Разработка метода оценки будущего спроса на артиста

Схема 11: соседство сгруппированных графов. [23, c. 827]

4.1 Аналитическая фаза. Анализ связи кластеров. (Phase-analytics: cluster cohesion analysis.) Аналитика может быть применена к финальному списку нематериальных активов, который формируется исходя из группировки.

Для каждого нематериального актива, факторы индекса связи являются арифметическим значением (м) взаимодействий с каждым кластером. Данное значение является результирующим матрицы связи, которая может быть сравнена с пороговой оценкой. Это необходимо делать для того, чтобы определить уровень силы внутренних взаимодействий с установленными кластерами. Результаты определяются в соответствии с приведенной ниже формулой:

(3)

Написание данной модели имела ряд предпосылок, основной из которых является неспособность использовать традиционные методы кластеризации при оценке интеллектуальных ресурсов компании для их эффективного использования и группировки. Однако именно они составляют базу для возможности использования результатов в принятии эффективных решений, в том числе инвестиционных.



Глава 3. Модель кластеризации. Использование модели с целью прогнозирования инвестиций в сфере музыкальной индустрии

3.1 Адаптация модели кластерного анализа Franco M. Battagello (2010)

Для проведения кластерного анализа, используя метод, предложенный ученым Franco M. Battagello в 2010 году, необходимо адаптировать её таким образом, чтобы можно были использовать в сфере музыкальной индустрии.

В первую очередь важно понять цель проведения данного анализа. В условиях эры цифрового формата песен и альбомов, музыкальная индустрия не только получила способы развития и продвижения продукта, но и столкнулась с негативными последствиями. Подробно о них было описано в первой главе предложенной исследовательской работы. Огромное количество нелегально скаченных треков с простора интернета губительным образом повлияло на бизнес структуры индустрии. Катастрофически снизились продажи альбомов, и как следствие, упала прибыль лейблов звукозаписи и продюсерских компаний. Вот почему в наше время, необходимы эффективные решения для поддержания и улучшения ситуации отрасли мировой значимости «музыкальная индустрия».

Как было описано выше, компании нуждаются в трансформации своего бизнеса, ориентируясь на потребителя, который готов платить за интересующий его продукт.

Компания Next Big Sound уже научилась предсказывать успех исполнителя, анализируя большой массив данных из интернета, предлагать похожий товар, основываясь на текущих предпочтениях потребителя. Продуктом компании является чарты - список песен и альбомов, которые оказываются на пике популярности. Журнал Billboard, который находится в тесном сотрудничестве в компанией Next Big Sound, публикует полученные данные в двух разных чартах:

1.Hot 100 - топ ста самых популярных песен, которые имеют самое высокое количество прослушиваний, скачиваний и покупок;

2.Billboard 200 - топ двух ста самых покупаемых и прослушиваемых альбомов.

В данной исследовательской работе, за основу характеристик, которая определяет успешность, был взят чарт самых продаваемых альбомов Billboard 200. Объясняется это тем, что в любом бизнесе успех обусловлен финансовой прибылью. Вот почему, продажа альбомов артиста определяет и его успех, тем более в условиях повышенной пиратской деятельности - нелегального файл шеринга - нашего времени, количество проданных альбомов говорит о преданных фанатах, которые оценивают творчество исполнителя и готовы платить за продукт, несмотря на то, что есть возможность получить его бесплатно, используя возможности интернета.

Кроме того, важно уяснить, что именно будет подвергаться анализу. Если в случае с описанной выше моделью объектом оценки служила компания, а предметом - её интеллектуальные ресурсы, то в случае с музыкальной индустрией будет проводиться оценка исполнителей посредством идентификации и кластеризации его характеристик. Ведь по сути, что является уникальными ресурсами артиста: его демографические, личные качества, а также объекты взаимодействия в процессе организации своей карьерной деятельности.

В первую очередь для использования модели кластерного анализа будет необходимо выполнить следующие этапы:

1. определить список самых популярных исполнителей на данный момент;

2. идентифицировать данные, которые возможно имеют прямое или косвенное влияние на успех исполнителя;

3. собрать эти данные;

4. проанализировать собранные данные, используя метод регрессии;

5. выявить связь между характеристиками;

6. используя схожие связи, объединить исполнителей в кластеры;

7. суммировать полученные результаты;

8. сделать выводы об информации, полученной в ходе проведенного анализа.

В следующем параграфе будет проведены первые 3 этапа анализа данных, а именно: создание списка успешных исполнителей, идентификация характеристик и сбор данных, базируясь на эти характеристики.

3.2 Работа с данными для проведения кластерного анализа, используя модель кластеризации

В первую очередь, перед процессом сбора данных необходимо их идентифицировать. Как было описано выше, за список успешных исполнителей был взят топ популярных альбомов по версии журнала Billboard, так как этот чарт является результатом анализа компании Next Big Sound в ходе оценки большого массива данных интернета, за основу которого берется уровень продаж и скачиваний альбома. Для предлагаемого исследования этот чарт является показателем успеха исполнителя, определяемый уровнем прибыли от записи альбома.

Данные были взяты за текущую неделю мая, а именно за 21 мая 2016 года. Для анализа был взят список из пятидесяти первых альбомов. В список не вошли разные альбомы одного и того же исполнителя, так как данные артиста идентичны, следовательно они могли бы усилить или ослабить влияние определённых характеристик на популярность исполнителя и повлиять на исход расчета модели. Также в список топ популярных альбомов не были включены те, что обрели былую популярность по причине смерти исполнителя. В ходе выборки был получен список из трёх столбцов:

1. строка в топе популярности Billboard 200;

2. название альбома;

3. сценическое имя исполнителя или название группы;

Далее необходимо было собрать характеристики, которые возможно имеют прямое или косвенное влияние на популярность артиста. В первую очередь были собраны данные, которые напрямую касаются творчества и музыкальных композиций в альбоме, а именно жанр музыки. Как выяснилось, на данный момент существуют множество вариаций традиционных жанров, однако с целью упрощения исследования за основу был взят не весь перечень жанров, но устоявшиеся музыкальные направления:

1. Hip-hop;

2. R&B;

3. Rock - Metal;

4. Pop;

5. Country.

Далее было принято решение собрать данные о лейблах звукозаписи, которые участвовали в создании альбома, так как в традиционной музыкальной индустрии успех напрямую зависел от лейбла звукозаписи. Лейбл зарабатывал репутацию и имел вес в сфере музыкальной индустрии, зачастую, задавая вкус слушателям, и за счёт репутации продвигал юных исполнителей. Интересно то, что в процессе сбора данных, несмотря на большое разнообразие звукозаписывающих компаний, встречались повторяющиеся лейблы. Вот почему четвёртый столбец данных занял «Лейбл звукозаписи».

Пятой характеристикой выступило «Сотрудничество». Выбор такой характеристика пол по причине того, что согласно субъективным характеристикам, появление новых звёзд всё чаще обусловлено участием популярных исполнителей в записи треков или альбомов. Использование популярности действующей звезды возможно привлекает внимание к начинающему исполнителю и тем самым может сыграть роль в его собственном успехе. Данная характеристика также описывало сотрудничество при создании конкретного альбома, который вошёл в топ популярности. Далее последовала характеристика «Тур», под которой понимаются выступления за 2016 год. Такой выбор объясняется вопросом, имеет ли влияние живых концертов на уровень продаж альбома. Может ли выступление артиста вызвать интерес и вызвать тем самым желание приобрести альбом для повторного прослушивания треков.

Далее последовала характеристика, выявляющая следующую информацию: исполняется ли альбом сольно или группой. Данный критерий используется, чтобы выявить, может ли сольный исполнитель быть популярнее группы и наоборот. Известно, что во времена Beatles были популярны группы, однако в современном мире упор делается на подчеркивание индивидуальности и уникальность, вот почему было интересно включить данный критерий.

Завершающей характеристикой, которая касается творчества исполнителя, стала «Награды и премии». В данный критерий вошли любые награды, которые артист получил за время карьеры. В процессе сбора данных был выявлен интересный факт. В мире существует большое количество музыкальных наград. В первую очередь они разделяются по странам, в которых данные премии присуждают: музыкальные премии России, Республики Белоруссии, музыкальные премии Великобритании, Канады, Франции, Эстонии, Японии и США. Однако среди исполнителей, которые на данный момент стоят на пике популярности со всем мире, присутствуют победители музыкальных премий Великобритании, Канады и США:

1. BRIT Awards (Великобритания)

2. NME Awards (Великобритания)

3. Q Awards (Великобритания)

4. Juno Awards (Канада)

5. American Music Award (США)

6. Grammy Award (США)

7. Academy of Country Music (США)

8. Country Music Association Awards (США)

9. GMA Dove Award (США)

10. NAACP Image Award (США)

11. MTV Video Music Awards (США)

12. People's Choice Awards (США)

13. ASCAP Awards (США)

Из перечисленных премий, самой часто встречаемой оказалась премия Grammy.

Далее в качестве характеристик последовали личные данные исполнителя. В первую очередь это пол. Важно выяснить имеет ли место дискриминация по гендерному признаку, так например, как существует мнение, что мужчины лучше преуспевают в бизнесе и карьере. Несмотря, что такое мнение имеет и свои опровержения, было интересно рассмотреть данный критерий.

Следующей характеристикой стала страна. Влияет ли географическое расположение выпуска альбома на его популярность, а также национальная принадлежность его исполнителя.

Одной из характеристик стало «Авторство». Данный критерий включает в себя самостоятельное написание текстов песен или музыки для них. Главной целью является выяснить, необходимо ли обладать такого рода творческими данным, чтобы обрети популярность. Возможно осознание того, что исполнитель самостоятельно сочиняет свои песни, вызывает у аудитории большее уважение и как следствие желание покупать его альбомы, а не просто скачать их в интернете.

Одной из характеристик стал столбец с данными о годах активности исполнителя. Является ли долгим пусть к успеху или есть место быстрому взлёту исполнителя на пик славы.

Далее последовали характеристики, которые могли иметь влияние на творчество исполнителя и на его продвижение. Для начала, это наличие музыкантов в семье. Имеет ли место в развитие творческих способностей вдохновение, возникшее в результате воспитания творческой личностью.

Следующим критерием оценивалось участие в различных проектах: от участия в телепрограмме, озвучки фильма до рекламы продукта и создание собственного проекта. Может ли подобного рода популярность повлиять и на успех в сфере музыкальной индустрии.

В заключении, был составлен список по количеству запросов на YouTube по данному исполнителю. Данный критерий представился важным, так как было интересно проследить соответствует ли реальный успех в продажах альбома популярности на видео хостинге. По такому же принципу были собраны данные о наличие песни из альбома в топе 100 популярных треков - Hot 100 - за ту же неделю, что и топ популярности альбомов в журнале Billboard.

В результате сбора данных был получен массив из 750 данных: 50 альбомов различных исполнителей описанные по 15 разного рода характеристикам, в процессе оценки которых следует выяснить, в какой степени каждая из них влияет на успех, популярность и соответственно продаваемость альбома.

3.3 Тестирование модели на примере музыкальной индустрии

В процессе сбора данных была получена таблица 50 на 15 - это 50 альбомов различных авторов описанная по 15 различным характеристикам, которые могут иметь влияние на успех альбома. В процессе проведения анализа необходимо выявить связи характеристик и силу влияния на популярность.

Среди всех данных количественную оценку имеет единственная характеристика - это количество видео на запрос в YouTube имени исполнителя или названия группы. Остальных характеристики являются неисчисляемыми, однако в данном исследовании хотелось бы их обозначить как уникальные ресурсы, применение которых возможно повлияло на успех. Интересно выяснить, повлияли ли они на популярность в целом, в какой степени и существует ли набор таких ресурсов, который определил конечный успех исполнителя.

Первым этапом анализа собранных данных было вычисление регрессии - то есть наличие и уровень силы взаимосвязей между зависимой переменной и не зависимыми переменными. За зависимую переменную был взят количественный критерий «Число видео на запрос в YouTube», данный критерий имеет конкретное количество просмотров и определяет популярность исполнителя на видео хостинге. За независимые критерии были взяты все остальные данные, собранные в процессе подготовки к использованию кластерного анализа:

1. жанр;

2. Лейбл звукозаписи;

3. сотрудничество;

4. Туры;

5. наличие премий и наград;

6. пол;

7. страна;

8. авторство;

9. наличие в семье музыкантов;

10. участие в проектах;

11. наличие трека из представленного в топе популярности альбома в списке ста популярных песен за ту же неделю.

Название альбома и сценическое имя исполнителя/название группы в данный список не вошли. Перечисленные данные были собраны с целью создания списка самых популярных и продаваемых во всем мире артистов. Смысл использования списка в качестве базы - это возможность выявить объясняющие данное явление характеристики и связей между ними. Необходимо также заметить, что данные об артисте, который выбивался из остальных по критерию «число видео на запрос в YouTube» были так же изъяты, так как из-за сценического имени Future невозможно было отсеять данные, относящиеся непосредственно к нему или данные к слову «будущее».

В процессе подготовки к вычислению регрессии данные были более подробно расписаны в таблице данных:

1) Пол мужской определила 1, женский -2

2) Все жанры музыки были выделены в отдельные столбцы и получили бинарное обозначение(1 -да, 0 - нет)

3) То же самое было проделано со странами, наличием наград, участием в различных проектах и наличием в топе Hot 100 популярных песен.

В результате расчета регрессии были получены следующие результаты, что на зависимую переменную «популярность в YouTube» влияют следующие независимые переменные:

1. участие в фильмах;

2. награда Grammy;

3. годы активности;

4. стиль Country.

Более подробные данные представлены в приложении.

Обратите внимание на столбец с названием Sig. Данный показатель показывает уровень значимости перечисленных независимых переменных на зависимую переменную: количество видео на запрос в YouTube. Если показатель равен или меньше 0,05, то связь между переменными присутствует. Если же показатель больше данного значения, то это значит, что переменные не связаны между собой. Данные расчёты дали возможность сузить круг независимых переменных, которые влияют на зависимую. Далее было сформировано 4 модели, которые включают в себя разный набор выбранных переменных. В ходе расчётов, было определено влияние разных наборов показателей - независимых переменных на зависимую переменную.

Далее были рассчитаны 4 модели (см. Таблицу 1):

1) Модель 1: Наличие премии Grammy (да/нет);

2) Модель 2: Наличие премии Grammy (да/нет) и влияние участия в фильмах (да/нет);

3) Модель 3: Наличие премии Grammy (да/нет), влияние участия в фильмах (да/нет) и Country стиль (да/нет);

4) Модель 4: Наличие премии Grammy (да/нет), влияние участия в фильмах (да/нет), Country стиль (да/нет) и годы активности;

Таблица 1 Coefficients^a

Model	Unstandardized Coefficients	Standardized Coefficients	T	Sig.
	B	Std. Error	Beta
1	(Constant)	2197640.000	1071997.296		2.050	.046
	Получали Грэмми или нет	7255065.882	1782453.291	.519	4.070	.000
2	(Constant)	951726.554	1031725.266		.922	.361
	Получали Грэмми или нет	6668753.672	1613073.483	.477	4.134	.000
	Фильмы	6229567.232	1830592.366	.392	3.403	.001
3	(Constant)	1796903.483	1053257.149		1.706	.095
	Получали Грэмми или нет	7249812.811	1562232.814	.518	4.641	.000
	Фильмы	5120272.512	1815586.994	.323	2.820	.007
	Country - style	-4674884.888	2051245.580	-.261	-2.279	.028
4	(Constant)	478255131.079	189043677.259		-2.530	.015
	Получали Грэмми или нет	10061619.982	1841778.486	.719	5.463	.000
	Фильмы	4273546.959	1742648.194	.269	2.452	.018
	Country - style	-5388472.815	1952787.821	-.301	-2.759	.009
	Годы активности	239201.457	94195.830	.329	2.539	.015
a. Dependent Variable: Число видео на завтра в YouTube

Анализируя полученные данные можно сделать вывод, что модель 4: Наличие премии Grammy (да/нет), влияние участия в фильмах (да/нет), Country стиль (да/нет) и годы активности - объявляет 51% дисперсии (см. Таблицу 2). Самый значимый предиктор - это наличие Grammy. Он объясняет 25% дисперсии. За ним по уровню значимости следует участие в фильмах - 14%, стиль Country - 5% и 5% объясняет стаж на сцене. Интересно то, что стиль Country влияет отрицательно, так как из всего списка исполнителей у артистов в стиле Country меньше всего число видео на YouTube.

музыкальный индустрия прибыль кластерный

Таблица 2 Model Summary

Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	.519a	.269	.253	5871571.005
2	.649b	.421	.395	5283221.427
3	.696c	.484	.448	5048105.442
4	.743d	.552	.510	4755783.836

a. Predictors: (Constant), Получали Грэмми или нет

b. Predictors: (Constant), Получали Грэмми или нет, Фильмы

c. Predictors: (Constant), Получали Грэмми или нет, Фильмы, Country - style

d. Predictors: (Constant), Получали Грэмми или нет, Фильмы, Country - style, Годы активности

Суммируя эти данные можно сделать вывод, что действительно участие в фильмах повышает внимание к исполнителю, награда премии Grammy подтверждает его успех в сфере музыкальной индустрии.

Безусловно, годы активности определяют число запросов на YouTube, так как чем дольше исполнитель работает, тем больше видеоклипов и видео с концертов он имеет. Это можно учесть, модифицируя зависимую переменную, деля количество видео на годы активности исполнителя, для получения более точного результата.

В заключении нужно отметить, что стиль Country имеет самую низкую популярность из всех на YouTube, вот почему данный критерий необходимо учитывать, но с отрицательным значением.

Следующим этапом анализа данных является кластеризация собранных данных. Были выбраны переменные, по которым строились кластеры:

1) Hip-hop

2) R&B

3) Rock - Metal

4) Country

5) Наличие Grammy (да/нет)

6) Другие премии (да/нет)

7) Страна США

8) Съемка в фильмах

9) Наличие песни из альбома в топ 100 популярных песен

10) Наличие музыканта в семье (см. Рис. 1)

Рис.1

В результате анализа была получена дендрограмма. На ней наглядно показано, на каждом шаге, кто с кем объединялся. Данная степень похожести (выбирается самый близкий по показанным критериям артист).

На первом шаге объединились исполнители, которые со многом схожи, согласно используемым критериям. С каждым последующим шагом артисты кластеризуются с менее сильной связью, но по большему числу характеристик. Так они объединяются в группы, пока не создадут один большой кластер. Можно сказать, что в конце концов они примут вид исходных данных, тот самый том самых популярных артистом, по уровням продаж альбомов.

Итак, на первом шаге объединились следующие исполнители:

1) Cydni Lauper и Gwen Stefani

2) Ruth B и Lucas Ruhum

3) Goo Goo Dolls и Lauren Daigle

4) Tim MacGrow и Keith Urban

5) Bryson Tiller и Fetty Wap и G-Ezy

6) The Luminers и Disturbed

На следующем этапе группы увеличились и согласно критериям, которые применялись в данных расчётах, возникли более близкие по характеристикам большего следующего уровня группы:

1) Cydni Lauper и Gwen Stefani и Taylor Swift

2) Mike Posner и Melarie Martinas

3) Flo Rida и Carrie Underwood

4) Cole Swindel и Haisay

5) Tim MacGrow и Keith Urban и Chris Stampleton

6) Future и D. Cole

7) Beyonce и Kanye West

8) Bryson Tiller и Fetty Wap и G-Ezy и Rittz

9) Selena Gomes и Justin Bieber

Группы на следующем этапе (уровень 5 по 10):

1) Ruth B, Lukas Graham, Mike Posner, Melanie Martines

2) Flo Rida, Carrie Underwood, Meghan Trainor

3) Goo Goo Dolls, Lauren Daigne, Cole Swindell, Halsey

4) The Lumheers, Disturbed, Rob Zombie

5) The Lumheers, Disturbed, Rob Zombie

6) Justin Bieber, Zayn, The Weeknd

7) Alessia Cara, Jamese Blake

На уровне 10 в группы объединяются следующие исполнители:

1) Goo Goo Dolls, Lauren Daigne, Cole Swindell, Hatsey, Sam Hunt

2) The Lumheers, Disturbed, Rob Zombie

3) Alessia Cara, Jamese Blake

4) Sia, Adele

На следующем уровне объединились следующие исполнители:

1) The Lumheers, Disturbed, Rob Zombie, James Bay

2) Justin Bieber, Zayn, The Weeknd, Sia, Adele

3) Cyndi Laupes, Gwen Stefani, Taylor Swift, Ruth B, Lukas

4) Graham, Mike Posner, Melanie Martines, Flo Rida, Carrie Underwood, Meghan Trainor

И так далее. С каждым шагом число кластером снижается, а количество в них артистов увеличивается, объединённые по более удалённым сходим характеристикам, имеющие более слабую связь, чем на предыдущем шагу.

В соответствии с числом шага кластеризации можно провести анализ с более или менее подробным расчетом влияния характеристик на степень близости исполнителей.

Для примера объединения в кластеры представлена таблица, в которой все исполнители разделились на 3 разных группы в соответствие с более близкими друг у другу характеристиками. Данная кластеризация имеет только одного исполнителя во 2 втором кластере, вот почему важно расширить число кластеров.

Используя уровень кластеризации, при котором все исполнители объединились в 5 группы-кластера, можно получить следующие по ним данные. Проанализируем полученные в таблице данные. Необходимо обратить внимание, что в кластере 2 и 5 присутствует только один человек, вот почему его можно не учитывать в описании.

В первую очередь обратим внимание на переменные.

1) Среди Рор исполнителей в каждом из кластеров больше половины всех исполнителей составляют мужчины, только в 3 кластере их число с женщинами примерно равно и составляет около 50%;

2) В жанре Hip-hop также работают меньше половины в каждом кластере, интересно отметить, что в 4 кластере их число составляет 0%, вот почему можно сделать вывод, что за основу данной кластеризации был взят данный жанр, а именно его отсутствие;

3) В стиле R&B работают всего 10% 1 кластера, чуть больше половины 3 кластера и 100% исполнителей 4 кластера;

4) В стиле Pop играют 100% 3 кластера;

5) Стиль Country почти совсем отсутствует. Интересно то, что данный стиль в рассечете регрессии показал отрицательное влияние на популярность, это объявляет такое маленький процент среди популярных исполнителей;

6) Награду Grammy получили примерно по 30% в каждом кластере;

7) Наличие другим премий колеблется в районе 50% в каждом кластере;

8) Страна США объединила 1 кластер - почти 100% всех исполнителей из США, и половина приходится на 4 кластер;

9) Небольшое число исполнителей из Канады и Великобритании;

10) Практически нулевой процент приходится на исполнителей в каждом кластере из других стран;

11) Туры в 2016 году проводили больше половины исполнителей из 3 кластера;

12) В фильмах снялись больше половины процентов исполнителей из 3 кластера;

13) В каждом из кластеров наличие треков из альбомов исполнителей составляет около 50%;

14) Наличие музыкантов в семье исполнителей из 3 и 4 кластеров колеблется в районе 30%.

Опираясь на данные результаты можно дать характеристику каждому из трёх полученных кластеров.

Кластер 1:

Больше половины мужчин;

Примерно поровну исполняют треки в стиле Hip-hop, R&B и Pop;

Число премий Grammy и прочих примерно одинаково и составляет меньше 50%;

Почти 100 % исполнителей из США;

Меньше половины исполнителей проводили туры;

Почти вовсе не участвовали в съемках фильмов;

Больше половины исполнителей присутствуют в топ 100 самых популярных треков;

Почти никто не имел музыкантов в семье.

Кластер 3:

Количество мужчин и женщин среди исполнителей кластера почти равно 50%;

Все исполнители делятся на Pop и R&B, последний стиль явно преобладает над первым;

Получение других премий относится к большей части исполнителей;

Исполнители почти наполовину из Канады и Великобритании;

Больше половины исполнителей совершили туры в этом году;

Больше 50% исполнителей снимались в фильмах;

Больше половины составляют исполнители, треки которых входят в топ 100 популярных;

Небольшой процент исполнителей имели в семье музыканта;

Кластер 4:

Преобладают мужчины;

100% исполнителей работают в стиле Rock - Metal;

Больше половины исполнителей получили другие награды;

Исполнители разделились на 71% из США и 29% из Великобритании;

Меньшая часть исполнителей совершала туры;

Небольшой процент участвовал в съемках фильмов;

Небольшое количество исполнителей имело в семье музыкантов;

В заключении описания кластеров, ниже представлена таблица (см. Таблица 3 ), в которой обозначены основные отличительные характеристики кластеров.

Таблица 3

Кластер 1	Кластер 2	Кластер 3
В основном мужчины США Grammy Поп 100	Мужчины и женщины R&B Другие премии Туры Участие в фильмах	В основном мужчины Rock-Metal Другие премии Музыканты в семье

Кроме того, можно сделать вывод, что:

1) В Америке популярность в большей степени зависит от премий и наличия трека в топ 100 популярности;

2) А в стиле R&B исполнители получают больше других наград, чем Grammy, а так же такие исполнители участвуют в съемках в фильмах;

3) Rock-Metal исполняют мужчины и для таких исполнителей характерно наличие музыканта в семье.

Однако помимо отличительных свойств у кластеров есть и схожие моменты, которые определяют их популярность, не смотря на различные наборы переменных, определяющих их успех.

Объединяют Кластеры следующие критерии:

1) Преобладание мужчин;

2) Почти полное отсутствие исполнителей в стиле Country;

3) Преимущественно наличие наград и премий;

4) присутствие треков исполнителей в топ 100 популярных.

Данные критерии имеют так или иначе прямое или косвенное влияние на популярность артистов, данные критерии в большей степени объединяют кластеры, следовательно, на них необходимо делать больших упор и проводить более точные исследования. Важно заметить, что используя данные переменные, базируясь на перечисленные характеристики, можно сделать предварительный вывод о том или ином артисте. Так, например мужчина из США, играющий не в стиле Country, который снялся в фильме, наверняка окажется популярным. Безусловно, что данные приведенные в исследование и результаты нуждаются в доработке и проведении более тщательного исследования, однако, были найдены зависимые переменные, и получилось всех исполнителей объединить в кластеры, которые имеют чёткие схожие переменные.

Исследование имеет результаты, но не конечные. Необходимо расширить список данных и пробовать использование кластерного анализа для большего круга переменных. Тогда можно будет получить более подробные и точные данные, основываясь на которых определить набор характеристик, которые определят будущий успех и как следствие спрос на исполнителя.



ЗАКЛЮЧЕНИЕ

В процессе исследования были выполнены все поставленные задачи:

1. Изучение имеющейся научной литературы о современном состоянии музыкальной индустрии и о методах борьбы с её упадком;

2.Изучение математических моделей и выбор подходящей для оценки будущего спроса;

3. Описание и адаптация выбранной модели;

4. Сбор данных и проверка работы модели.

В данной работе, особое внимание было уделено методам оценке Больших Данных. А также возможность применить Большие данные с целью прогнозирования будущего спроса на артиста. Данный выбор обоснован тем, нелегальный файл-шеринга привел к потере доходов звукозаписывающих компании. Кроме того, традиционно, подбором артистов в сфере музыкальной индустрии занимается «отдел поиска талантов», выбор которых основан на собственном мнении и чутье. На данный момент нет ни одной математической модели, которая могла бы точно предсказать уровень успеха исполнителя, тем самым позволить продюсерам инвестировать средства эффективно.

Возможность прогнозировать будущее артиста всегда считалось утопией, так как критерии оценки успеха сводились к удаче. Вот почему, данная тема, а именно разработка инновационного метода оценки будущего спроса в сфере музыкальной индустрии, оказалась актуальной и бесспорно, в условиях упадка музыкальной индустрии в целом, данная модель станет интересна продюсерским и инвестиционным компаниям.

В процессе работы с данными и применение кластерного анализа было сделано заключение, что данный метод даёт результаты. Действительно, популярность артиста напрямую зависит от определённых характеристик. Важно то, что при сборе большего массива информации и различных данных, используя различные анализы Больших данных, в итоге можно получить реальные данные, на которые следует ориентироваться при выборе инвестировать в исполнителя проект.

Вывод о проведении исследования следующий: идея имеет развитие, необходимо приложить усилия, чтобы развить её, используя инновационные подходы. К субъективному мнению, такой продукт был бы интересен участницам музыкальной индустрии и полезен в эру цифровых технологий.



СПИСОК ЛИТЕРАТУРЫ

1. Аларен, С. (2013). Что несет нам музыкальное пиратство, сайт-блок Хабрахабр, Гиктаймс.

2. Асташин В. Как Big Data меняют современные финансы. [Электронный ресурс] // Mлbius: [сайт]. - URL : https://mebius.io/practice/how-big-data-has-modified-modern-finance (дата обращения 12.03.2016).

3. Борисов А.Б. Большой экономический словарь. [Текст] // 4-е изд., -- М.: Книжный мир, 2003. -- 895 с.

4. Брукинг Э. Интеллектуальный капитал [Текст] / Пер с англ.; под ред Л.Н. Ковалик. СПб.: Питер, 2007.

5. Власова, Н. (2008). Роман с клиентом: привлечение, ухаживание и удержание, ООО «Эксмо», г. Моксва, стр. 47-53.

6. Глебов О. Большие данные для всех: сомнения и перспективы. [Электронный ресурс] // Management: [сайт]. - URL: http://www.management.com.ua/ims/ims202.html (дата обращения: 7.02.2016).

7. Голубков, Е. П.(2008). Маркетинговые исследования, 4-е издание, ООО «Финпресс», г. Москва, стр. 43-78.

8. Духнич Ю. Интеллектуальный капитал: составляющие, управление, оценка [Электронный ресурс] // Корпоративный менеджмент: [сайт]. - URL : http://www.cfin.ru/management/strategy/competit/Intellectual_Capital.shtml (дата обращения: 5.02.2016).

9. Колесов А. Не пора ли вплотную заняться большими данными [Электронный ресурс] // Sybase [сайт]. - URL: https://www.sybase.ru/company/press/ne_pora_li_vplotnuyu_zanyatsya_bolshimi_dannymi (дата обращения: 5.03.2016).

10. Копылова Н. Базы данных - революционная эволюция [Электронный ресурс] // Лаборатория рекламы: [сайт]. - URL: http://www.advlab.ru/articles/article378.htm (дата обращения 13.03.2016).

11. Лукьянова А.Е. Похилько Оценка влияния ценности интеллектуального капитала на стоимость коммерческих банков [Текст] / С.Л. Вестник СПбГУ Сер. 8.2010. Вып. 1, - 2010 - С. 29 - 59

12. Майер-Шенбергер, В., Кеннет, К. Большие данные. Революция, которая изменит то, как мы живем работаем и мыслим [Текст] / пер. С англ. Инны Гайдюк. - М.: Манн, Иванов и Фабер, 2014. - 240 с.

13. Пострелова А. В., Донскова М. В. Оценка интеллектуального капитала предприятия [Текст] // Проблемы и перспективы экономики и управления: материалы II междунар. науч. конф. (г. Санкт-Петербург, июнь 2013 г.). -- СПб.: Реноме, 2013. -- С. 53-56.

14. Просвирина И.И. Интеллектуальный капитал: новый взгляд на нематериальные активы [Текст] // Финансовый менеджмент. - 2004. - №4.

15. Стюарт Т.А. Интеллектуальныи? капитал. Новыи? источник богатства организации? [Текст] / Пер. с англ. - М.: Поколение, 2007, стр.12

16. Райзберг Б. А., Лозовский Л. Ш., Стародубцева Е. Б. Современный экономический словарь. [Текст] // 5-е изд., перераб. и доп. -- М.: ИНФРА-М, 2007. -- 495 с.

17. Суслова Д. Интеллектуальный капитал: приказано сохранить [Электронный ресурс] // http://www.cnews.ru/articles/intellektualnyj_kapital_prikazano_sohranit (дата обращения: 7.02.2016).

18. Свердлов М. Большие данные и большое будущее [Электронный ресурс] // Rusbase : [сайт]. - URL : http://rusbase.com/opinion/big-data-is-dead/ (дата обращения: 6.02.2016).

19. Уильмс С.(2012). Музыкальное пиратство - это не проблема, а отговорка, сайт - блог Хабрахабра.

20. Уолкер, О.; Бойд, Х.; Ларше, Ж. К. (2006). Маркетинговые стратегии. Курс MBA, ООО «Вершина», г. Москва, стр. 246-302.

21. Фрэнкс, Б. Укрощение больших данных: как извлекать знания из массивов информации с помощью глубокой аналитики [Текст] / Билл Фрэнкс ; пер. С англ. Андрей Баранова. - М. : Манн, Иванов и Фабер, 2014. - 352 с.

22. Хруцкой, В.Е.(2009). Методика позиционирование товара из 7 шагов, Энциклопедия маркетинга, ООО «Финпресс», г. Москва, стр. 124-146.

23. Шепелявый Д. Большие данные (Big data) [Электронный ресурс] // Tadviser: [сайт]. - URL: http: //www.tadviser.ru/index.php/Статья:Большие_данные_(Big_Data) дата обращения 01.03.2016).

24. Abhijit Sen Ph.D. (2006). Music in the digital age: musicians and fan around the world “Come Together” on the net, Associate Professor Department of Mass Communications Winston-Salem State University Winston-Salem, North Carolina U.S.A.

25. Agular, L.; Waldforget, G. (2015). Streaming reaches flood stage: does spotify stimulate or depress music sales, University of Minnesota and NBER.

26. Brigham, D. (2001). 2000 Industry World Sales. IFPI annual report. April 9, 2001. Retrieved July 18, 2011.

27. Borland, J. (2004). "Music sharing doesn't kill CD sales, study says". C Net. Retrieved July 6, 2009.

28. Curieny, N.; Moreau, F. (2007). The Music Industry in the Digital Era: Towards New Contracts? AutoritИ de RИgulation des Communications Electroniques et des Postes.

29. Dilmperi, A. & King, T. & Dennis, C. (2011). Pirates of the web: The curse of illegal downloading. Journal of Retailing and Consumer Services.

30. Franco M. Battagello Michele Grimaldi Livio Cricelli, "A rational approach to identify and cluster intangible assets" // Journal of Intellectual Capital, Vol. 16 Iss 4 pp. - 2015. - p. 809 - 834?

31. Fouce, H. (2010). From music market crisis to new listening practices. International Technologies and Media in Digital Music.

32. Ipken, G. (2015). IFPI releases definitive statistics on global market for recorded music". Ifpi.org.

33. Galuszka, P. & Wyrzykowska, K.M. (2015). Running a record label when records don't sell anymore: empirical evidence from Poland Cambridge University Press.

34. Gandomir, A., Haider?, M. Beyond the hype: Big data concepts, methods, and analytics // International Journal of Information Management. - 2014. - 35 (2015) 137-144. - P. 137 - 144.

35. Ghosemajumder, S.(2002). Advanced Peer-Based Technology Business Models, MIT Sloan School of Management, 2002.

36. Giletti, T.(2012). Why pay if it's free? Streaming, downloading, and digital music consumption in the “iTunes era”, Department of media and communications.

37. Goldman, D. (2010). Music's lost decade: Sales cut in half, February 3.

38. Jesse C. Bockstedt, C. J.; Kauffman, R.S., Frederick, J. R. (2004). The move to artist-led online music distribution: explaining structural changes in the digital music market, Information and Decision Sciences Carlson School of Management University of Minnesota, Minneapolis.

39. Krasilovsky, M. W.; Shemel, S.; Gross, J. M.; Feinstein, J.,(2012) This Business of Music (10th ed.), Billboard Books.

40. Leliaert, Ph., Candries W., Tilmans R. Identifying and managing IC: a new classification // Journal of Intellectual Capital. - 2003. - Vol. 4, Number 2 . pp. 202--214.

41. Martins, J.C. & Slongo, L.A. (2014). The Digital Music Market: a study of Brazilian consumers' behavior. Revista brasileira de gestao de negacios.

42. Maurizio Massaro John Dumay Carlo Bagnoli, Where there is a will there is a way, Journal of Intellectual Capital, Vol. 16 Iss 3. - 2015 - pp. 490 - 517?

43. McCardle, M. (2010). The Freeloaders". The Atlantic. December 10, 2010.

44. Nathan, O. G. (2009). Recording studios are being left out of the mix, The Los Angeles Times, October 13.

45. Peeters, T.(2013). Identifying best marketing activities for independent music bands in today's music industry, Coventry University.

46. Pettey C., Goasduff, L. Gartner Says Solving 'Big Data' Challenge Involves More Than Just Managing Volumes of Data, Gartner Special Report, STAMFORD, Conn., - 2011.

47. Ringmacher, P., Vishnu, S., Castriota, T. The bigger the better. Big data in financial services [Text] // CAPCO report. - 2014. - P. 5-14.

48. Sinclair, D. & Green, T. (2015). Download or stream? Steal or buy? Developing a typology of today's music consumer. Journal of consumer behavior.

49. Smirke, R. (2011). "IFPI 2011 Report: Global Recorded Music Sales Fall 8.4%; Eminem, Lady Gaga Top Int'l Sellers". Billboard Magazine. Retrieved July 18, 2012.

50. SunEagle, T. (2010). Digital models of music: a case analysis of the music industry's response to technological changes, The Faculty of the School of Communication in Partial Fulfillment of the requirements for the degree of masters of arts in public communication.

51. The Nielsen Company & Billboard's 2011 Music Industry Report,” Business Wire (January 5, 2012 08:05 AM Eastern Daylight Time)

52. Waldfogel, J. (2012). Music piracy and its effects on demand, supply, and welfare, Carlson School and Department of Economics, University of Minnesota, and NBER.

53. Weijters, B. & Goedertier, F. & Verstreken, S. (2013). Online Music Consumption in Today's Technological Context: Putting the Influence of Ethics in Perspective, Journal of business ethics.



ПРИЛОЖЕНИЯ

Приложение 1

Excluded Variablesa

Model	Beta In	t	Sig.	Partial Correlation	Collinearity Statistics
					Tolerance
1	Годы активности	.346b	2.321	.025	.330	.666
	Пол исполнителя	.145b	1.091	.281	.162	.919
	Hip-Hop	.147b	1.146	.258	.170	.981
	R&B	.065b	.501	.619	.075	.980
	Rock Metal	-.181b	-1.438	.158	-.212	.999
	Pop	.176b	1.392	.171	.205	.999
	Country - style	-.348b	-2.928	.005	-.404	.983
	Другие премии	-.030b	-.232	.818	-.035	.978
	США	-.225b	-1.808	.078	-.263	.995
	Великобритания	.032b	.247	.806	.037	.999
	Канада	.286b	2.336	.024	.332	.987
	Другие_страны	.013b	.104	.918	.016	.996
	Был ли тур в 2016 году	.011b	.083	.934	.013	.908
	Топ 100 -- если не входят, 200	-.243b	-1.964	.056	-.284	1.000
	Фильмы	.392b	3.403	.001	.456	.989
	Включение в топ 100	.166b	1.314	.196	.194	1.000
	Музыканты в семье	.030b	.232	.818	.035	.983
2	Годы активности	.277c	2.015	.050	.294	.649
	Пол исполнителя	.171c	1.447	.155	.215	.915
	Hip-Hop	.088c	.750	.458	.114	.958
	R&B	.014c	.115	.909	.018	.963
	Rock Metal	-.159c	-1.397	.170	-.208	.996
	Pop	.136c	1.181	.244	.177	.987
	Country - style	-.261c	-2.279	.028	-.328	.912
	Другие премии	-.049c	-.416	.679	-.063	.976
	США	-.059c	-.456	.651	-.069	.788
	Великобритания	-.067c	-.566	.574	-.086	.940
	Канада	.180c	1.503	.140	.223	.889
	Другие_страны	-.037c	-.315	.754	-.048	.980
	Был ли тур в 2016 году	.022c	.177	.860	.027	.907
	Топ 100 -- если не входят, 200	-.168c	-1.452	.154	-.216	.956
	Включение в топ 100	.103c	.882	.382	.133	.971
	Музыканты в семье	.029c	.247	.806	.038	.983
3	Годы активности	.329d	2.539	.015	.365	.636
	Пол исполнителя	.084d	.674	.504	.103	.782
	Hip-Hop	.033d	.288	.775	.044	.911
	R&B	.007d	.064	.950	.010	.963
	Rock Metal	-.216d	-1.993	.053	-.294	.958
	Pop	.097d	.866	.391	.132	.961
	Другие премии	.013d	.116	.909	.018	.918
	США	-.010d	-.078	.938	-.012	.764
	Великобритания	-.098d	-.859	.395	-.131	.928
	Канада	.164d	1.423	.162	.214	.885
	Другие_страны	-.056d	-.498	.621	-.077	.975
	Был ли тур в 2016 году	.022d	.192	.849	.030	.907
	Топ 100 -- если не входят, 200	-.172d	-1.562	.126	-.234	.956
	Включение в топ 100	.128d	1.150	.257	.175	.962
	Музыканты в семье	-.032d	-.276	.784	-.043	.929
4	Пол исполнителя	.020e	.162	.872	.025	.744
	Hip-Hop	.033e	.299	.766	.047	.911
	R&B	-.027e	-.251	.803	-.039	.947
	Rock Metal	-.191e	-1.851	.071	-.278	.948
	Pop	.077e	.723	.474	.112	.955
	Другие премии	.005e	.049	.961	.008	.917
	США	.000e	.003	.998	.000	.763
	Великобритания	-.104e	-.972	.337	-.150	.927
	Канада	.154e	1.418	.164	.216	.884
	Другие_страны	-.050e	-.471	.640	-.073	.974
	Был ли тур в 2016 году	-.032e	-.290	.773	-.045	.873
	Топ 100 -- если не входят, 200	-.090e	-.792	.433	-.123	.839
	Включение в топ 100	.040e	.354	.725	.055	.847
	Музыканты в семье	-.033e	-.309	.759	-.048	.929

a. Dependent Variable: Число видео на завтра в YouTube

b. Predictors in the Model: (Constant), Получали Грэмми или нет

c. Predictors in the Model: (Constant), Получали Грэмми или нет, Фильмы d. Predictors in the Model: (Constant), Получали Грэмми или нет, Фильмы, Country - style



Приложение 2

Excluded Variables^a

Model	Beta In	t	Sig.	Partial Correlation	Collinearity Statistics
					Tolerance
1	Годы активности	.346b	2.321	.025	.330	.666
	Пол исполнителя	.145b	1.091	.281	.162	.919
	Hip-Hop	.147b	1.146	.258	.170	.981
	R&B	.065b	.501	.619	.075	.980
	Rock Metal	-.181b	-1.438	.158	-.212	.999
	Pop	.176b	1.392	.171	.205	.999
	Country - style	-.348b	-2.928	.005	-.404	.983
	Другие премии	-.030b	-.232	.818	-.035	.978
	США	-.225b	-1.808	.078	-.263	.995
	Великобритания	.032b	.247	.806	.037	.999
	Канада	.286b	2.336	.024	.332	.987
	Другие_страны	.013b	.104	.918	.016	.996
	Был ли тур в 2016 году	.011b	.083	.934	.013	.908
	Топ 100 -- если не входят, 200	-.243b	-1.964	.056	-.284	1.000
	Фильмы	.392b	3.403	.001	.456	.989
	Включение в топ 100	.166b	1.314	.196	.194	1.000
	Музыканты в семье	.030b	.232	.818	.035	.983
2	Годы активности	.277c	2.015	.050	.294	.649
	Пол исполнителя	.171c	1.447	.155	.215	.915
	Hip-Hop	.088c	.750	.458	.114	.958
	R&B	.014c	.115	.909	.018	.963
	Rock Metal	-.159c	-1.397	.170	-.208	.996
	Pop	.136c	1.181	.244	.177	.987
	Country - style	-.261c	-2.279	.028	-.328	.912
	Другие премии	-.049c	-.416	.679	-.063	.976
	США	-.059c	-.456	.651	-.069	.788
	Великобритания	-.067c	-.566	.574	-.086	.940
	Канада	.180c	1.503	.140	.223	.889
	Другие_страны	-.037c	-.315	.754	-.048	.980
	Был ли тур в 2016 году	.022c	.177	.860	.027	.907
	Топ 100 -- если не входят, 200	-.168c	-1.452	.154	-.216	.956
	Включение в топ 100	.103c	.882	.382	.133	.971
	Музыканты в семье	.029c	.247	.806	.038	.983
3	Годы активности	.329d	2.539	.015	.365	.636
	Пол исполнителя	.084d	.674	.504	.103	.782
	Hip-Hop	.033d	.288	.775	.044	.911
	R&B	.007d	.064	.950	.010	.963
	Rock Metal	-.216d	-1.993	.053	-.294	.958
	Pop	.097d	.866	.391	.132	.961
	Другие премии	.013d	.116	.909	.018	.918
	США	-.010d	-.078	.938	-.012	.764
	Великобритания	-.098d	-.859	.395	-.131	.928
	Канада	.164d	1.423	.162	.214	.885
	Другие_страны	-.056d	-.498	.621	-.077	.975
	Был ли тур в 2016 году	.022d	.192	.849	.030	.907
	Топ 100 -- если не входят, 200	-.172d	-1.562	.126	-.234	.956
	Включение в топ 100	.128d	1.150	.257	.175	.962
	Музыканты в семье	-.032d	-.276	.784	-.043	.929
4	Пол исполнителя	.020e	.162	.872	.025	.744
	Hip-Hop	.033e	.299	.766	.047	.911
	R&B	-.027e	-.251	.803	-.039	.947
	Rock Metal	-.191e	-1.851	.071	-.278	.948
	Pop	.077e	.723	.474	.112	.955
	Другие премии	.005e	.049	.961	.008	.917
	США	.000e	.003	.998	.000	.763
	Великобритания	-.104e	-.972	.337	-.150	.927
	Канада	.154e	1.418	.164	.216	.884
	Другие_страны	-.050e	-.471	.640	-.073	.974
	Был ли тур в 2016 году	-.032e	-.290	.773	-.045	.873
	Топ 100 -- если не входят, 200	-.090e	-.792	.433	-.123	.839
	Включение в топ 100	.040e	.354	.725	.055	.847
	Музыканты в семье	-.033e	-.309	.759	-.048	.929

a. Dependent Variable: Число видео на завтра в YouTube

b. Predictors in the Model: (Constant), Получали Грэмми или нет

c. Predictors in the Model: (Constant), Получали Грэмми или нет, Фильмы d. Predictors in the Model: (Constant), Получали Грэмми или нет, Фильмы, Country - style

e. Predictors in the Model: (Constant), Получали Грэмми или нет, Фильмы, Country - style, Годы активности



Приложение 3



Приложение 4

	Average Linkage (Between Groups)
	1	2	3
	Count	Count	Count
Сценическое имя исполнителя/ Группы	Adele	0	0	1
	Alessia Cara	0	0	1
	Andy Black	1	0	0
	Beyonce	1	0	0
	Bryson Tiller	1	0	0
	Carrie Underwood	1	0	0
	Chris Stapleton	1	0	0
	Cole Swindell	1	0	0
	Cyndi Lauper	1	0	0
	Disturbed	1	0	0
	Drake	0	1	0
	Ed Sheeran	0	0	1
	Fetty Wap	1	0	0
	Flo Rida	1	0	0
	Future	1	0	0
	G-Eazy	1	0	0
	Goo Goo Dolls	1	0	0
	Gwen Stefani	1	0	0
	Halsey	1	0	0
	J. Cole	1	0	0
	James Bay	1	0	0
	James Blake	0	0	1
	Jeremih	1	0	0
	Justin Bieber	0	0	1
	Kanye West	1	0	0
	Keith Urban	1	0	0
	Kevin Gates	1	0	0
	Lauren Daigle	1	0	0
	Lukas Graham	1	0	0
	Luke Bryan	1	0	0
	Meghan Trainor	1	0	0
	Melanie Martinez	1	0	0
	Mike Posner	1	0	0
	Panic! At The Disco	1	0	0
	Radiohead	1	0	0
	Rihanna	1	0	0
	Rittz	1	0	0
	Rob Zombie	1	0	0
	Ruth B	1	0	0
	Sam Hunt	1	0	0
	Selena Gomez	0	0	1
	Sia	0	0	1
	Taylor Swift	1	0	0
	The Lumineers	1	0	0
	The Weeknd	0	0	1
	Thomas Rhett	1	0	0
	Tim McGraw	1	0	0
	Twenty one pilots	1	0	0
	Zayn	0	0	1



Приложение 5

	Average Linkage (Between Groups)
	1	2	3	4	5
	Column N %	Column N %	Column N %	Column N %	Column N %
Пол исполнителя	Мужчины	71%	100%	56%	83%	0%
	Женщины	29%	0%	44%	17%	100%
Hip-Hop	нет	65%	0%	89%	100%	100%
	да	35%	100%	11%	0%	0%
R&B	нет	90%	100%	44%	100%	0%
	да	10%	0%	56%	0%	100%
Rock Metal	нет	100%	100%	100%	0%	100%
	да	0%	0%	0%	100%	0%
Pop	нет	65%	100%	0%	86%	100%
	да	35%	0%	100%	14%	0%
Country - style	нет	74%	100%	100%	100%	100%
	да	26%	0%	0%	0%	0%
Получали Грэмми или нет	нет	65%	0%	78%	71%	0%
	да	35%	100%	22%	29%	100%
Другие премии	нет	58%	0%	33%	43%	100%
	да	42%	100%	67%	57%	0%
США	Нет	6%	100%	89%	29%	0%
	Да	94%	0%	11%	71%	100%
Великобритания	Нет	100%	100%	56%	71%	100%
	Да	0%	0%	44%	29%	0%
Канада	Нет	97%	0%	67%	100%	100%
	Да	3%	100%	33%	0%	0%
Другие_страны	Нет	97%	100%	89%	100%	100%
	Да	3%	0%	11%	0%	0%
Был ли тур в 2016 году	нет	58%	100%	33%	71%	0%
	да	42%	0%	67%	29%	100%
Фильмы	нет	94%	0%	33%	86%	0%
	да	6%	100%	67%	14%	100%
Включение в топ 100	нет	39%	0%	44%	57%	0%
	да	61%	100%	56%	43%	100%
Музыканты в семье	Нет	94%	0%	67%	71%	100%
	Да	6%	100%	33%	29%	0%

Размещено на Allbest.ru