithmes peuvent être meilleurs ou moins bons en fonction du set de données sélectionné et sur lequel ils sont appliqués. D’autre part, les objectifs fixés par un système de recommandation peuvent être divers et variés. Un système de recommandation peut être mis en place pour estimer avec exactitude la note que donnerait un utilisateur à un élément, alors que d’autres auront comme objectif principal de ne pas proposer des recommandations erronées.

On peut donc légitimement se demander jusqu’à quel point ces différentes méthodes de recommandation sont réellement efficaces. Pour déterminer l’efficacité d’un système, des indicateurs comme la précision et le recall sont utilisés.

La précision est un indicateur qui représente la qualité de la recommandation, c’est-à-dire à quel point les suggestions proposées sont conformes aux intérêts de l’utilisateur:

précision = nbre de suggestions pertinentes / nbre de suggestions

Le recall indique combien de suggestions pertinentes ont été recommandées à l’utilisateur par rapport au nombre total de suggestions pertinentes disponibles dans le système.

recall = nbre de suggestions pertinentes proposées à l’utilisateur / nbre de suggestions pertinentes totale

L’indicateur de précision permet de déterminer la probabilité qu’un élément recommandé soit pertinent.

L’indicateur de recall permet de déterminer la probabilité qu’un élément pertinent soit recommandé.

On utilise aussi des techniques statistiques pour mesurer l’efficacité d’un algorithme de recommandation. L’idée c’est d’évaluer la précision de la prédiction effectuée par le système en comparant les prédicitions avec les choix qu’aurait fourni l’utilisateur dans un cas réel. On utilise par exemple lErreur Moyenne Absolue (MAE) qui mesure la déviation des recommandation prédites avec les choix réels effectués par les utilisateurs. Plus l’erreur moyenne absolue est faible, meilleure est la prédicition.

Pour conclure, la meilleure mesure de l’efficacité d’un algorithme de recommandation et de la pertinence des suggestions c’est finalement la satisfaction de l’utilisateur, qui n’est pas toujours facile à bien identifier.

Sources:

http://www.readwriteweb.com/archives/recommendation_engines.php

http://fr.wikipedia.org/wiki/Syst%C3%A8me_de_recommandation

http://en.wikipedia.org/wiki/Recommender_system

http://en.wikipedia.org/wiki/Collaborative_filtering

http://recommender-systems.org/

http://www.it.uc3m.es/jvillena/irc/descarga.htm?url=practicas/06-07/31.pdf

http://www.docstoc.com/docs/35703482/Top-N-Recommendation-Algorithm-B

http://www.cs.utexas.edu/users/ml/papers/cbcf-aaai-02.pdf

http://www.amazon.es/Recommender-Systems-Introduction-Dietmar-Jannach/dp/0521493366

Etre sourd ou ne pas être ? Numérique et loudness war

 

Loudness War
Loudness War

L’écoute musicale comme thème de recherche est fréquemment  abordée à partir des propriétés sociales des auditeurs : consomme t-on ou apprécie-t-on la musique différemment selon qu’on appartient à tel ou tel milieu social, le genre est-il une variable pertinente dans le choix des répertoires écoutés, la musique est-elle encore un support de la distinction au sens bourdieusien du terme, comment s’agencent le local et le global ou encore quel rôle joue l’appartenance à une sous-culture dans la la préférence affichée pour tel ou tel artiste, la notion de « populaire » en musique a-t-elle encore un sens dans un environnement où les les assignations en terme de métiers, de groupes professionnels, d’appartenance à un milieu social avec ses codes et ses valeurs semblent s’affaiblir ?

Or, il est d’autres manières d’aborder le phénomène de l’écoute musicale. L’une d’entre elles consiste à articuler l’innovation technologique, les propriétés de la technique – en l’occurrence le numérique – et leurs effets physico-acoustiques sur l’auditeur. L’article présenté ci-dessous, extrait du site de référence Audiofanzine – dédié à l’innovation dans la la lutherie contemporaine- illustre ce type d’approche : en replaçant la technique au coeur du phénomène musical, il nous rappelle que l’histoire de la musique est faîte de médiations et de controverses (de ce point de vue, la vie d’un atelier de lutherie ne diffère guère de la vie de laboratoire étudiée par Bruno Latour), que l’écoute est indissociable des dispositifs qui permettent cette écoute, du gramophone au MP3, et que l’écoute est par là-même au coeur d’enjeux que je qualifierai de « politiques »dans la mesure où les notions de « fidélité », de « volume », de « loudness war » , etc. sont indissociables de certaines conceptions idéologiques et normatives du rapport au monde. Comme chacun sait – s’il a lu Marx – l’idéologie dominante est toujours l’idéologie de la classe dominante : appliquée au son, cette vision des choses est très stimulante me semble-t-il, car elle permet de relire la question des controverses autour du sonore – dont on trouve par exemple une trace en France dans la question du volume maximal autorisé en concert (décret du 15 décembre 1998) et de ses effets sur les lieux de diffusion, certains n’ayant pu réaliser les travaux de mise aux normes pour des raisons de coût – d’une manière renouvelée, comme tension entre intérêts privés et définition – toujours discutable – du bien commun. Dans le cas des fichiers audio compressés, on peut se demander à quelle nécessité obéit cette montée en puissance de la « guerre du volume » et en quoi elle modifie le rapport des auditeurs à l’écoute des morceaux…

 

La Loudness War, 1ère partie

Tueurs d’oreilles

Du volume, du volume ! Oui, mais à quel prix ? Cette série d’articles passera en revue les origines de la course au volume, les considérations physiques, les nouvelles normes et outils et son impact sur la santé publique.

Indéniablement, l’audionumérique a été une «bénédiction» : on ne reviendra pas ici sur toutes ses innovations, la place allouée à cet article n’y suffirait pas. Prenons simplement quelques exemples : un éditeur comme Audacity, multiplateforme et gratuit, disposant d’un Paulstretch qui nourrira à l’infini n’importe quel échantillonneur. «Passez» votre voix «dans» une guitare grâce aux logiciels de convolution (gratuits…) LA Convolver ou Reverberate LE. Disposez pour une cinquantaine d’euros d’un des meilleurs logiciels de transposition et compression/expansion temporelle, avec Amazing Slow Downer. Pour une trentaine d’euros, voici Mainstage, une application dédiée à la scène (Mac seulement, il est vrai), avec une foultitude d’effets (y compris pour l’audio), de synthés virtuels et d’instruments échantillonnés, plus un outil d’échantillonnage issu d’AutoSampler de Redmatica (arme secrète de plusieurs éditeurs de banques d’échantillons…). Ou encore, sur iPad, Auria, STAN audio 48 pistes, permettant le travail à l’image (!), avec une qualité sonore irréprochable (pour 24,99 euros…).

La Loudness War

Mais l’audionumérique a aussi été une «malédiction» : alors que l’on dispose d’outils incroyables et toujours plus performants, la qualité audio a subi une baisse continuelle, offrant de la musique et du son de plus en plus écrasés, saturés, l’opposé de ce qui fait la vie d’un objet sonore, musical. Sans compter l’impact de ces pratiques en termes de santé publique.

Car il faut comprendre une chose : si notre environnement et les pratiques d’écoute restent les mêmes, on aboutira à une génération de sourds à partir de 40-50 ans ! Pourtant cela fait des années qu’un certain nombre de professionnels (notamment via la Semaine du Son) tirent la sonnette d’alarme. Même les pouvoirs publics, dont on connaît la rapidité de réaction, se sont emparés du sujet ; il n’est jamais trop tard pour bien faire…

Mais avant d’expliquer le pourquoi de cette funeste perspective, revenons en arrière, pour un peu d’histoire.

Comment, pourquoi ?

La Loudness War

Un rappel, évident, mais nécessaire : la musique enregistrée n’est que la tradition la plus récente de diffusion de cet art. Avant l’arrivée des premiers procédés de reproduction inventés par Édouard-Léon Scott De Martinville (le phonautographe), Charles Cros (le paléophone) et Thomas Edison (le phonographe), on ne pouvait en écouter qu’interprétée en direct, dans un cadre domestique ou dans un espace dédié.

Et, une fois les moyens d’enregistrement disponibles, l’idée de «produire» la musique, le son, au sens où l’on intervient après fixation sur un support, n’était pas de mise : le principe de base était de rendre le plus fidèlement possible ce que les musiciens, compositeurs, arrangeurs, chefs d’orchestre prenaient tant de temps à peaufiner, de la composition aux répétitions, en passant par l’orchestration, l’arrangement. Modifier la dynamique d’un orchestre ou d’un instrumentiste après coup, simplement pour que le son global soit plus fort n’était pas de mise (voir Reverse Orchestration).

En revanche, la pratique du gain/level riding, suivi de gain (que l’on pourrait qualifier de compression manuelle), a dès le départ été pratiquée dans les premiers studios, qu’ils soient de musique ou de cinéma avec l’arrivée du son synchrone, et ce afin d’éviter les surmodulations, les crêtes, ou pour éviter de passer sous le bruit de fond propre du support visé. Mais c’est tout particulièrement dans les stations de radio que l’on retrouvera cette pratique, menant à l’apparition des premiers limiteurs, après que plusieurs techniciens ont effectué des modifications maison sur des amplificateurs. En découle, en 1936-1937, l’arrivée sur le marché des Western Electric 110-A, RCA 96-A et Gates 17-B, libérant plus ou moins les opérateurs de cette tâche.

Les premiers racks performants datent de 1947, année de sortie du General Electric GE BA-5 (limiteur feed-forward), RCA le copiant immédiatement, sous le nom de… RCA BA-5. Premiers effets collatéraux, le pompage et la distorsion (déjà…). Peu de temps après, le RCA BA-6A tente de remédier à ces effets. Mais c’est l’apparition de nouveaux tubes variable-mu dans les années 50, des compresseurs/limiteurs avec fonctionnement opto-électrique (Teletronix LA-2A) ou utilisant des transistors à effet de champ (Urei 1176) dans les années 60, associés aux débuts de l’enregistrement multipiste, qui vont changer à jamais la gestion du volume, avant, pendant et après enregistrement.

Reverse Orchestration

Prokofiev

Bien sûr, la volonté de reproduire fidèlement ce que l’on entendait en l’enregistrant n’a pas été la seule direction suivie. Et c’est notamment dans le domaine du cinéma que les premières expériences ont été menées. Deux exemples seulement : en France, Maurice Jaubert, premier véritable théoricien de la musique de films, a mis en avant la nécessité de s’appuyer sur les apports techniques afin de proposer une autre réalité sonore, en appliquant ses théories (voir notamment  la scène du dortoir dans Zéro de Conduite de Jean Vigo, 1933).

Et en Russie, Prokofiev, compositeur régulier de Sergueï Eisenstein, a pratiqué la «reverse orchestration1», grâce au placement des microphones : la possibilité de saturer ou de mettre en avant un instrument au-dessus d’une masse orchestrale d’une façon totalement impossible dans la réalité (un basson soliste sur les triple forte d’un tutti d’orchestre, par exemple). Voir Alexandre Nevski (1938).

1-Selon le terme créé par Robert Robertson dans Eisenstein On The Audiovisual, IB Tauris Publishing, 2009.

Lost in translation !

Untitled-1

 

« Lost in Translation ! Que se passe t-il lorsqu’il ne se passe pas grand chose ?

Récit d’une tentative d’enquête sur la musicalisation du quotidien en Malaise »

 

« ‘Le rapport personnel (de l’anthropologue) avec son objet d’étude est peut-être plus que pour tout autre savant, inévitablement problématique… Toute ethnographie est pour une part de la philosophie, et le reste est pour beaucoup de la confession ». Clifford Geertz, L’interprétation des cultures’, in David Payne, Le phare d’un mode flottant, 10-18, 2001.

 

Introduction :

Le sujet et la matière première – mais pas nécessairement principale – de ce texte tiennent en peu de mots : la proposition qui m’avait été faîte de rejoindre la Faculty of Arts and Social Sciences de la principale université publique de Malaisie comme chercheur invité, de février à juillet 2015, m’est apparue comme une aubaine pour prolonger des travaux que je conduisais en France sur la musicalisation du quotidien en régime numérique. Après avoir mené des enquêtes sur la place qu’occupait la musique dans la vie de jeunes auditeurs, collégiens, lycéens et étudiants en France, je trouvais en effet là matière à voir comment la musique était perçue et vécue, à douze heures de vol de l’hexagone, par des publics du même âge, dans un contexte qui m’était très peu familier, mais que des premières lectures très lacunaires me laissaient envisager comme marqué par une tension forte entre les effets du local et du global, dans une société traversée par l’enjeu récurrent d’une identité nationale problématique et simultanément marquée par une trajectoire économique singulière et une ouverture à la mondialisation. Sans savoir exactement à quoi m’attendre, j’espérais donc obtenir des éléments de comparaison sur la place qu’occupait la musique dans la vie des jeunes publics, qui soulignerait les effets d’homogénéisation d’une bande son générationnelle uniforme ou à l’inverse la singularité des manières d’écouter et de vivre la musique au quotidien, la place occupée par les technologies liées à l’internet dans ces régimes d’écoute, l’incidence des conditions sociales sur le rapport à la musique. Ici se situe la première couche de mon récit : dans une société post-coloniale du sud-est asiatique, insérée dans une économie mondiale, multi-ethnique, simultanément moderne et traditionnelle, politiquement stable au prix d’un verrouillage politique hégémonique et d’une revendication nationaliste omniprésente mais relevant en grande partie d’une construction idéologique et d’une instrumentalisation politique, bref, face à un pays d’une grande complexité, quelle place occupait la musique dans la vie des jeunes publics et pouvait-elle me dire quelque chose de leur propre rapport au social ?

Cependant, si les récits exotiques des anthropologues découvrant des contrées lointaines et apprivoisant leurs peuplades au prix d’un abandon progressif de leur ethnocentrisme constituent le sympathique horizon d’attente du genre, à quoi s’attendre lorsqu’un néophythe, ignorant presque tout d’un pays et des relations sociales qui y ont cours, se lance dans une telle aventure ? C’est là que se situe la seconde couche de mon récit, retour réflexif sur les conditions du travail mis en œuvre, sur ses impasses et ses échecs.

La version publiée d’un article, d’un chapitre ou d’un ouvrage constitue en effet et à peu d’exceptions près la forme finalisée et pour ainsi dire définitive d’un travail d’enquête : mais outre la présentation des résultats obtenus, l’auteur peut prendre le parti d’en exposer les ficelles afin d’indiquer à son lecteur comment il s’y est pris, quels ressorts – relationnels, méthodologiques – il a mobilisé, à quel matériaux il a eu accès, avec quels interlocuteurs il a interagi. Le besoin éprouvé de dévoiler les coulisses du métier peut répondre à multiples exigences : par exemple, lorsque l’enquête implique des formes de négociations pour entrer sur un terrain et s’y maintenir, avec des situations qui – tout comme dans la vie ordinaire – évoluent au fil du temps et des circonstances ; ou encore, lorsque l’enquête implique avec plus ou moins d’intensité le chercheur, le confronte à l’expérience de la perméabilité des affects face à ses interlocuteurs, a fortiori lorsqu’il est conduit à « payer de sa personne »[1], à travailler en milieu hostile ou à éprouver la porosité des frontières entre jugements de faits et jugements de valeur[2]… Dans ces circonstances, le dévoilement des « manières de faire » est devenu une exigence interne à l’ethnographie – une sorte de signature narrative et de gage épistémologique – qui soumet de la sorte à son lecteur non seulement le matériau recueilli mais également l’interprétation qui en est faîte et rend théoriquement ce dernier apte à juger de la valeur du travail réalisé et de la validité des analyses produites. Cette exigence réflexive, qui n’est pas propre à l’ethnographie mais qui jouit en ce domaine particulier d’une attention marquée – tant cette approche peut à bon compte être considéré comme moins rigoureuse ou moins scientifique que celles qui recourent à la raison statistique – a donné lieu à de très nombreux récits où l’ethnographe expose de diverses manières les conditions de l’enquête et son propre rapport au terrain. Toutefois, il faut bien remarquer que cet indispensable travail de dévoilement est souvent incomplet en ce sens qu’il y est rarement question d’échecs définitifs, d’incompréhensions totales, de ratages spectaculaires : en général, tout de passe comme si le récit des difficultés rencontrées devait aboutir à ce que l’auteur retomba « sur ses pattes », triomphant in fine des embûches dressées sur sa route par les vertus conjuguées de la réflexivité et de la maîtrise des « ficelles du métier »[3], que certains agrémenteront d’une bonne dose d’humour[4]. C’est ce que n’avait pas tardé à remarquer un jeune ethnographe revenant enquêter dans son pays natal sur la situation des travailleurs migrants après s’être exilé aux USA et être devenu en partie étranger à sa propre société d’origine : « The messy and nitty-gritty parts of doing an ethnography are often left out of most published academic works and dissertations, which means those detailed experiences of researchers are not easily found. This is partly a consequence of the push for professionalisation and the privileging of the ideal ‘objective’ researcher who is meant to be present themselves as efficient, effective and ultimately productive. Failure, frustrations and no-objective sentiments are not normaly afforded spaces in a professional academic sphere »[5].

En quelque sorte, les échecs ne gagneraient à être exposés que lorsqu’ils sont partiels, temporaires et subsumés dans la dynamique positive de l’enquête et son accomplissement final. Si l’on admet que l’exposé sociologique relève aussi de l’art de la narration et du respect de certaines conventions – un art du story telling et des jeux de langage -, alors quel intérêt y a t-il à faire état d’authentiques ratages, d’enquêtes inabouties, noyées au milieu du gué et donc peu exploitables dès lorsque que le récit d’enquête est supposé relater la capacité du chercheur à dompter – avec plus ou moins de réussite – son terrain, ou du moins à le mettre en ordre ? L’échec, les avanies, certes toujours relatives, peuvent-elles constituer la matière du récit d’enquête ? C’est cette question – le statut de l’approximation, de l’échec et du bidouillage, ce dernier terme étant plus évocateur d’une maîtrise très approximative des choses que celui de bricolage – que je souhaite donc également évoquer dans le texte qui suit : comment raconter les coulisses d’une enquête, la fragilité et les limites des ficelles utilisées, le sentiment d’être loin du compte, le découragement qui saisit celui qui sent qu’il pourrait bien ne pas parvenir à son but ou qu’il n’y comprend goutte ? Si, comme je l’ai indiqué précédemment, tout récit d’enquête s’apparente de fait à une forme de story telling, de mise en forme et en scène de sa propre maîtrise sur les événements relatés, en sorte qu’il m’apparaît illusoire de croire au pouvoir absolu de la rigueur objectiviste qui agirait comme un agent neutralisant, j’ai fait ici le choix de rapporter, de manière quotidienne, la succession des tentatives et des ratages, bref, de la débrouille que j’ai mis en œuvre et qui constitue la seconde couche de cet texte.

C’est donc un texte à double entrée que je propose ici au lecteur, à la fois enquête sur la musicalisation du quotidien dans un environnement social dont je montrerai la complexité mais aussi retour réflexif sur les circonstances et les conditions de cette enquête, sans que l’une et l’autre des dimensions ne soient dissociables, en m’efforçant de ne rien masquer de ce qui fait la matière quotidienne, et parfois triviale, de ce type de travail… Par diffraction, ce texte conduit donc aussi une interrogation sur l’idéal ethnographique – celui d’une enquête de longue durée impliquant un engagement personnel fort du chercheur avec les membres du milieu étudié et induisant de possibles coûts moraux[6] et subjectifs (qui du reste ne sont pas sans rappeler ceux que décrivent certains acteurs de cinéma si habités par leur rôle qu’ils peinent à en sortir une fois le tournage fini) – comme norme, c’est à dire à la fois comme horizon régulateur définissant ce qu’est la « vraie » ou la « bonne » ethnographie mais aussi comme impératif épistémologique et éthique disqualifiant ce qui n’en est pas et imposant consciemment ou pas des codes et des attendus qui n’ont à leur tout aucune raison d’échapper au travail de déconstruction ou de réflexivité qui définit pour partie la démarche sociologique lorsqu’elle jette son regard sur les pratiques sociales ou les discours tenus sur le monde.

[1] Parmi une myriade d’exemples – qui vont de la pratique de la danse(Sorignet) à celle de la boxe (Wacquant) en passant par la domiciliation dans un quartier abritant des trafiquants de drogue (Bourgois), etc. – je citerai un article qui met en jeu la question des relations sexuelles entre enquêteur et enquêté(e)s : Erich Goode, « Sexual Involvement and Social Research in a Fat Civil Rights Organization », Qualitative Sociology, Volume 25, Issue 4, pp. 501-534, 2002 et les réponses qui ont été adressées à cet article polémique, notamment Suzan E. Bell, « Sexualizing Research: Response to Erich Goode », Qualitative Sociology, Volume 25, Issue 4 , pp 535-539, 2002 et Abigail C. Saguy, « Sex, Inequality, and Ethnography: Response to Erich Goode », Qualitative Sociology, Volume 25, Issue 4 , pp 549-556, 2002.

[2] Daniel Bizeul, Avec ceux du FN. Un Sociologue au Front national, Paris, Éditions La Découverte, 2003 et Daniel Bizeul, « Des loyautés incompatibles », SociologieS [En ligne], La recherche en actes, Dilemmes éthiques et enjeux scientifiques dans l’enquête de terrain, mis en ligne le 21 juin 2007, consulté le 13 mai 2015. URL : http://sociologies.revues.org/226

[3] H.S. Becker, Les Ficelles du métier. Comment conduire sa recherche en sciences sociales, La Découverte, 2002.

[4] Nigel Barley, Un anthropologue en déroute, Payot,1983 (trad. fr. 1992).

[5] Parthiban Muniandy, Politics of the temporary. An ethnography of migrant life in urban Malaysia, SIRD, 2015, p. 7.

[6] Bénédicte Havard-Duclos, « Les coûts subjectifs de l’enquête ethnographique », SociologieS [En ligne], La recherche en actes, Dilemmes éthiques et enjeux scientifiques dans l’enquête de terrain, mis en ligne le 21 juin 2007, consulté le 12 mai 2015. URL : http://sociologies.revues.org/182

iTunes store et la politique des petits nombres

Capture d’écran 2015-03-27 à 16.10.58

Dans notre série « meilleurs blogs consacrés à la musique, à son écoute et à sa consommation », voici Electron Libre – « malheureusement » seulement accessible par abonnement – où officie notamment l’excellent Philippe Astor, probablement le journaliste spécialisé français le plus averti en matière de musique et de numérique et capable d’articuler la dimension économique à la dimension de l’innovation technologique. L’article reproduit ci-dessous en guise d’exemple porte sur les modes de calculs des ventes sur la plateforme iTunes et leur impact sur la visibilité des indépendants face aux majors, dans un univers qui semble encore et toujours structuré comme une oligopole à franges…

Dans un ouvrage qui fait désormais figure de classique (La politique des grands nombres, coll. Textes à l’appui, éd. La Découverte), Alain Desrosières montre comment la statistique ne se réduit pas à une discipline mathématique mais en quoi elle est également une activité administrative qui procède d’une histoire sociale. En d’autres termes, la statistique n’est pas donnée en soi, ne contient pas intrinsèquement ses propres règles, ne tire pas sa raison d’elle-même, mais est bien le produit d’une histoire, de rapports de forces et d’arbitrages que des controverses, par exemple sur la définition d’une moyenne, illustrent fort bien.

Cette politique des grands nombres – autrement dit l’idée selon laquelle les usages des mathématiques ont aussi à voir avec le social et le performent – trouve une illustration dans l’article reproduit ci-dessous : on y voit que selon le type de calcul retenu  sur la plateforme iTunes, les majors se trouvent en position avantageuses, dans un système où la visibilité influe directement sur les ventes. Comme le rappelle un commentaire : « C’est l’effet Top 50. Il suffit de vendre beaucoup de m*** pour que tout le monde (enfin, tous les pigeons) imagine que c’est d’la bonne cam’… Ou l’art de confondre quantité avec qualité. Cela dit, « Indies » est aussi un terme marketing : un autre moyen de vendre. Rien que du business ».

 

Apple corrige les classements de musique d’iTunes

Florian Innocente | 4 mars 2015 | 23:11 |  (http://electronlibre.info/)

Dans la salle des machines de l’iTunes (Music) Store, Apple procède parfois à des changements sur lesquels elle revient par la suite. Billboard explique que les équipes d’iTunes ont satisfait aux demandes exprimées il y a quelques jours par des labels indépendants.

Les singles et albums qui apparaissent dans les différents carrousels sur la page principale d’iTunes étaient sélectionnés un peu moins par les équipes du service qui font un travail éditorial et un peu plus par un algorithme basé sur la vitesse à laquelle un titre se vend. L’effet retors de cette dernière approche est qu’elle pouvait bénéficier surtout aux grandes maisons de disques, reléguant les indépendants à une place bien moins visible, et ce d’autant plus que cette formule actualise le carrousel très vite, toutes les 90 minutes.

Billboard raconte qu’un gros travail de nettoyage a commencé il y a un an dans le catalogue d’iTunes et que ce mécanisme faisait partie des nouveautés mises en place depuis la fin 2014. D’après les retours obtenus par le site spécialisé, Apple a revu à la baisse l’influence de son algorithme. Les indés conservent par ailleurs une place non négligeable dans les différents étages de cette page. Dans la toute première et grosse rangée par exemple, les indés pèsent pour 40% de contenus affichés et 50% dans la rangée des nouvelles sorties, placée juste en dessous.

Autre recul constaté, la manière dont les albums en précommande peuvent affecter les classements. Précédemment, lorsqu’un artiste mettait son prochain opus en précommande, les pré-ventes enregistrées servaient de fusée d’appoint pour faire grimper son album en tête du classement, une fois la disponibilité effective. Apple a changé son fusil d’épaule, maintenant les performances de l’album ne reposent que sur les ventes réalisées au jour de la commercialisation réelle. Une modification qui n’est pas anodine, explique un cadre, car les tops d’iTunes sont autrement plus scrutés par les professionnels que ceux de Spotify ou Google Play Music. Et tout bouleversement a des conséquences auxquelles il faut s’habituer.

S’agissant du nettoyage dans le fond du catalogue, il s’agit par exemple des karaokés, des reprises de titres tombés dans le domaine public (ce peut être un hit historique tel le Love me do des Beatles) ou des ribambelles d’albums d’hommage qui sont passés à la trappe. Des milliers de disques auraient été ainsi retirés pour améliorer la qualité du catalogue et éviter que des clients ne se laissent abuser.

Là aussi, des labels s’en sont émus, certaines disparitions étant inexplicables car le disque conforme à la charte édictée par Apple. Mais les équipes d’iTunes sont à l’écoute et réceptives pour corriger une erreur, tempère un responsable. Une explication à certaines suppressions est avancée : en prévision de l’arrivée de son service de streaming, Apple souhaite écarter des singles ou albums où la répartition des ayants droit est incomplète, en attendant que la situation se régularise.

 

 

Musimorphose(s) : Appel à communication / Call for presentations

        

Musimorphoses. Sur le devenir de l’écoute musicale en régime numérique.

Colloque international,11-12-13 novembre 2015, Paris, Telecom Paris Tech

Avec la généralisation du numérique, l’ensemble des pratiques culturelles a fait l’objet d’importantes reconfigurations : d’une part, les publics ont accès à une quantité significativement élargie de biens ; d’autre part, le modèle de la gratuité et les pratiques de piratage ont modifié le consentement à payer ; de même, la dématérialisation des contenus tend à transformer la culture du data en une culture du service ; enfin, le caractère pléthorique des répertoires proposés aux publics a rendu nécessaires de nouveaux modes de recommandation, dont l’importance croissante des algorithmes témoigne.

Dans le cas de la musique, le passage de la discomorphose à la numérimorphose semble reconfigurer de manière particulièrement saillante les pratiques de consommation, et plus généralement la musicalisation du quotidien. Collectionne-t-on et apprécie-t-on les œuvres dématérialisées comme on s’appropriait les vinyles ? La question de la qualité sonore constitue-t-elle encore un enjeu pour des utilisateurs désormais habitués à l’écoute à partir de fichiers compressés ? L’idée que la musique puisse être un bien payant a-t-il encore un sens pour les nouvelles générations d’auditeurs ?

Ce colloque, organisé dans le cadre du projet de recherche Musimorphoses financé par l’Agence Nationale de la Recherche (ANR), a pour objectif principal de décrire les différentes dimensions de la musicalisation du quotidien et de proposer des scénarios prospectifs dessinant le futur de l’écoute musicale. Il ne porte donc pas sur l’activité des musiciens ou sur l’industrie musicale, mais sur la place qu’occupe la musique dans la vie des auditeurs en lien avec le numérique.

Les communications devront s’inscrire dans l’une des six grandes questions du programme :

1/ Ruptures et continuités. Le virage numérique doit-il être envisagé comme une rupture inédite, qui transformerait de manière très significative nos façons de consommer, d’apprécier, de catégoriser et de nous représenter la musique ? Du point de vue de la socio-histoire, comment décrire ce virage numérique et ce qu’il transforme réellement dans la musicalisation du quotidien

2/ La recommandation. Dans un univers marqué par l’abondance de références disponibles et l’hyper-choix, les algorithmes prennent une place croissante dans les mécanismes de la recommandation. Ces algorithmes, de plus en plus sophistiqués, contribuent-ils à l’élargissement du portefeuille des goûts ou sont-ils des dispositifs de formatage des préférences ? Comment cohabitent-ils avec les autres logiques de recommandation ? Redessinent-ils les ontologies et les catégories descriptives de la musique (par exemple la notion de genre) ?

3/ Le prix à payer. Avec l’extension du domaine du piratage et l’utilisation du stream-ripping, les publics tendraient à considérer la musique comme un bien sans coût. S’achemine-t-on vers un modèle ultra dominant de la gratuité ou voit-on émerger de nouvelles offres et services (sur le modèle par exemple de la plateforme Qobuz par exemple) susceptibles de redynamiser le consentement à payer ?

4/ Les technologies de l’écoute. Avec le développement croissant des cloud, du multi-room, des technologies portables, des nouvelles normes d’encodage du son, de l’accès aux métadonnées, l’écoute semble être devenue hyper-mobile, hyper-connectée et hyper-accessible. L’innovation technologique va t-elle induire des expériences inédites d’écoute ? Sur quels fronts les innovations se porteront-elles ?

5/ Ecoute locale, écoute globale. Dans un monde où les technologies numériques réduisent les distances et les frontières – même si l’accès à l’internet est encore inégalement partagé – les goûts et les pratiques semblent à première vue s’homogénéiser. Assiste-t-on pour autant à l’imposition d’un modèle standardisé et globalisé de la consommation musicale ? Ou bien une nouvelle géographie de l’écoute et du goût musical est-elle en train de se dessiner, faîte de subcultures, d’hybridation, etc. rendues possibles ou amplifiées par le numérique ?

6/ La régulation de la consommation musicale. La crise de l’industrie musicale, la généralisation du téléchargement illégal et l’instabilité des business models ont amené certains Etats à adopter des réponses législatives variées et parfois très coercitives mais qui ne semblent pas parvenir à enrayer la crise du marché du disque. La contrainte régulatrice est-elle la seule solution face aux nouveaux modes de consommation et à l’adaptation incessante des consommateurs à l’innovation et aux verrous technologiques ?

Les propositions de communication seront adressées à l’adresse suivante pour le 30 avril 2015 (dernier délai) : musimorphoses@gmail.com

Ces propositions ne dépasseront pas une page. Elles contiendront obligatoirement un intitulé, une brève notice biographique de l’auteur (avec une adresse mail) et feront apparaître une problématique originale et le type de terrain et d’approche méthodologique  sur laquelle la communication s’appuie. Les auteurs des propositions seront informés des résultats du processus de sélection au plus tard le 31 mai 2015.

Responsable du colloque : Philippe Le Guern, Professeur, Université de Nantes / CRAL et EHESS (philippe.leguern@univ-nantes.fr).

Comité d’organisation : Thibault Christophe (Université Toulouse 2-Jean Jaurès), David Delfolie (IDHES / IRASEC), Philippe Le Guern (Université de Nantes / CRAL-EHESS), Emmanuelle Olivier (CNRS / EHESS), Gabriel Segré (Université Paris 10 Nanterre).

Comité scientifique : Eitan Altman (INRIA), Emmanuel Bigand (Université de Bourgogne – IUF), Michael Bull (Université du Sussex), Nicolas Donin (IRCAM), Joël Gilbert (Université du Maine et CNRS), Antoine Hennion (Ecole des Mines), Martin Kaltenecker (Université Paris Diderot), Pascale Kuntz (Université de Nantes), Philippe Le Guern (Université de Nantes), Arnt Maaso (Université d’Oslo), Sophie Maisonneuve (Université Paris Descartes, Sorbonne), Isabelle Marc (Universidad Complutense de Madrid), Morten Michelsen (Université de Copenhague), Abdoulaye Niang (Université Gaston Berger, Sénégal), Nick Prior (Université d’Edinburgh), Peter Szendy (Université Paris 10), Philip Tagg (Université de Leeds / Université de Manchester), Sylvie Octobre (DEPS, Ministère de la Culture), Esteban Buch (CRAL,EHESS).

 

Musimorphoses, On the future of music listening in the digital era

International symposium, 11-12-13 November 2015, Paris, Telecom Paris Tech

With the spread of digital technology, all cultural practice is subject to reconfiguration. On the one hand, audiences can access a significantly higher amount of goods. On the other, the cost-free model and piracy practices have altered people’s willingness to pay. Likewise, the dematerialisation of contents tends to turn the data culture into a service culture. Finally, the abundant nature of repertoires provided to audiences triggered the need for new modes of recommendation mainly reflected by the growing significance of algorithms.

In the case of music, the transition from discomorphosis to digimorphosis seems to reconfigure, in a particularly salient way, the consumption practices and more generally the uses of music in everyday life. Do we collect and enjoy dematerialised works in the same way as we appreciate records? Is the issue of sound quality still relevant for users now in the habit of listening to music from compressed files? Does the fact that music is a payable good still have a meaning for new generations of listeners?

This symposium, being held as part of the ANR research project Musimorphoses, primarily aims to describe the various aspects of the uses of music in everyday life and to put forward prospective scenarios on the future of music listening. It does not focus on musicians’ activities or the music industry but on matters found at the crossroads between music consumption and music experience.

Papers will have to come within the scope of one of the six main questions of the programme:

1/ Ruptures and continuities. Should the digital turn be considered as a rupture at least as equivalent, in terms of the upheavals provoked, to the transition of civilisation from orality to writing? From a socio-historical point of view, how can we describe this digital turn and what is it truly changing in the uses of music in everyday life?

2/ Recommendation. In a world dominated by the abundance of available references and hyper-choice, algorithms are playing an increasingly significant role in mechanisms of recommendation. As they become more powerful, do these algorithms play a part in the broadening of the taste profile or do they act as devices for the formatting of preferences? How do they co-exist with other recommendation approaches?

3/ The price to pay. With the expansion of piracy and the use of stream ripping, audiences tend to see music as a cost-free good or even as a common good. Are we moving towards a free-for-all dominant model? In addition, the crisis of the music industry, the proliferation of illegal downloading and the instability of established business models have led some states to adopt various legislative responses. Is regulatory constraint of the music market the only solution?

4/ Listening technologies. With the development of the cloud, multi-room systems and mobile technologies, the listening field seems to have become hyper-mobile, hyper-connected and transformed with regard to the relation to archive and archiving. Does technological innovation lead to novel and sustainable listening experiences?

5/ Local listening, global listening. In a world where digital technology shortens “distances” and limits borders – despite the uneven nature of internet services across the globe – tastes and practices seem to become more homogenised. Are we seeing a standardised and globalised model of music consumption imposing itself ? Or is a new geography of listening habits and music taste being configured?

6/ The regulation of music consumption. The crisis of the music industry, the proliferation of illegal downloading and the instability of established business models have led some states to adopt various legislative responses. Is regulatory constraint of the music market the only solution?

Paper proposals should be sent to the following mail address by 30 April 2015 (at latest) : musimorphoses@gmail.com

Proposals should be no longer than one page, include a title and the author’s biographical note (with an email address) and outline the following: (1) an original argument; (2) the conceptual and empirical (fieldwork) elements underlying the analysis.

Authors will be informed of the selection procedure results by 31 May 2015 at latest.

Chair of the symposium: Philippe Le Guern, Professor, Université de Nantes / CRAL-EHESS (philippe.leguern@univ-nantes.fr).

Organising committee: Thibault Christophe (Université Toulouse 2-Jean Jaurès), David Delfolie (IDHES / IRASEC), Philippe Le Guern (Université de Nantes / CRAL-EHESS), Emmanuelle Olivier (CNRS / EHESS), Gabriel Segré (Université Paris 10 Nanterre).

Scientific committee: Eitan Altman (INRIA), Emmanuel Bigand (Université de Bourgogne – IUF), Michael Bull (Université du Sussex), Nicolas Donin (IRCAM), Joël Gilbert (Université du Maine et CNRS), Antoine Hennion (Ecole des Mines), Martin Kaltenecker (Université Paris Diderot), Pascale Kuntz (Université de Nantes), Philippe Le Guern (Université de Nantes), Arnt Maaso (Université d’Oslo), Sophie Maisonneuve (Université Paris Descartes, Sorbonne), Isabelle Marc (Universidad Complutense de Madrid), Morten Michelsen (Université de Copenhague), Abdoulaye Niang (Université Gaston Berger, Sénégal), Nick Prior (Université d’Edinburgh), Peter Szendy (Université Paris 10), Philip Tagg (Université de Leeds / Université de Manchester), Sylvie Octobre (DEPS, Ministère de la Culture), Esteban Buch (CRAL,EHESS).