การค้นหาและบริโภคเพลงในยุคดิจิทัล: กรณีของ Last.fm

งานชิ้นนี้วิเคราะห์แพลตฟอร์มสื่อสังคมออนไลน์สำหรับการค้นหาและบริโภคเพลงของ Last.fm ซึ่งเป็นบริษัท Start-up ที่ก่อตั้งขึ้นในประเทศอังกฤษเมื่อปี ค.ศ. 2002 และ Last.fm ก็ทำหน้าที่เหมือน ๆ กับแพลตฟอร์มการฟังเพลงอื่น ๆ เช่น Joox, Spotify และ Apple Music เชื่อมต่อผู้ฟังเข้ากับเพลง บทความนี้จะวิเคราะห์สถาปัตยกรรมสารสนเทศ (information architecture) ของ Last.fm ซึ่งช่วยทำให้ผู้ฟังสามารถที่จะหาเพลงที่พวกเขาอยากฟังได้เจอ ในกรณีที่เพลงที่ผู้ฟังสามารถเลือกที่จะบริโภคได้นั้นมีจำนวนมหาศาล อย่างไรก็ตาม Last.fm มีความแตกต่างจากแพลตฟอร์มการฟังเพลงอื่น ๆ ตรงที่ว่าสถาปัตยกรรมสารสนเทศของ Last.fm ถูกสร้างขึ้นโดยข้อมูลจากผู้ฟังเป็นหลัก และมีรายละเอียดดังต่อไปนี้

รูปที่ 1 แสดงแผนภูมิโครงสร้างสถาปัตยกรรมของ Last.fm ที่เปิดโอกาสให้ผู้ฟังเพลงสามารถดาวน์โหลด Plugin ที่สามารถใช้กับแพลตฟอร์มการฟังเพลงได้หลากหลาย ไม่ว่าจะเป็น Spotify, YouTube, iTune และ Winamp ขณะที่ผู้ฟังฟังเพลงบนแพลตฟอร์มเหล่านั้น ก็จะส่งชื่อเพลงและชื่อศิลปินที่กำลังฟังอยู่ให้กับ Last.fm ผ่าน Application Programming Interface (API) และ Last.fm ก็จะสร้างหน้าโพรไฟล์สำหรับศิลปินนั้น ๆ ขึ้นมาให้เป็นระบบ เพื่อบันทึก playcount หรือจำนวนครั้งที่แต่ละเพลงของศิลปินนั้น ๆ ถูกฟัง

ขณะเดียวกันแพลตฟอร์มก็จะสร้างหน้าโพรไฟล์ของผู้ฟังเพลงขึ้นมาด้วย เป็นการบันทึกว่าผู้ฟังเพลงฟังเพลงอะไรของศิลปินคนไหน มากไปกว่านั้น ผู้ฟังเพลงสามารถที่จะ tag ศิลปินและเพลงต่าง ๆ ไปพร้อมกันด้วย โดยจะ Tag เป็นคำอะไรก็ได้ โดยอาจเกี่ยวกับชนิดของเพลง ประเภทของเพลง หรืออารมณ์ของเพลง ในลักษณะนี้ Last.fm จะใช้ทั้งข้อมูล playcount และ tag เพื่อสร้างคะแนนความเหมือนระหว่างศิลปิน (similarity score) ในการคัดแยก และรวมกลุ่มศิลปินต่าง ๆ ไว้ด้วยกัน ในขณะเดียวกัน Last.fm ได้ใช้คะแนนความเหมือนเพื่อแนะนำศิลปินใหม่ ๆ ให้แก่ผู้ฟังด้วย โดยหลักการนี้ Last.fm ทำงานเหมือนระบบแนะนำสินค้าอัตโนมัติทั่วไป (recommender system) โดยระบบจะแนะนำศิลปินใหม่ ๆ ที่เหมือนกับศิลปินเก่าที่ผู้ฟังชอบและฟังบ่อย ๆ

รูปที่ 2 แสดงคะแนนค่าความเหมือนระหว่างศิลปินวง Coldplay กับกลุ่มอื่น ๆ (รวมศิลปินเดี่ยว) จะเห็นได้ว่า Last.fm ระบุว่าวง Kaene วง OneRepublic และวง Imagine Dragons มีความเหมือนกับวง Coldplay ในระดับ “super similarity” ขณะที่ James Blunt และวง The Killers มีความเหมือนกับวง Coldplay ในระดับ “very high similarity”

โดยปกติระบบแนะนำสินค้าอัตโนมัติจะใช้ข้อมูลเพียงอย่างเดียว (ในกรณีนี้คือ playcount) เพื่อคำนวณคะแนนความเหมือน แต่ Last.fm พบว่าจะใช้ข้อมูล playcount เพียงอย่างเดียวไม่ได้ เพราะอาจจะทำให้ระบบของ Last.fm คำนวณว่าศิลปินคนละประเภท (genre) มีความคล้ายกัน ดังนั้น Last.fm จึงได้ใช้ข้อมูล tag ควบคู่ไปกับข้อมูล playcount เพื่อที่จะคำนวณคะแนนความเหมือนด้วย

รูปที่ 3 แสดงศิลปินที่ระบบ Last.fm แนะนำให้ตัวผู้เขียน โดยระบบ Last.fm แนะนำวง ETC. ให้ผู้เขียนเป็นอันดับแรก ขณะที่ผู้เขียนได้ฟังเพลงของวง ETC. ไปเพียงไม่กี่ครั้ง เพราะวง ETC. มีความคล้ายคลึงกับศิลปินที่ผู้เขียนฟังบ่อย ๆ ซึ่งกลุ่มนั้นคือวง Crescendo ที่ผู้เขียนฟังไปถึง 58 ครั้ง

ปัญหาสำคัญที่ Last.fm ประสบคือชื่อของศิลปินและชื่อเพลงที่ผู้ฟังส่งมาให้ระบบ Last.fm ไม่สอดคล้องกัน เนื่องจากแพลตฟอร์มการฟังเพลงแต่ละแพลตฟอร์มใช้มาตรฐานต่างกันในการตั้งชื่อศิลปินและชื่อเพลง ยิ่งไปกว่านั้น เมื่อผู้ฟังเพลงฟังจาก mp3 บนเครื่องคอมพิวเตอร์ของตัวเอง ผู้ฟังจะปรับชื่อศิลปินและชื่อเพลงได้ตามความต้องการ โดยการเปลี่ยนข้อมูลที่ถูกเก็บบน ID3 Tag¹

ความไม่สอดคล้องเหล่านี้เป็นปัญหาสำคัญสำหรับ Last.fm เนื่องจากมนุษย์สามารถจัดการกับความไม่สอดคล้องกันนี้ได้โดยง่าย แต่ไม่ใช่เรื่องง่ายสำหรับระบบคอมพิวเตอร์ ที่เห็นได้ชัดเจนเมื่อผู้ฟังเพลงบางกลุ่มเขียนชื่อศิลปินเป็นภาษาอังกฤษ ขณะที่ผู้ฟังเพลงบางกลุ่มเขียนชื่อศิลปินเป็นภาษาไทย playcount ที่เกิดจากผู้ฟังเพลงสองกลุ่มนี้ ไม่สามารถเอามารวมกันได้

Last.fm จึงได้สร้างระบบ autocorrection system ขึ้น โดยผู้ที่ฟังเพลงบนคอมพิวเตอร์ของตนเองต้องส่งชื่อศิลปินและชื่อเพลงที่ฟังมาพร้อมกับ audio fingerprint² ให้ทาง Last.fm โดยที่ audio fingerprint นั้น ทำหน้าที่เป็น unique identifier ของแต่ละเพลง เหมือนลายนิ้วมือของเพลงที่ถูกสร้างขึ้นมาจากข้อมูลเสียงเพลงนั้น ๆ เป็นผลให้ Last.fm สามารถรวบรวมชื่อศิลปินและชื่อเพลงที่ไม่มีความสอดคล้องกันได้อย่างง่ายดาย และยังสามารถตัดสินใจเลือกชื่อศิลปินและชื่อเพลงเพียงชื่อเดียวจากหลาย ๆ ชื่อที่ไม่มีความสอดคล้องมาใช้เป็นมาตรฐานในระบบ Last.fm ได้อีกด้วย

จะเห็นได้ว่า audio fingerprint ที่ Last.fm สร้างขึ้นมานี้ ทำให้ข้อมูลมีคุณภาพดีขึ้น และทำให้งานที่ยุ่งยากและดูเหมือนไม่มีวันเสร็จสิ้น สามารถสร้างความลงตัวขึ้นมาได้อย่างง่ายดาย

แพลตฟอร์ม Last.fm นี้ ยังได้สร้างประโยชน์เพิ่มขึ้นโดยใช้ตัวเองเป็นสื่อสังคมออนไลน์ที่ช่วยเหลือให้ผู้ฟังเพลงได้มีโอกาสพูดคุยและส่งคำขอเป็นเพื่อนกันได้ด้วย อีกทั้งยังช่วยให้กลุ่มต่าง ๆ เหล่านี้สามารถคุยเรื่องต่าง ๆ ที่มีความสนใจเหมือนกันโดยการดูข้อมูล playcount ของกันและกัน ดังรูปที่ 4

สรุปได้ว่า Last.fm เป็นแพลตฟอร์มที่ให้ประโยชน์กับผู้ฟังเพลง ทำให้ผู้ฟังเพลงสามารถค้นหาและบริโภคเพลงด้วยปัจจัย 4 ประการ คือ

1. ระบบแนะนำเพลงอัตโนมัติ ที่ Last.fm สร้างขึ้นจากข้อมูลของผู้ฟังเพลง ที่แสดงออกมาในข้อมูล playcount และข้อมูล tag โดยเลือกแนะนำศิลปินที่ผู้ฟังไม่เคยฟังหรือไม่คุ้นชิน แต่มีลักษณะของเพลงหรือของศิลปินที่คล้ายกับเพลงที่ผู้ฟังเคยฟังบ่อย ๆ ระบบที่ Last.fm ใช้นี้เรียกว่า collaborative filtering recommender system หรือระบบแนะนำสินค้าอัตโนมัติที่ถูกสร้างขึ้นมาโดยข้อมูลจากผู้ใช้เป็นหลัก ซึ่งในที่นี้คือการสร้างจากข้อมูลของผู้ฟังเพลง วิธีการนี้แตกต่างจาก content-based recommender system หรือระบบแนะนำสินค้าอัตโนมัติที่ถูกสร้างขึ้นมาโดยข้อมูลของสินค้าเป็นหลัก ซึ่งเป็นระบบที่ใช้ในแพลตฟอร์มการค้นหาเพลงที่มีชื่อว่า Pandora ของประเทศสหรัฐอเมริกา ระบบนี้สร้างความเหมือนจากลักษณะของเพลงและศิลปินโดยตรง เช่น ความเร็วของเพลง เพศของนักร้องนำ และเครื่องดนตรีที่ใช้

2. คุณภาพของข้อมูล อย่างที่กล่าวมาข้างต้น ข้อมูลในอุตสาหกรรมดนตรีนั้นมีปัญหามาก เนื่องจากความสับสนเมื่อผู้ฟังเพลงเปลี่ยนข้อมูลเกี่ยวกับเพลง (metadata) เช่น ชื่อเพลง และชื่อศิลปิน ด้วยการปรับแก้ ID3 Tag ซึ่งปัญหานี้ Last.fm ได้แก้ไขโดยการสร้าง autocorrection system แต่ก็ยังมิอาจแก้ปัญหาได้อย่างสมบูรณ์ ปัญหาของข้อมูลในลักษณะนี้จึงยังเป็นปัญหาของอุตสาหกรรมดนตรีต่อไป ตราบใดที่ไม่มีองค์กรดูแล metadata ของอุตสาหกรรมดนตรีแบบรวมศูนย์ ซึ่งการรวมศูนย์นั้นคงทำได้ยากมาก เพราะจำนวนเพลงที่ถูกผลิตมาในแต่ละปีทั่วโลกนั้นมีจำนวนมหาศาล

3. สื่อสังคมออนไลน์ ผู้ฟังเพลงสามารถที่จะทำความรู้จักกันได้บน Last.fm และยังสามารถเรียนรู้รสนิยมในการฟังเพลงซึ่งกันและกันได้ ด้วยการดูข้อมูลการฟังเพลงของเพื่อนและลองฟังตามดู ข้อเสียของระบบแนะนำเพลงอัตโนมัติคือระบบจะแนะนำเพลงที่มีความเหมือนกับเพลงที่ผู้ฟังเพลงเคยฟังมาก่อนแล้ว ซึ่งไม่มีความแปลกใหม่ การใช้สื่อสังคมออนไลน์ควบคู่ไปกับระบบแนะนำเพลงอัตโนมัติบน Last.fm สามารถที่จะช่วยแก้ปัญหาระบบแนะนำเพลงอัตโนมัติแบบเก่าได้ เพราะข้อมูลการฟังเพลงของแต่ละคนจะมีความหลากหลายมากกว่าเพลงที่ถูกแนะนำโดยระบบอัตโนมัติ

4. ปริมาณของข้อมูล จะเห็นได้ว่า Last.fm สามารถที่จะดำเนินการอยู่ได้เพราะปริมาณข้อมูลจากผู้ฟังเพลงที่ส่งมาให้ หากมีเพลงใหม่ถูกปล่อยออกมา แต่ไม่มีข้อมูลเกี่ยวกับเพลงใหม่ ๆ นั้นอยู่ในระบบ Last.fm (เนื่องจากผู้ฟังเพลงไม่ส่งข้อมูลมาให้) ผู้ฟังเพลงอื่น ๆ จะไม่สามารถค้นหาเพลงนั้นได้ และ Last.fm ก็จะไม่สามารถแนะนำเพลงนั้น ๆ ได้ จะเห็นได้ว่าข้อมูลที่ผู้ฟังเพลงส่งไปให้แพลตฟอร์มเป็นสิ่งที่จำเป็นอย่างยิ่ง เป็นลักษณะของการพึ่งพาอาศัยซึ่งกันและกัน

รูปที่ 5 แสดงให้เห็นกรอบความคิดเรื่องการค้นหาและการบริโภคเพลงบน Last.fm น่าจะมีสมมุติฐานดังต่อไปนี้:

1. การค้นหาเพลงที่ผู้ฟังชอบได้ง่าย ๆ จะทำให้ผู้ฟังบริโภคเพลงมากขึ้น (H1)
2. การใช้สื่อสังคมออนไลน์ใน Last.fm ที่เลือกเพลงมาเป็นกิจกรรมทางสังคม จะทำให้ผู้ฟังบริโภคเพลงมากขึ้น (H2)
3. การใช้ระบบแนะนำเพลงอัตโนมัติมากขึ้น ทำให้ผู้ฟังสามารถค้นหาเพลงได้ง่ายขึ้น (H3)
4. การใช้สื่อสังคมออนไลน์ ทำให้ผู้ฟังสามารถค้นหาเพลงได้ง่ายขึ้น (H4)
5. การที่คุณภาพข้อมูลเพิ่มขึ้น ทำให้ผู้ฟังสามารถค้นหาเพลงได้ง่ายขึ้น (H5)

รูปที่ 6 แสดงให้เห็นถึงสัดส่วนของผู้ฟังเพลงทั้งหมดของ Last.fm จำแนกตามปีที่ผู้ฟังเพลงเริ่มใช้ Last.fm โดยเริ่มตั้งแต่ปี ค.ศ. 2002 ถึงต้นปี ค.ศ. 2009 ที่ผู้ฟังเพลงสามารถฟังเพลงจาก Last.fm ได้โดยตรงโดยไม่ต้องเสียค่าใช้จ่าย การที่ไม่เสียค่าใช้จ่ายนี้ทำให้จำนวนผู้ฟังเพลงของ Last.fm เติบโตอย่างรวดเร็ว แต่เนื่องจาก Last.fm ได้ปรับโมเดลธุรกิจเพื่อมุ่งเน้นการค้นหาเพลงอย่างเดียวแทน (ผู้ฟังเพลงต้องเสียค่าใช้จ่ายหากฟังเพลงผ่าน Last.fm โดยตรง) เป็นผลให้ฐานของผู้ฟังเพลง Last.fm เติบโตในอัตราที่ลดลงทันที ซึ่งเป็นผลโดยตรง ทำให้อัตราการเติบโตของข้อมูลที่ Last.fm เก็บได้ลดลงไปด้วย ดังนั้น Charoenpanich and Aaltonen (2015) จึงได้ประมาณการโมเดลในรูปที่ 5 สองครั้ง สำหรับทั้งข้อมูลในช่วงปีก่อนหน้า ค.ศ. 2009 ที่ให้ฟังเพลงฟรี และหลังจากที่ต้องจ่ายเงิน เพื่อประเมินผลกระทบของการเติบโตของข้อมูลต่อการค้นหาและการบริโภคเพลงดังจะกล่าวในส่วนต่อไป

ผู้ฟังเพลงของ Last.fm ทุกคนจะมี unique identifier ซึ่งเป็นชุดตัวเลขผูกติดไว้กับบัญชีของผู้ฟัง Charoenpanich and Aaltonen (2015) ได้ใช้ rejection sampling เพื่อรวบรวมกลุ่มตัวอย่างผู้ฟังเพลง ซึ่งถือเป็นตัวแทนของผู้ฟังเพลงทั้งหมดใน Last.fm (representative sample) โดยได้รวบรวมข้อมูลจากผู้ฟังเพลงจำนวน 12,839 ราย และได้รวบรวมเอาข้อมูลจากผู้ฟังเพลงแต่ละรายจาก application programming Interface ของ Last.fm ได้แก่

1. ข้อมูลการฟังเพลงทั้งหมด
2. ข้อมูลเพื่อนในสื่อสังคมออนไลน์
3. ข้อมูลการแก้ metadata ของเพลง โดยระบบ autocorrection system
4. รายชื่อของศิลปินที่มีความเหมือนกับศิลปินที่ผู้ฟังเพลงในกลุ่มตัวอย่างบริโภค

การเก็บข้อมูลสิ้นสุดเมื่อวันที่ 30 มิถุนายน 2014 ผู้ฟังเพลงในกลุ่มตัวอย่างได้ฟังเพลงไปจำนวน 18,804,444 ครั้ง จากศิลปินจำนวน 221,615 ศิลปิน ข้อมูลที่ได้ถูกนำมารวบรวมและจัดสร้างเป็นฐานข้อมูลเพื่อใช้ในการประมาณการในโมเดลในรูปที่ 5 ดังต่อไปนี้

1. การบริโภคเพลง วัดจากจำนวนเพลงที่ฟังในแต่ละปี
2. การค้นหาเพลง วัดจากการกระจุกตัวของเพลงจากศิลปินต่าง ๆ ในแต่ละปี ยิ่งผู้ฟังเพลงสามารถค้นหาเพลงที่ชอบได้มากขึ้นเท่าใด การกระจุกตัวของศิลปินในข้อมูลนั้นจะยิ่งเพิ่มขึ้น เช่น ถ้าผู้ฟังเพลงได้ฟังเพลงของศิลปินคนหนึ่งแล้วชอบ ผู้ฟังเพลงก็จะหาเพลงของศิลปินคนนั้นมาฟังมากขึ้น ทำให้มีการกระจุกตัวยิ่งขึ้น
3. การใช้ระบบแนะนำเพลงอัตโนมัติ วัดโดยความเหมือนของศิลปินที่ผู้ฟังเพลงบริโภค เทียบกับศิลปินที่ผู้ฟังได้บริโภคมาก่อน การที่ความเหมือนเพิ่มขึ้นบ่งบอกถึงการใช้ระบบแนะนำเพลงอัตโนมัติ เนื่องจากระบบแนะนำเพลงอัตโนมัตินี้จะแนะนำเพลงจากศิลปินที่เหมือนกับศิลปินที่ผู้ฟังเพลงบริโภคอยู่แล้ว
4. คุณภาพของข้อมูล วัดจากจำนวนชื่อของศิลปินที่ผู้ฟังเพลงบริโภค และได้แก้ให้ถูกต้องโดยระบบ autocorrection system
5. การใช้สื่อสังคมออนไลน์ วัดจากจำนวนเพื่อนที่ผู้ฟังเพลงมีใน Last.fm

Charoenpanich and Aaltonen (2015) ได้ใช้ฐานข้อมูลที่กล่าวมาแล้วเพื่อที่จะประมาณการโมเดลในรูปที่ 5 ด้วยวิธี pooled panel-data regression โดยได้ทำการประมาณการโมเดลในช่วงก่อนและหลัง ค.ศ. 2009 เพื่อวิเคราะห์ผลกระทบจากการเปลี่ยนแปลงของปริมาณข้อมูลที่แพลตฟอร์มสามารถเก็บได้ อันเนื่องมาจากการที่ Last.fm เปลี่ยนแปลงนโยบายการฟังเพลง ผลของการวิเคราะห์สนับสนุนสมมุติฐานที่ 1 ถึง 5 ที่ได้กล่าวมาแล้ว และยังได้สนับสนุนแนวคิดที่ว่าปริมาณของข้อมูลเป็นปัจจัยสำคัญในการช่วยทำให้ผู้ฟังเพลงสามารถค้นหาและบริโภคเพลงด้วย รูปที่ 7 เปรียบเทียบผลจากปัจจัยต่าง ๆ ต่อการบริโภคเพลงบน Last.fm จะเห็นว่าการที่ผู้ฟังเพลงใช้ข้อมูลที่มีคุณภาพดีขึ้น และใช้ระบบแนะนำเพลงอัตโนมัติหรือสื่อสังคมออนไลน์มากขึ้นจะทำให้ผู้ฟังเพลงบริโภคเพลงมากขึ้น ทั้งนี้ การเพิ่มขึ้นดูเหมือนน้อยเมื่อเทียบกับการลดลงของการบริโภคเพลงเมื่อ Last.fm เปลี่ยนแปลงนโยบายการฟังเพลง ทำให้ปริมาณข้อมูลที่ Last.fm สามารถที่จะเก็บได้เติบโตช้าลง สามารถสรุปสั้น ๆ ได้ว่า ถึงแม้ว่าการค้นหาและบริโภคเพลงแบบใหม่จะสร้างคุณค่า แต่ก็เป็นคุณค่าที่ด้อยกว่าความสามารถที่จะฟังเพลงได้ฟรี หรือคุณค่าที่มาจากปริมาณของข้อมูล

Charoenpanich and Aaltonen (2015) ได้ตีแผ่ความสำคัญของการวิเคราะห์สถาปัตยกรรมสารสนเทศแบบองค์รวมเพื่อหาปัจจัยที่ทำให้ผู้ใช้ค้นหาเนื้อหาที่สนใจได้พบ การใช้ระบบแนะนำสินค้าอัตโนมัติ (ในกรณีของ Last.fm คือ เพลง) ไม่ใช่ยาวิเศษที่จะทำให้ผู้ใช้เจอเนื้อหาที่พอใจตลอดเวลา เพราะระบบแนะนำสินค้าอัตโนมัติจะแนะนำสินค้าที่เหมือนกับสินค้าที่ผู้ใช้เคยใช้อยู่แล้ว ผู้ใช้จึงอาจรู้สึกว่าสินค้าที่ถูกแนะนำไม่มีความแปลกใหม่ ที่สำคัญมากที่สุดคือข้อมูล โดยเฉพาะแพลตฟอร์มที่จัดเรียงเนื้อหาด้วยข้อมูลผู้ใช้ เพราะหากไม่มีข้อมูลผู้ใช้ก็จะไม่สามารถจัดเรียงเนื้อหาได้ นอกจากนี้ คุณภาพของข้อมูลและการเลียนแบบรสนิยมผ่านการใช้สื่อสังคมออนไลน์ก็มีความสำคัญเช่นกัน ประเด็นเหล่านี้มีความสำคัญมากในยุคดิจิทัล เมื่อเนื้อหาที่ผู้คนเข้าถึงได้มีจำนวนมหาศาล เพราะสิ่งที่ผู้ใช้ค้นพบ ตัวผู้ใช้ก็จะเปลี่ยนแปลงไปตามเนื้อหาที่บริโภคนั้นเอง ดังนั้น ปริมาณข้อมูลที่ผู้ใช้ส่งมาให้แพลตฟอร์มจึงมีคุณค่าอย่างยิ่ง

Charoenpanich, A. and A. Aaltonen “(How) Does Data-based Music Discovery Work?” European Conference on Information Systems 2015.

Charoenpanich, A. (2017) Information Organization of social media platforms: the case of Last.fm. PhD thesis, The London School of Economics and Political Science (LSE).