A aplicação de técnicas de Data Science na música tem ampliado possibilidades de análise em um setor historicamente guiado por tendências culturais e decisões criativas. Um exemplo desse movimento é o trabalho desenvolvido por Angélica Melo, ex-aluna do MBA em Data Science e Analytics USP/Esalq, que investigou padrões em músicas que alcançaram o primeiro lugar da Billboard ao longo de mais de seis décadas.
O projeto, intitulado Hit Song Science, analisou faixas que lideraram o ranking entre 1958 e 2024, utilizando métodos de machine learning não supervisionado, com foco em técnicas de clusterização. A proposta foi investigar possíveis semelhanças entre músicas de sucesso e observar como determinados elementos podem estar associados ao desempenho nas paradas musicais.
A pesquisa se insere em um contexto mais amplo, no qual diferentes áreas passam a incorporar métodos quantitativos para compreender fenômenos culturais. No caso da música, o avanço das plataformas digitais e a disponibilidade de dados ampliaram o interesse por análises que buscam identificar padrões de consumo e desempenho.
O que é Hit Song Science
A chamada Hit Song Science é uma área de estudo recente que relaciona música, mercado e análise de dados. Seu foco está na investigação de características presentes em músicas que obtêm destaque comercial, utilizando métricas e métodos estatísticos como suporte analítico.
De acordo com o relato da ex-aluna, o interesse pelo tema surgiu a partir de referências históricas da indústria musical. Ainda no século XIX, editores de partituras já buscavam metrificar elementos das canções com o objetivo de identificar sucessos. A partir desse ponto, a pesquisa buscou compreender como essa lógica pode ser revisitada com ferramentas contemporâneas, como algoritmos de aprendizado de máquina.
Embora o termo tenha ganhado maior visibilidade recentemente, ele reflete uma continuidade de esforços anteriores para entender o comportamento do público e os fatores associados à popularidade de determinadas músicas.
Metodologia do estudo
O trabalho utilizou técnicas de aprendizado de máquina não supervisionado, com destaque para a clusterização. Esse tipo de abordagem permite agrupar dados com base em similaridades, sem a necessidade de categorias previamente definidas.
No estudo, a clusterização foi aplicada a um conjunto de músicas que atingiram o topo da Billboard entre 1958 e 2024. A escolha desse recorte temporal permitiu observar diferentes momentos da indústria musical, incluindo mudanças tecnológicas, transformações nos formatos de consumo e variações de estilo ao longo das décadas.
A análise teve como objetivo identificar como esses dados se organizam e se existem padrões recorrentes entre músicas de sucesso. É importante destacar que o estudo não teve como finalidade prever quais músicas se tornarão hits, mas sim investigar possíveis padrões associados a faixas que já alcançaram esse desempenho.
Esse tipo de abordagem é comum em estudos exploratórios, nos quais o foco está na identificação de estruturas e relações dentro dos dados, e não na construção de modelos preditivos.
Relação com o mercado musical
A escolha do tema também está diretamente relacionada à experiência profissional da autora. Formada em Comunicação Audiovisual, com atuação como radialista e experiência no mercado da música, Angélica teve contato com processos ligados à distribuição, licenciamento e estratégias de lançamento.
Segundo seu relato, empresas do setor acompanham o desempenho de músicas em diferentes plataformas e buscam identificar faixas com potencial de maior alcance. Esse acompanhamento envolve desde a análise de dados de consumo até a observação de tendências em redes sociais e playlists.
Nesse contexto, a aplicação de machine learning na música pode contribuir para a compreensão desses movimentos, oferecendo uma perspectiva analítica complementar às decisões baseadas em experiência e percepção de mercado.
Ao mesmo tempo, a pesquisa reforça que o desempenho de uma música envolve múltiplos fatores, incluindo aspectos culturais, contextuais e estratégicos, que não podem ser completamente capturados por modelos quantitativos.
Formação interdisciplinar e escolha do tema
Um dos aspectos centrais da trajetória apresentada é a formação interdisciplinar da autora. Além de sua graduação em Comunicação Audiovisual e atuação no mercado musical, Angélica também desenvolve estudos na área de Psicologia.
A escolha do tema do trabalho de conclusão partiu justamente dessa combinação de experiências. Ao observar o funcionamento da indústria musical e suas dinâmicas de sucesso, surgiu o interesse em investigar se essas questões poderiam ser analisadas a partir de uma abordagem baseada em dados.
A entrada no MBA em Data Science e Analytics representou um movimento de ampliação de repertório, com o objetivo de adquirir ferramentas técnicas que pudessem complementar sua trajetória profissional e acadêmica.
Esse tipo de percurso evidencia como a formação em ciência de dados pode dialogar com diferentes áreas do conhecimento, permitindo a aplicação de métodos analíticos em contextos diversos.
Alfabetização em dados
Um dos principais resultados apontados pela ex-aluna foi o desenvolvimento de maior familiaridade com análise de dados. Segundo seu relato, o MBA contribuiu para a leitura e interpretação de gráficos, tabelas e artigos científicos com mais segurança.
Esse processo foi descrito como uma “alfabetização em dados”, ou seja, a capacidade de compreender informações quantitativas e utilizá-las de forma crítica e estruturada. Esse tipo de habilidade tem sido cada vez mais relevante em diferentes áreas, especialmente em contextos acadêmicos e profissionais que envolvem análise de informações.
No caso de Angélica, esse aprendizado teve impacto direto em sua rotina de estudos, especialmente na leitura de artigos científicos na área de Psicologia, que frequentemente utilizam métodos quantitativos e análises estatísticas.
Impactos na trajetória profissional e acadêmica
Após a conclusão do MBA, Angélica relata que passou a se sentir mais segura ao lidar com temas relacionados à ciência de dados, aplicando esse conhecimento tanto em entrevistas quanto em projetos acadêmicos e profissionais. O aprendizado também fortaleceu sua atuação em atividades analíticas no trabalho, além de contribuir para o desenvolvimento de sua pesquisa e para a construção de argumentos baseados em dados.
Além disso, há a intenção de dar continuidade ao trabalho iniciado no projeto, incluindo a possibilidade de publicação em revista científica. Esse movimento indica uma integração entre formação profissional e produção acadêmica, com uso de ferramentas analíticas em ambos os contextos.
A experiência também está associada a um momento de transição de carreira, no qual a formação teve papel relevante na atualização de competências e na ampliação de possibilidades profissionais.
Data Science em diferentes áreas
O estudo evidencia como técnicas de Data Science e Machine Learning podem ser aplicadas em áreas que, tradicionalmente, não são associadas à análise de dados, como a música e a comunicação.
Ao mesmo tempo, reforça que a formação em ciência de dados pode ser acessível a profissionais com diferentes trajetórias, desde que haja interesse em desenvolver competências analíticas e familiaridade com métodos quantitativos.
A experiência relatada demonstra que o uso de dados não substitui a dimensão criativa ou cultural de setores como a música, mas pode contribuir para uma compreensão mais estruturada de fenômenos complexos.
Nesse sentido, a aplicação de métodos analíticos tende a funcionar como um complemento, oferecendo novas perspectivas para a análise de informações e tomada de decisão.
Quer entender como o Data Science pode se conectar à sua carreira? Saiba mais sobre o curso clicando aqui.
