Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/25447
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΚωνσταντάρας, Ιωάννηςel
dc.contributor.authorΜακρής, Δημήτρηςel
dc.date.accessioned2021-06-07T12:25:29Z-
dc.date.available2021-06-07T12:25:29Z-
dc.date.issued2020el
dc.identifier.urihttp://dspace.lib.uom.gr/handle/2159/25447-
dc.descriptionΔιπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2020.el
dc.description.abstractΖούμε στην εποχή όπου ο τρόπος που ακούμε μουσική μεταβάλλεται. Η ψηφιοποίηση της μουσικής οδήγησε στην αναβίωση της μουσικής βιομηχανίας μέσω ανάπτυξης των ρηξικέλευθων υπηρεσιών streaming. Μερικές από τις πιο γνωστές υπηρεσίες είναι το Spotify, η Pandora και η Apple Music. Καθημερινώς προστίθενται σε αυτές όλο και περισσότεροι συνδρομητές αλλά και καλλιτέχνες με αποτέλεσμα να δημιουργούνται τεράστιες βάσεις δεδομένων και συνεπώς ογκώδη σετ δεδομένων. Συνεπώς κάθε μία από τις streaming υπηρεσίες αποτελεί πηγή δημιουργίας και αποθήκευσης πληθώρας δεδομένων που προσφέρονται για ανάλυση και εξέρευση πληροφοριών μέσω των τεχνικών της επιστήμης των δεδομένων. Η έρευνα αυτή αντιπροσωπεύει την πρώτη ακαδημαϊκή προσπάθεια χρησιμοποίησης μεγάλων δεδομένων από online streaming υπηρεσίες που αφορούν συγκροτήματα και καλλιτέχνες του ελληνικού χώρου. Στόχος της έρευνας είναι να καταγράψει κάποιες από τις διαφορετικές μεθόδους και προσεγγίσεις της ανάλυσης μουσικών χαρακτηριστικών των συγκροτημάτων αλλά και τυχόν προβλημάτων που ανέκυψαν κατά την διαδικασία υλοποίησης της ανάλυσης αυτής, μέσω των εργαλείων της επιστήμης των δεδομένων. Οι αναλύσεις που έγιναν οδηγούν σε μια πληθώρα συμπερασμάτων, χρήσιμων όχι μόνο για τους συσχετιζόμενους με το χώρο της μουσικής βιομηχανίας αλλά και για τους μελλοντικούς ερευνητές. Για την ανάλυση των μεγάλων δεδομένων χρησιμοποιήθηκε η υπηρεσία του Spotify, καθώς ένα τμήμα της βάσης των δεδομένων προσφέρεται δωρεάν ενώ η βιβλιοθήκη spotipy αποτελεί έναν σχετικά εύκολο τρόπο χειρισμού της βάσης δεδομένων του Spotify. Ως γλώσσα προγραμματισμού για τη συλλογή των δεδομένων αλλά και τη δημιουργία της βάσης δεδομένων καθώς και για τη μετέπειτα ανάλυση, επιλέχθηκε η Python. Επιπλέον χρησιμοποιήθηκαν τεχνικές τις περιγραφικής στατιστικής, ενώ η εφαρμογή της Παραγοντικής Ανάλυσης (PCA) καθώς και εναλλακτικές τεχνικές της Ανάλυσης Συστάδων (Cluster Analysis), αποκάλυψαν συσχετίσεις και συμπεράσματα σχετικά με τα μουσικά χαρακτηριστικά των συγκροτημάτων.el
dc.description.abstractWe are leaving in times where the way of listening to music is going through transformations. Music digitalization and the development of the innovative streaming services led to the rebirth of music industry. Some of the most recognizable steaming services are Spotify, Pandora and Apple Music. There are a growing number of new subscribers and music artists that are daily added in such services, resulting in the creation of a huge amount of data. Consequently, each of the streaming services comprises a database for the creation and storage of a great amount of data that can be analyzed and reveal insights due to data science techniques. The specified thesis composes the first academic attempt that uses data from online streaming services with regards to Greek bands and Greek artists. The main goal of the research is to record some of the different methods and approaches when analyzing bands’ music features, but also the problems that arise during the implementation of the analysis procedure via data science tools. Analysis led to a plethora of useful conclusions both to the interested parties of the music industry and the future researchers as well. The data analysis was conducted due to Spotify’s streaming service, since parts of the music data are provided for free. Moreover spotipy library constitutes a relatively easy way to handle Spotify data. Python is the chosen programming language that is used for data collection and for the creation of the dataset that is afterwards investigated. In addition, there were used several descriptive statistics techniques, while the implementation of Principal Component Analyis (PCA) and Cluster Analysis brought to light correlations and conclusions with regards to the Greek band’s musical audio features.en
dc.format.extent107el
dc.language.isoelen
dc.publisherΠανεπιστήμιο Μακεδονίαςel
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνέςel
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/en
dc.subjectData Scienceen
dc.subjectBig Dataen
dc.subjectPythonen
dc.subjectBusiness Intelligenceen
dc.subjectSpotifyen
dc.subjectStreaming Servicesen
dc.subjectPrincipal Component Analysis (PCA)en
dc.subjectCluster Analysisen
dc.subjectMachine Learningen
dc.subjectExploratory Data Analysisen
dc.subjectMusic Digitalizationen
dc.subjectΠροεπεξεργασία δεδομένωνel
dc.subjectΑνάλυση Δεδομένωνel
dc.subjectΚαθαρισμός Δεδομένωνel
dc.subjectΑνάλυση Συστάδωνel
dc.subjectΜηχανική μάθησηel
dc.subjectΕπιστήμη Ανάλυσης Δεδομένωνel
dc.subjectΑνάλυση Κυρίων Συνιστώσωνel
dc.titleΗ αναλυτική των δεδομένων στη μουσική βιομηχανία: μελέτη δεδομένων της streaming υπηρεσίας του Spotifyel
dc.title.alternativeData analytics in music industry: analyzing Spotify's musical dataen
dc.typeElectronic Thesis or Dissertationen
dc.typeTexten
dc.contributor.departmentΠρόγραμμα Μεταπτυχιακών Σπουδών Αναλυτική των Επιχειρήσεων και Επιστήμη των Δεδομένωνel
Appears in Collections:ΠΜΣ Αναλυτική των Επιχειρήσεων και Επιστήμη των Δεδομένων (Μ)

Files in This Item:
File Description SizeFormat 
MakrisDimitrisMsc2020.pdf6.17 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons