Schlagwort-Archiv: last.fm Statistiken

Quantified Self: September 2013

  • 60,5 offene Chrome-Tabs

    Mehr dazu im Github-Repository chromeProcesses. Im Durchschnitt.
    Seit September läuft bei mir im Hintergrund ein kleines Skript, das die Anzahl der Chrome-Tabs notiert. Die Auswertung ergab: Im Durchschnitt habe ich ca. 60,5 Tabs in Chrome geöffnet. Tabs sind so etwas wie To-Do-Listen bei mir.
    Schaut man sich die Punktewolke an, erkennt man, dass es neben kurzfristigen Schwankungen in der Tabanzahl auch überlagernde Berge und Täler gibt.
    Die kurzfristigen Schwankungen sind vermutlich Artikel, die ich mir in einer Surf-Session zum späteren Lesen geöffnet habe und dann langsam abarbeite. Die größeren Unterschiede in der Zahl sind mehr oder minder ähnlich: Artikel, Videos, Links, Texte die ich offen lasse, um sie irgendwann später weiter zu bearbeiten — sei es zu lesen, zu twittern, zu mailen, oder zu bloggen1.
    Die Auswertung habe ich in Python gemacht, das ich dafür erst einmal etwas besser kennen lernen musste.2 Gefällt mir gut!
    Die Python-Skripte sowie alles andere Notwendige (wie das Tab-aufnehmende Shell-Skript) findet ihr in einem frisch eingerichteten Github-Repository: AndiH/QuantifiedSelf.

  • 460 000 Tastenanschläge

    Heatmap 15 000 pro Tag. Das ist eine Taste alle 5 Sekunden.3 Ich schaffe ca. 150 Wörter pro Minute, wenn ich (deutsche) Fließtexte schreibe.4
    Gemessen habe ich das mit Typingstats, einem kleinen Tool aus dem Mac-App-Store, das die Tastaturanschläge aufzeichnet.
    Mit über 40 000 Anschlägen ist die Leertaste, oh Wunder, die am häufigsten von mir getroffene Taste im September. Danach kommt das E (32 000), schließlich schreibe ich meistens deutsch und eher selten türkisch oder portugiesisch. Es folgt Shift, danach: A, S, I, N.
    Letzteres ist interessant: Die Reihenfolge der Buchstaben anhand ihrer Benutzungshäufigkeit im Deutschen ist E, N, I, S, R, A. Insbesondre A und S sind bei mir anders platziert. Deren Position trifft eher auf die Verteilung im Englischen zu — obwohl ich doch einiges in Englisch schreibe halte ich das allerdings für Zufall.
    Tastenanschläge pro Tag im SeptemberDie Anschläge pro Tag lassen erkennen, wann Wochenende ist und ich nicht ganz so viel auf der Tastatur rumhaue, wie sonst. Geschätzt: an einem üblicher Wochentag schreibe ich 2 bis 3 Mal soviel wie am Wochenendtag.
    Auch zu der Auswertung habe ich angefangen, Python-Skripte zu schreiben (→ Repository). Da steht auch, wie ihr die Daten aus Typingstats.app rauskriegt. Ich bin mit den Skripten nicht ganz fertig geworden, daher gibt’s auch ein Google Spreadsheet mit Daten und Graphen.

  • 119 kWh Strom verbraucht

    Stromverbrauch September 2013 Gleicher Wert wie im Juli.5 12 kWh davon allein am Samstag, 7. September. Waschtag.

  • 21 Blogposts geschrieben

    Verteilung: Keine hier, 13 über Serien bei Newshows, 8 über meine Promotion.

  • 291 000 Schritte gelaufen

    Schritte und Stockwerke im September Gemessen mit meinem Fitbit. Leicht mehr als im Juli (1 000 Schritte).
    Allerdings fallen 21 000 Schritte allein auf den 5. September. An dem Tag bin ich mit dem Fahrrad zur Arbeit gefahren (beide Strecken insgesamt ca. 70 km)6 und der Fitbit hat irgendwas gemessen, aber keine Schritte. Bereinigt um die 21 000 Schritte legte ich 270 000 Schritte zurück, also 20 000 weniger als im Juli. Der zweitaktivste Tag im September war am 28. — da war ich auf einem Beachvolleyballturnier der Pfadfinder und habe mich tatsächlich bewegt.7
    Die meisten Stockwerke bin ich (abseits der Fahrradtour) am 15. hochgestiegen. Der Tag nach dem Jubiläumsfest der Langerweher Pfadfinder und ich bin vermutlich beim Aufräumen ziemlich häufig auf den Dachboden zum Materiallager gelaufen.
    Durchschnittlich bin ich im September (inkl. Fahrradtour) 9715 Schritte pro Tag gelaufen, ca. 2715 mehr als mein gesetztes Wochentagsdurchschnittsziel. Pro Tag bin ich durchschnittlich 22 Stockwerke hoch gestiegen, ca. 672 Stockwerke insgesamt (inkl. Fahrradtour).
    Mit dem grobpersonalisierten Fitbit-Umrechnungsfaktor bin ich im Monat 216 km gelaufen.
    Die Daten für September habe ich in ein Google Spreadsheet gepackt.

  • 1 254 E-Mails erhalten

    15 Mails weniger als im Juli (1,2%). Lustig, wie konstant das ist.
    892 Mails gingen an meine GMail-Adresse, 213 an die dienstliche, 127 an die Twitter-Adresse. Im Juli waren es anstelle der 892 Google-Mails noch 948, dafür aber nur 167 Dienst-E-Mails. In Prozent: Die (privaten) Mails an meine Google-E-Mail-Adresse sind um 6% zurückgegangen, während ich 28% mehr Physik-E-Mails bekommen habe. Vielleicht habe ich also mehr gearbeitet letzten Monat. Vielleicht.
    Gesendet habe ich im September insgesamt 236 E-Mails: 148 über GMail, 88 vom FZJ. 40% bzw. 16% mehr als beim letzten Messen.

  • 24 Büro-Kaffees getrunken

    Das ist erschreckend wenig!
    Ich war eine Woche lang auf einer Konferenz in Bochum, aber auch bereinigte 24·4/3=32 Kaffees wäre noch erschreckend wenig!

  • 210 Musikstücke gehört

    Verteilung der gehörten Musikstücke Das ist zumindest die Anzahl derer, die auch an last.fm gescrobbelt wurde. I Am Legion, Bloc Party, Avicii sind die Künstler, die ich im September am meisten gehört habe. Kein Album von denen ist mir allerdings sonderlich ans Herz gewachsen.
    Musik höre ich mittlerweile üblicherweise über Rdio. Dort führe ich in Form von Playlisten auch Protokoll darüber, was ich in der Woche höre. Hier sind Playlisten der Kalenderwoche 36 und 38.

  • 270 Tweets abgeschickt

    Knapp 70 mehr als im Juli. Ca. 9 Tweets pro Tag.
    Leider ist die Webseite kaputt, mit der ich letztes Mal die Statistiken angezeigt habe. Für’s nächste Mal habe ich dann ein paar interessante Skripte zur Selbstauswertung parat. Versprochen.

  • 429 Klicks auf meine Twitter-Links

    Am meisten geklickt wurde auf mein animiertes GIF vom Monatsprogress der FAIR-Baustelle (Groß), am zweitmeisten auf ein Bild vom DE-CIX-Knoten, bei dem man einen kleinen Peak sehen konnte, als iOS 7 raus kam.8 Gezählt wurden die Klicks auf die von bit.ly gekürzten Links.

  1. Seit Mitte Oktober wieder. Allerdings: Wer weiß, wie lange noch… []
  2. Vorher konnte ich: print("Hallo Welt") []
  3. Wenn man acht Schlafstunden von den 24 Stunden eines Tags abzieht, dann ist’s sogar eine Taste alle 3,5 Sekunden. []
  4. Ein Wort sind in der Metrik des Aufzeichnungsprogramms fünf hintereinandergetippte Zeichen. []
  5. Aber das ist nicht immer so… Echt jetzt. []
  6. Runkeeper-Tracking: Hinweg, Rückweg []
  7. Zwei Stunden im Sand rumhüpfen macht übrigens ganz schön Muskelkater. []
  8. Bild ist mittlerweile leider nicht mehr da. []

last.fm Statistiken, Teil 4: Anderer Leuts Sachen und Sonstiges

Neben Online- und Offline-Programmen, die irgendetwas Hübsches mit seinen last.fm-Daten machen, lässt sich im Internäther auch so einiges anderes, bereits analysiertes finden. Der vierte Teil meiner last.fm-Statistikenreihe.

Friendship Network von Anonymousprof

Anonymousprof hat einen ‘kleinen’ Crawler angeschmissen und über die last.fm-API bei zufällig ausgewählten Usern notiert, was dieser für Freunde hat. Obwohl er mittlerweile über eine Million Personen abgegrast hat, nutze er erst einmal nur 25.000 Personen mit ihren Freundesdaten um sie mit einer Graphen-Software namens TULIP in Verbindung zusetzen. Wenn er mehr Daten nahm, stürzte sein Rechner ab1.
Herausgekommen ist eine tolle Veranschaulichung, die er in seinem Blog auszugsweise veröffentlicht hat. Man kann nicht nur sehen erahnen, wer mit wem verbunden ist – viel interessanter ist, dass es Verbindungsansammlungen, also Netzwerke gibt, die (zumindest in den 25.000 Zufallsdaten) nicht im Hauptnetzwerk integriert sind. Diese fristen ein Nischendasein und haben ihre eigenen, kleinen Netzwerke, außerhalb des Großen. Volksmusik. Ob diese Abseitsnetzwerke sich ins große Netz integrieren, wenn man mehr als 25.000 (zufällige!) Personen nimmt?
Im Zusammenhang der Verbindungsvisualisierung von Musik hat Herr Anonymousprof sich auch mal an klassische Musik gemacht und aufgezeigt, wer da wen beeinflusst hat und durch wen beeinflusst wurde. Das Video ist auch sehenswert, Deutschland ist ein ganz schöner Klassiktrendsetter.

Pionierarbeit von Lee Byron
Im letzten Beitrag hatte ich es schonmal am Rand erwähnt: Lee Byron hat auch so seine Visualisierungen gemacht. Das ist nicht nur der lastgraphige WaveGraph, sondern auch ein seltsamer, aber schöner Künstler-Bezugskreis. Leider sind die Darstellungen entweder blöde Java-Apletts oder ein wenig heranzoombare Flashdinger.

last.forward
Dieses kleine interplanetäretforme Java-Programm stellt die Freunde, Nachbarn und Gruppen eines last.fm-Benutzers grafisch dar. Nicht mehr, nicht mehr. Wer also schon immer mal auf einen Blick sehen wollte, wer das ist, der sollte unbedingt herunterladen.

build.last.fm und ReadWriteWeb
Wer an dieser Stelle, die übrigens das Ende der last.fm-Statistikenreihe2 markiert, immernoch nicht genug davon hat, dem sei build.last.fm ans Herz gelegt. Während ich hier schrieb hat last.fm ihre Sammlung an Links veröffentlicht, die sich irgendwie mit last.fm beschäftigen und “die last.fm-Erfahrung erweitern”. Jippayeah.
Und wer dann immernoch nicht genug hat, dem sei diese ebenfalls frische Liste des ReadWriteWeb empfohlen. Dort sind ein paaaar sehr hübsche Veranschaulichungen von unterschiedlichsten Sachen verlinkt — The Best Tools for Visualization.

Danke für Ihre Aufmerksamkeit, auch wenn ich Ihr Interesse für last.fm Statistiken wohl nicht wecken konnte.
Beim nächsten mal dann.

  1. Was auch fast logisch klingt, immerhin befinden wir uns hier bei einem Problem mit (un) ="http://de.wikipedia.org/wiki/Gerichteter_Graph">gerichteten Graphen, deren Komplexitätsordnung… Informatiker anwesend?! []
  2. ;( []

last.fm Statistiken, Teil 3: Fancy WaveGraphs

Ich bin noch nicht ganz fertig mit meiner kleinen last.fm-Statistiken-Serie. Ich wollte mich zum Ende hin steigern und die hübscheste Visualisierung der gehörten Musik erst am Ende präsentieren. Gute Idee, eigentlich. Denn der Service, der eben diesen finalen Graphen erstellt, brauchte ziemlich lange. Und machte zusätzlich seltsamen murks, er fing z.B. kurz vor Ende wieder von vorne an, die Daten von last.fm herunterzuladen. Jetzt habe ich, damit es voran geht, den zu analysierenden Zeitraum arg beschränkt. Und siehe da: ein Ergebnis!

LastGraph

Bild

Bild

Inspiriert von der Hördarstellung eines Künstlers hat Andrew Godwin (der nichts mit dem Gesetz zu tun hat) sich hingesetzt und einen Online-Programm namens LastGraph geschrieben, dass einen WaveGraph zum Hörverhalten eine last.fm-Users generiert. Was dieser WaveGraph genau ist, ist wesentlich komplizierter zu erklären, als wenn man es einfach durch hinschauen versteht. In Kürze: Die Anzahl der Wiedergaben eines Künstlers steht in einer bestimmten Farbe auf der y-Achse. Nach rechts hin ist der Zeitraum aufgetragen, in dem seine gehörten Künstler analysiert wurden. (Da fängt’s schon an mit dem Kompliziert…)
Heraus kommt eine wunderbar bunte Welle, in der die Künstler passend ihrer Farben dargestellt sind.1

Um an so einen hübschen Graphen zu gelangen, gibt man auf der Seite von LastGraph unter “Create” seinen last.fm-Username ein, bestimmt ein Start- und ein Enddatum, gibt noch seine E-Mail-Adresse an (wenn man bei Fertigstellung des Graphen benachrichtigt werden will) und nach einem Klick auf “Create >>” hat man … eine Warteseite. LastGraph benötigt sehr viele Daten zum Erstellen der Graphen und multipliziert mit sehr vielen Anfragen ergibt das bei gleicher last.fm-Datenbank-Abfragegeschwindigkeit eine relativ lange Wartezeit. Wie in der Einleitung aber schon erwähnt: Wenn man ein einigermaßen schnelles Ergebnis haben will, so wählt man einen kurzen Zeitraum aus und kann schon bald mit einer bunten Welle rechnen.
Ist es soweit, darf man sich seinen Graph eine Woche lang als PDF oder SVG herunterladen und, soweit ich weiß, damit machen was man will. Vielleicht ja sogar ausdrucken oder gar plotten?
Für meinen kurzen Zeitraum aus dem Kopfbild ergeben sich dieses PDF und dieses SVG-Zip.

Wenn man einen größeren Zeitraum analysieren will, dann kriegt man anscheinend ein Problem.
Aber auch zu diesem Problem gibt es in den unendlichen Weiten des Internets da draußen eine Lösung, nämlich:

Last.fm Extra Stats

Bild

Bild

Hierbei handelt es sich um ein Windowsprogramm, was das Selbe macht wie LastGraph– und noch mehr. Es kann WaveGraphs erstellen und sie, mehr als bei oben genanntem Webservice, farblich und formlich anpassen. Die Optionen sind dabei so vielzählig und komplex, dass ich nur auf diesen erklärenden Blogpost hinweisen möchte.
Hat man seine Daten eingegeben, seine Lieblingseinstellungen gefunden, dann kann man auch bei Extra Stats seinen Graphen am Ende exportieren (sogar direkt zu Imageshack oder flickr!). Leider erhält man beim Festplattenexport keine Vektordatei, klitze kleines Manko am Rande.
Ganz kommt es an das Darstellungsfeeling2 von LastGraph nicht heran, aber das ist sicherlich nur eine Frage des Feintunings.

Neben WaveGraphs hat man bei diesem Tool auch noch die Möglichkeit eine Reihe anderer interessanter Statistiken generieren zu lassen. Unbedingt also einmal herunterladen und ausprobieren.

Eure WaveGraphs? Gerne in die Kommentare!

  1. Am Ende ist es übrigens eine (viel!) schönere Variante des bereits vorgestellten “last.fm in Time“! []
  2. Pro Anglizisneologismenpaarungen! []

last.fm Statistiken, Teil 2: Zeigt her eure Farben

Im zweiten Teil (Teil 1) der last.fm Statistiken geht es um bunte Grafiken, die man sich aus seinen sozialen Musikdaten da draußen im Internet generieren kann.
Es geht sogar noch bunter, aber das später…

Soziomap

Bild

Bild

Bild

Um ihr eigenes Programm zu vermarkten und eine Anwendungsmöglichkeit darzustellen, haben die Programmierer der QED Group ihre Sociomap last.fm-tauglich gemacht. Nach Eingabe seines last.fm-Usernames fragt das Flash-Programm die ersten 30 Freunde ab und stellt sie dann in einer 3D-Landkarte dar.
Durch unterschiedliche Farben sind Höhenlinien deutlich gemacht (bei der interaktiven 3D-Ansicht sieht man das ein wenig besser, wenn man die Grafik hin und her dreht). Die Höhe entspricht der durchschnittlichen musikalischen Übereinstimmung mit den restlichen Usern; wer am weitesten oben steht hat einen gleichen Geschmack wie die meisten der User (Klingt irgendwie seltsam, oder?). Ich habe mir meine Freunde also ganz gut ausgesucht.
Der Abstand der Namen untereinander repräsentiert die musikalische Übereinstimmung. Je näher, desto höher ist ihr ‘Übereinstimmungswert’ (also wohl das, was im Taste-O-Meter angezeigt wird).Irgendwie kann ich mir die Höhe noch nicht ganz vorstellen; wie sich dieser Durchschnitt wirklich darstellt…
Aber egal. Sieht fancy aus!
Eingebettet ist die Flashapplikation nach dem Klick ganz unten.

Last.fm In Time

Bild

grapher
2-Jahres-Rückschau
(im Header: 1-Jahr-Rückschau)

Paul Cornelissen hat sich in dem Projekt “Musicmapper” ein wenig mit der Datenbank von last.fm auseinander gesetzt und dabei eine ziemlich coole Idee bekommen: Man könnte doch die Top-Artists mal über die Zeit betrachten. Soll heißen: Das Tool fragt die aktuelle Wiedergabeanzahl der einzelnen Künstler-Top-50 ab, dann geht es eine Woche in die Vergangenheit und tut das gleiche. Dann wieder eine Woche und wieder eine Woche. Und. So. Weiter. Pro Künstler kriegt man dann bei einem Jahr, theoretisch zumindest, 52 Datenpunkte (weil das Jahr, genau, 52 Wochen hat! Gut mitgedacht, setzen). Diese Datenpunkte kann man dann verbinden (bzw., wie der Statistiker sagt: Die Zwischenräume linear interpolieren). Heraus kommt ein so grandioses, farbenfrohes Statistikkunstwerk wie dieses hier oben unter der Überschrift. Die blauen Balken im Hintergrund repräsentieren die Gesamtliedwiedergaben in der Woche.
So kann man bei mir z.B. sehen, dass ich vor ca. einem Jahr die meisten Widergaben von Songs hatte (es war Praktikumszeit und wir haben am Stück Musik gehört), und dass meine momentane Top-1-Band “Athlete” ihren Status relativ drastisch vor einem halben Jahr erhalten hat, ich die vorige Spitzenreiterband “The Kooks” seit knapp 50 Wochen so gut wie gar nicht mehr gehört habe1. Wenn man nur lange genug drauf schaut, erkennt man immer mehr interessante Dinge. Die höchste Steigung haben, wie mein geschultes Analyseauge bis auf eine exponentielle Interpolation genau feststellen konnte, die Stars, die ich vor ein paar Wochen für mich entdeckte und seitdem viel gehört habe2

Your Music Listening Habits

head-3

Eine Vielzahl der Analysen aus dem letzten Posting visualisiert Kalu Kalu unter der Frage “How Do You Listen To Music?“.
Insgesamt geht’s darum, in wie weit die Top-Artists, -Alben und -Songs die Gesamtdaten in den drei Kategorien beeinflussen. Im letzten Posting wurde da auch z.B. beim AEP, beim eclectic test und dem Long Tail angesetzt. Diese Seite hat quasi die passenden Diagramme dafür zur Hand.

Bild

Wenn man z.B. die Top 50 Künstler als Referenz nimmt und sie mit den restlichen Künstlern vergleicht, erhält man rechtestes Diagramm auf rechtem Bild. Diese Werte sind genau das, was der Long Tail auch aussagte – nur eben in bund und runt.
Noch deutlicher kann man sich eine Vorstellung über den Longtail machen, wenn man sich die letzten Grafiken anschaut. Flachen die Balken nur langsam ab, dann deutet das auf einen langen Long Tail, je spitzer das linke Ende ist, desto shorter der Tail.

Weiterlesen

  1. Mit dem neuen Kooks-Album werde ich dann sicherlich eine neue No.1 haben… []
  2. Und über die ich sehr bald auch schreiben werde… []

last.fm Statistiken, Teil 1: Tanzvergleich

Als ich letztens meine Twitterstatistiken betrachtete, da kam ich auf die Idee, einmal zu suchen, was es Vergleichbares für last.fm1 gibt.
Das Resultat war erstaunlich, aber eigentlich auch klar: Es gibt haufenweise Statistiktools für last.fm. Sogar eine Gruppe, die sich dessen verschrieben hat und sie sammelt.
Weil die Daten ja sowieso vorhanden sind und mich Statistiken dann doch interessieren (immerhin habe ich sie selbst gefälscht!) möchte ich euch ein paar ‘Analysen’ vorstellen.

MoneyCalc
Nimmt man die Preise von Amazon.com als Grundlage, dann sind meine Top-50-Alben 969.18 Dollar wert. Ausrechnen tut das der MoneyCalc.

AEP
Mein AEP hat einen Wert von 4.22. Der AEP (“Anti Exponiential Points”) ist ein Wert, zwischen -20 und 5, der über die Vielfältigkeit des Musikgeschmacks eines Users Aufschluss gibt. Ein Wert über 4 bedeutet einen sehr breitgefächerten Musikgeschmack, über 3 einen relativ breitgefächerten Musikgeschmack und so weiter nach unten hin. Mit meinen 4.22 bin ich also ziemlich oben, ich bin also sehr geschmackvoll, oder so2. Mehr zur Berechnung des AEP gibt’s im Blog der passenden Gruppe. Seinen AEP berechnen lassen kann man hier.

Eclectic Test
BildÄhnlich sucht auch der “eclectic test” nach der Vielseitigkeit des Musikgeschmacks. Er verfolgt einen etwas anderen (und weniger komplexen) Ansatz: Das Skript nimmt die Top 20 Künstler, sucht sich jeweils die fünf ähnlichsten Künstler heraus und erstellt so eine Liste. Je näher die Anzahl der Künstler auf dieser Liste an 100 (=5*20) ist, also je weniger ‘überlappende’ Künstler es gibt, desto vielseitiger ist des Users Geschmack.
Ich erreiche einen Wert von 72 — bei mir sind Basement Jaxx, Coldplay, Kaiser Chiefs, Groove Armada und noch ein paar andere doppelt vorhanden (Und bei diesem Tool schneide ich schon ganz und gar nicht mehr so gut unter meinen ‘Freunden’ ab…).

Underground-O-Meter
BildDann gibt es da noch das “underground-o-meter“. Das Tool berechnet den Underground-, bzw. den Mainstreamfaktor des Benutzers. Wie das genau geht, ist in einem Wiki erklärt. Ich habs nicht verstanden. Die “Weekly Top Artists” als Indikator nehmend bin ich 0% Underground und 20% Mainstream. Aha.

Average Age Calculator
Beim “Average Age Calculator” kann man sich sein musikalisches Alter ausrechnen lassen. Dazu fragt das Skript die Altersangaben der musikalischen Nachbarn, soweit vorhanden, ab und bildet daraus einen Mittelwert. Dauert ein bisschen, weil viele, ungecachte Daten abgefragt werden müssen. Jedenfalls bin ich durchschnittlich 21 Jahre alt. Muss noch zwei Jahre Mozart hören.

Long Tail
BildSeinen “Long Tail” (was auf Deutsch viel aussagekräftiger wäre…) kann man auf dieser Seite berechnen. Der Long Tail gibt Auskunft darüber, wieviel Prozent seiner angehörten Musik NICHT in seiner der Top 50 vertreten sind3 . Wenn man viele Künstler angehört hat, die über seine Top-50-Künstler hinausgehen, die Liste aller Künstler mit anderen Worten also weit nach unten reicht, dann wird der Long Tail größer. Der Long Tail ist dabei eine prozentuale Angabe, so dass 100% minus Long Tail den Short Tail ergibt.
Mein Long Tail ist 49,3% – und stichprobenartig bin ich damit gar nicht so schlecht gestellt unter meinen ‘Freunden’. (Der Long Tail ist übrigens relativ ähnlich zum AEP…)

Wenn ich weiter so höre, wie bisher, dann werde ich im zarten Alter von 188 am 18. Juli 2173 mein millionstes Musikstück gehört haben. Treffen wir uns dann zur Million-Track-Party?

  1. last.fm? Last.fm ist die “social music revolution”. Zum Einen werden Informationen zu jedem Lied, was man anhört, an den last.fm-Server geschickt. Heraus kommt da eine tolle Aufstellung, was man wann gehört hat, wie häufig und … vieles mehr. Zum Anderen hat sich daraus ein riesiges Musiknetzwerk entwickelt, dass “Lieblingsradios”, also Radios, die seiner musikalischen Präferenz entsprechen, anbietet und auch immer mehr vollwertige Songs zum Soforthören in petto hat. In kurz: Tolle Möglichkeit, Musik zu mögen und Neue kennenzulernen. Wenn der Funke noch nicht übergesprungen ist, dann musst du es wohl selbst probieren… ;) []
  2. Ich habe die meisten meiner ‘Freunde’ be-AEP-ed und ich war tatsächlich unangefochten mit den 4.22 – die meisten haben eine 3.x []
  3. Zur Berechnung (weil ich mich gerade, zwecks Verstehens damit beschäftigt habe): Das Skript summiert die Anzahl der Wiedergaben von den Top 50 Künstlern (z.B. 5234). Diese teilt es dann durch die Anzahl aller Wiedergaben (z.B. 5234/15702 = 0.30). Das ist der Short Tail. Subtrahiert man diesen Wert von 1 (was ja in relativen Angaben allen Wiedergaben entspricht), so erhält man seinen Long Tail, z.B. 0.70 (Um genau zu sein muss man jetzt den Wert für Short und Long Tail noch mit 100 multiplizieren, damit man auf einen prozentualen Wert gelangt (also 70%).). []