Warning: package 'readr' was built under R version 4.4.3
spotify <-read_csv("C:/Users/OMAR DANIEL MEDINA V/Downloads/data.csv")
Rows: 3441197 Columns: 7
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): Track Name, Artist, URL, Region
dbl (2): Position, Streams
date (1): Date
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
library(janitor)
Warning: package 'janitor' was built under R version 4.4.3
Adjuntando el paquete: 'janitor'
The following objects are masked from 'package:stats':
chisq.test, fisher.test
position track_name artist streams
Min. : 1.00 Length:3441197 Length:3441197 Min. : 1001
1st Qu.: 45.00 Class :character Class :character 1st Qu.: 3322
Median : 92.00 Mode :character Mode :character Median : 9227
Mean : 94.64 Mean : 51892
3rd Qu.:143.00 3rd Qu.: 29658
Max. :200.00 Max. :11381520
url date region
Length:3441197 Min. :2017-01-01 Length:3441197
Class :character 1st Qu.:2017-04-05 Class :character
Mode :character Median :2017-07-10 Mode :character
Mean :2017-07-08
3rd Qu.:2017-10-10
Max. :2018-01-09
anyNA(spotify)
[1] TRUE
sum(is.na(spotify))
[1] 1322
library(dplyr)
Warning: package 'dplyr' was built under R version 4.4.3
Adjuntando el paquete: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
spotify_clean <- spotify |>filter(!is.na(track_name), !is.na(artist)) |>select(-url)# Verificamos que quedó sin NAsum(is.na(spotify_clean))
[1] 0
summary(spotify_clean$streams)
Min. 1st Qu. Median Mean 3rd Qu. Max.
1001 3321 9226 51885 29656 11381520
library(ggplot2)
Warning: package 'ggplot2' was built under R version 4.4.3
spotify_clean |>count(track_name, sort =TRUE) |>slice_head(n =10) |>ggplot(aes(x =reorder(track_name, n), y = n)) +geom_col(fill ="steelblue") +coord_flip() +labs(title ="Top 10 canciones más recurrentes", x ="Canción", y ="Apariciones") +theme_minimal()
ggplot(spotify_clean, aes(x ="", y = position)) +geom_boxplot(fill ="steelblue", outlier.color ="red") +labs(title ="Distribución de posiciones en el Top 200",x ="",y ="Posición" ) +theme_minimal()
library(dplyr)library(ggplot2)spotify_clean |>group_by(date) |>summarise(streams_totales =sum(streams)) |>ggplot(aes(x = date, y = streams_totales)) +geom_line(color ="darkgreen") +labs(title ="Evolución diaria de streams", x ="Fecha", y ="Streams") +theme_minimal()
library(dplyr)library(ggplot2)# Diccionario para traducir los códigos de regiónregion_labels <-c(at ="Austria",au ="Australia",be ="Bélgica",fi ="Finlandia",tr ="Turquía",fr ="Francia",de ="Alemania",us ="Estados Unidos",gb ="Reino Unido",ca ="Canadá",mx ="México",es ="España",ar ="Argentina",br ="Brasil",co ="Colombia",cl ="Chile")# Agrupar por región y sumar streamstop_regiones_streams <- spotify_clean |>filter(region !="global") |>group_by(region) |>summarise(total_streams =sum(streams, na.rm =TRUE)) |>slice_max(total_streams, n =4) |># Las 4 más potentesmutate(region_nombre =recode(region, !!!region_labels),porcentaje =round(total_streams /sum(total_streams) *100, 1),etiqueta =paste0(region_nombre, " (", porcentaje, "%)") )# Gráfico de pastelggplot(top_regiones_streams, aes(x ="", y = total_streams, fill = etiqueta)) +geom_bar(stat ="identity", width =1) +coord_polar("y") +theme_void() +labs(title ="Top 4 regiones con más streams totales") +theme(legend.title =element_blank())
A partir de las medidas estadísticas y visualizaciones generadas, se pueden destacar los siguientes hallazgos:
Streams:
La media de reproducciones fue de 51.885, mientras que la mediana fue significativamente más baja (9.226), indicando una distribución sesgada a la derecha. Es decir, la mayoría de las canciones tienen reproducciones moderadas, pero unas pocas acumulan valores extremadamente altos, como se evidencia en el valor máximo de más de 11 millones de streams.
Distribución de posiciones en el ranking:
El boxplot mostró que las canciones tienden a estar distribuidas de manera uniforme entre las posiciones 1 y 200, con una mediana cercana a la posición 92. Esto indica que el dataset no está concentrado únicamente en los primeros puestos, sino que representa bien todo el rango del Top 200.
Evolución temporal de streams:
El gráfico de líneas reveló un patrón cíclico en los streams diarios, con picos recurrentes probablemente asociados a fines de semana o lanzamientos musicales. También se observaron incrementos notables en ciertas fechas, lo cual puede corresponder a eventos musicales o tendencias globales.
Regiones con más streams:
Al excluir la categoría global, se identificaron a Estados Unidos, Reino Unido, Brasil y México como las regiones con mayor número de streams. Estados Unidos lidera de forma destacada con más del 50% del total entre las cuatro principales, lo que resalta su peso dentro de la industria musical global.
Modelo de Clasificación
Este análisis busca comprender qué factores influyen en la cantidad de reproducciones que recibe una canción en Spotify. Para ello, se construirá un modelo de regresión múltiple que considere variables relevantes como:
La posición de la canción en el ranking.
La fecha de aparición en el top 200.
La región geográfica donde fue popular.
Objetivo:
Desarrollar un modelo de regresión múltiple que permita predecir la cantidad de streams que puede alcanzar una canción en Spotify, a partir de sus características contextuales: posición en el ranking, fecha y región.
library(dplyr)library(fastDummies)
Warning: package 'fastDummies' was built under R version 4.4.3
# Convertir la fecha a número (días desde el origen)spotify_reg <- spotify_clean %>%mutate(date_num =as.numeric(as.Date(date)) )# Crear variables dummy para la región (solo top 5 regiones más comunes para no sobrecargar)top5_regiones <- spotify_reg %>%count(region, sort =TRUE) %>%slice_head(n =5) %>%pull(region)spotify_reg <- spotify_reg %>%filter(region %in% top5_regiones) %>%dummy_cols(select_columns ="region", remove_first_dummy =TRUE) # evitar multicolinealidad
library(dplyr)library(fastDummies)top5_regiones <- spotify_clean |>count(region, sort =TRUE) |>slice_head(n =5) |>pull(region)spotify_reg <- spotify_clean |>filter(region %in% top5_regiones) |>mutate(date_num =as.numeric(as.Date(date)))spotify_reg <- fastDummies::dummy_cols( spotify_reg,select_columns ="region",remove_first_dummy =TRUE,remove_selected_columns =TRUE)dummy_cols <-names(spotify_reg)[grepl("region_", names(spotify_reg))]print(dummy_cols) # para que veas qué usar en el modelo
formula_final <-as.formula(paste("streams ~ position + date_num +", paste(dummy_cols, collapse =" + ")))modelo_regresion <-lm(formula_final, data = spotify_reg)# Paso 6: Ver resumen del modelosummary(modelo_regresion)
Call:
lm(formula = formula_final, data = spotify_reg)
Residuals:
Min 1Q Median 3Q Max
-26377 -8357 -2976 5588 459813
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -2.194e+05 4.064e+03 -53.98 <2e-16 ***
position -2.010e+02 4.395e-01 -457.28 <2e-16 ***
date_num 1.407e+01 2.342e-01 60.10 <2e-16 ***
region_au 4.080e+04 8.024e+01 508.52 <2e-16 ***
region_be 2.864e+03 8.024e+01 35.69 <2e-16 ***
region_fi 1.215e+04 8.024e+01 151.45 <2e-16 ***
region_tr 7.854e+03 8.024e+01 97.88 <2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 15450 on 370947 degrees of freedom
Multiple R-squared: 0.5953, Adjusted R-squared: 0.5953
F-statistic: 9.093e+04 on 6 and 370947 DF, p-value: < 2.2e-16
Se destacan los principales hallazgos:
R² ajustado = 0.5953, lo cual indica que aproximadamente el 59.5% de la variabilidad en el número de streams es explicada por el modelo. Esto sugiere un buen nivel de ajuste para un fenómeno complejo como el consumo musical.
La variable position tiene un efecto negativo y altamente significativo. Esto confirma que las canciones con mejor posición (más cercanas al top 1) tienden a recibir más streams. Por cada unidad que baja en el ranking, se estima una disminución de ~201 streams, manteniendo las demás variables constantes.
La variable date_num tiene un coeficiente positivo, lo que indica que las canciones más recientes en el dataset tienden a tener ligeramente más reproducciones.
En cuanto a las regiones:
- Canciones en **Australia**, **Bélgica**, **Finlandia** y **Turquía** tienden a recibir **más streams que la región de referencia** (Estados Unidos)
- La región con el mayor impacto positivo fue **Australia**, con un estimado de +40,800 streams adicionales, en promedio.
Todos los coeficientes del modelo son estadísticamente significativos (p < 0.001), lo que respalda su relevancia en la predicción.
Resumen ejecutivo
En este trabajo se exploraron datos de Spotify para analizar los factores asociados al éxito musical medido en número de streams. Se realizó un análisis descriptivo de variables clave como la posición en el ranking, región geográfica y fecha de aparición. A través de visualizaciones como gráficos de barras, pastel, líneas y cajas, se identificaron patrones de comportamiento en distintas regiones y momentos del año.
Posteriormente, se construyó un modelo de regresión múltiple que permitió predecir la cantidad de streams utilizando como predictores la posición, la fecha y la región. El modelo obtuvo un R² ajustado de 0.595, lo cual indica un buen poder explicativo. Las variables fueron significativas y coherentes con el comportamiento esperado del fenómeno. Finalmente, se realizó una validación gráfica del modelo, confirmando que cumple con los supuestos estadísticos básicos.
Conclusiones y recomendaciones
La posición en el ranking tiene un efecto fuertemente negativo sobre el número de reproducciones: mientras más baja sea la posición, menor es el número de streams.
Las canciones publicadas en fechas más recientes tienden a obtener más reproducciones, posiblemente por el crecimiento de usuarios y tendencias de consumo.
Las diferencias regionales en el número de streams son significativas, lo que sugiere que el éxito musical depende también del contexto geográfico.
El modelo desarrollado puede ser útil para identificar tendencias y optimizar estrategias de marketing musical.
