Паттерны поведения в музыкальном стриминге

Музыкальные стриминговые сервисы — часть повседневной жизни: мы пользуемся ими почти автоматически, не задумываясь о том, какие данные остаются за каждым нажатием кнопки Play или Skip. Именно эта невидимая сторона привычного взаимодействия с цифровыми платформами и стала для меня отправной точкой выбора темы.

Мне было интересно посмотреть на музыкальный стриминг не как на интерфейс, а как на систему поведения: как различаются сценарии использования у людей с разными типами подписки, на каких устройствах музыка слушается дольше и активнее, какие паттерны могут быть связаны с потерей интереса к сервису.

В рамках проекта был проведен анализ пользовательских данных музыкального стримингового сервиса на примере Spotify. Музыкальные платформы ежедневно собирают огромные массивы информации о том, как, когда и в каком контексте люди взаимодействуют с контентом — эти данные становятся основой для продуктовых и бизнес-решений.

Цель исследования — выявить поведенческие паттерны аудитории, проследить различия между типами подписок и используемыми устройствами, а также определить факторы, которые могут быть связаны с оттоком клиентов. Особое внимание уделяется тому, как количественные метрики прослушивания отражают пользовательский опыт и вовлеченность.

Анализ сочетает в себе: • исследовательский подход к данным без заранее заданных гипотез, • объясняющую визуализацию, позволяющую интерпретировать сложные зависимости, • базовые статистические методы, применяемые для описания и сравнения наблюдений.

Для анализа был использован табличный датасет в формате CSV, размещенный на платформе Kaggle.

Набор данных содержит 8000 наблюдений и описывает поведение пользователей музыкального стримингового сервиса на примере Spotify. Информация является синтетической, но воспроизводит структуру реальных клиентских записей.

В таблицу включены: • демографические характеристики, • сведения о типе подписки, • поведенческие метрики прослушивания (время, частота, пропуски треков), • признаки использования устройств, • бинарный индикатор оттока.

Формат и объем данных делают датасет удобным для исследовательского анализа и визуализации, а также позволяют демонстрировать работу с типичными задачами анализа пользовательского поведения.

В работе использовались инструменты анализа данных на Python:

• Pandas — загрузка, обработка и агрегирование данных, • Matplotlib — базовая визуализация, • Seaborn — статистические графики и стилизация, • Google Colab — среда выполнения и демонстрации проекта.

Формат работы — Jupyter Notebook.

Анализ был выполнен по следующему сценарию:

1. Загрузка CSV-файла и первичный просмотр данных.
2. Проверка структуры таблицы и типов признаков.
3. Описательная статистика числовых переменных.
4. Исследование распределений.
5. Сравнение групп по подпискам и устройствам.
6. Визуализация взаимосвязей между признаками.

Каждый этап сопровождался графическим анализом.

Для числовых признаков была рассчитана описательная статистика с помощью метода df.describe ().

Анализ включал: • средние и медианные значения, • стандартное отклонение, • минимумы и максимумы, • квартильные значения.

Это позволило оценить масштаб данных, вариативность и наличие возможных выбросов.

Первый исследовательский график — гистограмма распределения возраста пользователей с KDE-кривой.

График позволяет: • увидеть основные возрастные группы, • оценить форму распределения, • выявить перекосы или аномалии.

Возраст пользователей распределен относительно равномерно в диапазоне от 16 до 60 лет, без выраженных экстремальных выбросов.

Для сравнения времени прослушивания между типами подписки был использован boxplot.

Этот тип графика позволяет одновременно анализировать: • медиану, • разброс значений, • квартильный диапазон, • выбросы.

Различия между подписками существуют, однако распределения во многом пересекаются, что указывает на схожие поведенческие паттерны.

Для анализа взаимосвязи между количеством прослушанных песен в день и уровнем пропусков (skip rate) был построен scatter plot с цветовой кодировкой по типу подписки.

График показывает: • отсутствие сильной линейной зависимости, • высокую вариативность поведения, • схожесть паттернов между типами подписок.

Это подчеркивает сложность пользовательского поведения и невозможность его объяснения одним фактором.

Для сравнения распределений времени прослушивания по типу устройства был использован violin plot.

Этот график сочетает: • плотность распределения (KDE), • квартильную структуру, • визуальную наглядность формы данных.

Распределения для Desktop, Web и Mobile схожи по форме, однако отличаются плотностью и характером использования.

Визуализации в проекте выполняют двойную функцию: • Изучающую — помогают исследовать данные без заранее заданных гипотез. • Объясняющую — позволяют интерпретировать результаты и доносить выводы.

Каждый график отвечает на конкретный вопрос и сопровождается трактовкой.