• Quase 20 anos atrás, Chris Anderson escreveu The Long Tail , que previu com precisão que a Internet fragmentaria a atenção e o consumo mudaria para a “cauda”. Mas Top Gun Maverick gerou mais de US $ 700 milhões nas bilheterias domésticas no ano passado, Bad Bunny teve 18,5 bilhões de streams no Spotify no ano passado e 142 milhões de lares assistiram à primeira temporada do Squid Game em seus primeiros 28 dias. Por que ainda existem hits em um mundo fragmentado?
• Recentemente, publiquei um ensaio chamado Forget Peak TV, Here Comes Infinite TV . Ele argumentou que, na próxima década, o vídeo seguirá o caminho do texto, fotografia e música e a distinção de qualidade entre conteúdo “produzido profissionalmente” e conteúdo “independente/criador/gerado pelo usuário” ficará cada vez mais indistinta. Isso resultará em conteúdo de vídeo de qualidade praticamente infinita. Ainda haverá hits ou apenas nichos personalizados?
• Você já se perguntou por que tantos filmes de grande sucesso são sobre super-heróis? Hollywood é preguiçosa ou os gostos dos consumidores estão se tornando mais estúpidos e homogêneos? Ou nenhum?
• Por que algo se torna viral, afinal?
• As recomendações de conteúdo levam você aos programas, filmes e músicas mais populares ou são feitas sob medida para você? Ou eles têm uma agenda diferente?
• O web3 será realmente o salvador dos pequenos criadores?
• Quando Billie Eilish, Lil Nas X, Mr. Beast ou PewDiePie emergiram da obscuridade, era inevitável que o seu talento fosse reconhecido ou apenas sorte?
• As avaliações mais bem avaliadas na Amazon ou as respostas no Quora são realmente as mais úteis?

Este ensaio pode ser um pouco vago, mas o tópico é algo em que venho pensando há mais de uma década. (Desligado e ligado, não continuamente.)

Eu explico por que as distribuições do tipo lei de poder - significando alguns acertos massivos e um grande número de erros - são uma característica inerente das redes; descrever como os sistemas de recomendação podem atenuar ou reforçar os sinais sociais; mostre alguns exemplos da persistência de distribuições do tipo lei de poder na mídia em filmes, TV, música e economia do criador; e discuta por que tudo isso é importante.

Tl;dr:

• Numa aparente contradição, a Internet fragmenta e concentra a atenção.
• A razão para o primeiro é intuitiva. Mais coisas, menos atenção por unidade de coisas. A razão para o último não é. Isso acontece porque as redes estão sujeitas a poderosos ciclos de feedback positivo. Em uma rede, as escolhas das pessoas são influenciadas pelas decisões dos outros, amplificando os “acertos”.
• Existem dois mecanismos subjacentes a isso: cascatas de informação (quando as pessoas tratam as escolhas dos outros como sinais de qualidade) e cascatas de reputação (quando as pessoas se conformam com a decisão do grupo). Como a escolha explodiu na Internet e ficou mais fácil observar as escolhas dos outros e compartilhar as suas próprias, esses mecanismos se tornaram mais poderosos.
• Os consumidores também dependem fortemente de algoritmos de recomendação para fazer escolhas, intencionalmente ou não. Dependendo de como são construídos, esses sistemas podem aumentar ou diminuir os sinais sociais decorrentes da rede.
• O resultado é que a distribuição do consumo em quase todas as mídias persistentemente, e em alguns casos cada vez mais, parece uma lei de potência: alguns hits massivos e uma cauda muito, muito (muito) longa. Forneço uma estrutura para pensar sobre o “extremismo” da distribuição e mostro alguns exemplos: bilheteria, séries originais da Netflix, streams do Spotify e patronos do Patreon.
• Há uma série de implicações importantes para as empresas de mídia. A boa notícia é que provavelmente sempre haverá grandes sucessos, mesmo em um mundo de conteúdo praticamente infinito. A má notícia é quase todo o resto: o lucrativo meio está sendo esvaziado; a aleatoriedade - e, portanto, o risco - na produção de acertos está aumentando; a cauda torna-se mais competitiva para golpes; mais renda econômica provavelmente mudará para o talento; os produtores de conteúdo estão cada vez mais à mercê dos algoritmos dos curadores; e a mídia paga está sendo desvalorizada.

A ideia de que a Internet causaria a fragmentação da mídia é quase tão antiga quanto a própria Internet moderna. (Ou talvez mais antigo. A frase muitas vezes atribuída erroneamente a Andy Warhol de que “no futuro, todos serão mundialmente famosos por 15 minutos” era uma previsão de fragmentação pré-Internet.) Em 1999, a Qwest Communications produziu um anúncio apresentando um motel com “todo filme já feito em todas as línguas” (Figura 1). A Cauda Longa, publicado em 2004, argumentou que, como a Internet reduziu drasticamente o custo de armazenamento e transporte de bens de informação, isso resultaria em espaço de prateleira praticamente infinito. Diante de muito mais opções, os consumidores transfeririam a maior parte de seu consumo para a “cauda”, anunciando o fim da cultura de massa e diminuindo a importância dos sucessos. Na verdade, Anderson subestimou o tamanho da cauda porque não antecipou a mídia social. A cauda não é um synth pop islandês, mas uma quantidade infinita de conteúdo gerado pelo usuário.

Figura 1. Fragmentação de mídia imaginada pela Qwest há 25 anos

Fonte: anúncio impresso da Qwest Communications, 1999.

Que a Internet traria mais opções e, portanto, mais fragmentação era intuitivo na época e é indiscutível agora. Mas ele conta apenas metade da história. Embora pareça contraditório, a Internet fragmenta e concentra a atenção . Esta última ideia foi explorada por Anita Elberse em seu livro Blockbusters: Hit-making, Risk-taking, and the Big Business of Entertainment , que foi em parte uma refutação a The Long Tail . Mas esse livro estava mais focado em por que os fornecedores deveriam buscar estratégias de sucesso e menos sobre a dinâmica subjacente do lado da demanda que cria sucessos.

Entender essas dinâmicas é importante. A alegação de que ainda há sucessos pode parecer incontroversa e certamente parece correta intuitivamente. Sabemos que quando Beyonce ou Taylor Swift lançam um álbum ou a próxima temporada de Stranger Things ou Game of Thrones cai, a atenção coletiva da cultura popular, assim como o olho de Sauron, estará voltada para isso - pelo menos até a próxima coisa. vem junto. Mas entender por que ainda há acessos fornece informações sobre se isso persistirá, pois a oferta de conteúdo continua crescendo mais rápido do que a demanda.

Entender por que ainda há acessos fornece informações sobre se isso persistirá e as implicações

A razão pela qual a Internet concentra a atenção é que ela conecta todos em uma grande rede. E as redes estão sujeitas a poderosos ciclos de feedback. Como os consumidores descobrem e consomem cada vez mais conteúdo por meio de redes de informação, suas decisões são cada vez mais influenciadas pelas decisões de outras pessoas. Esses ciclos de feedback amplificam a popularidade de um pequeno número de escolhas – acertos.

O resultado líquido dessas forças opostas - fragmentação e concentração - é que o consumo de mídia e a cultura de forma mais ampla são persistentemente e, em alguns casos, cada vez mais observando distribuições semelhantes às leis de poder. Isso significa que poucos programas de TV, filmes, músicas, livros, videogames, artigos de jornais, boletins informativos, vídeos curtos e tweets serão muito populares, enquanto a grande (vasta, vasta, vasta…) maioria dificilmente será consumida.

O que é uma Lei de Potência?

Um dos primeiros conceitos estatísticos que aprendemos na escola, logo após média, mediana e moda, é a “curva em sino”, também conhecida como distribuição normal ou gaussiana . A intuição por trás de uma distribuição normal é que, se você tiver observações independentes aleatórias suficientes , a maioria das observações estará relativamente próxima da média (ou média) e distribuída igualmente em ambos os lados dela. Muitos fenômenos naturais independentes se aproximam dessa distribuição, especialmente quando os extremos são limitados, como altura, peso, resultados de testes ou lançamento de dois dados de seis faces.

Figura 2. Distribuições normais e de lei de potência

As distribuições da lei de potência , por outro lado, parecem muito diferentes. Uma lei de potência significa simplesmente que a variável dependente é uma “potência” da variável independente. Por exemplo, o volume de um cubo é uma “potência” do comprimento dos lados, pois o volume aumenta 3 unidades para cada 1 unidade de comprimento. Geralmente, eles podem ser expressos como:

Em uma distribuição de probabilidade de lei de potência, o expoente é negativo, o que resulta em uma curva inclinada para baixo (conforme ilustrado grosseiramente na Figura 2). Como mostrado, as distribuições da lei de potência são caracterizadas por um grande número de observações muito pequenas e um pequeno número de observações muito grandes.

Há muitos lugares para explorar as diferenças técnicas entre uma distribuição normal e uma lei de potência, incluindo o excelente livro Networks, Crowds and Markets , disponível gratuitamente aqui (consulte o Capítulo 18).

Para nossos propósitos, o ponto principal desta comparação é mostrado no gráfico mais à direita na Figura 2, que sobrepõe uma distribuição de lei de potência sobre uma distribuição normal: a probabilidade de observações extremamente pequenas e extremamente grandes é muito maior na primeira do que o último.

O ponto principal: em uma lei de potência, observações extremamente pequenas e extremamente grandes são muito mais comuns

Talvez a melhor maneira de pensar sobre essas diferenças seja uma estrutura popularizada por Nassim Nicholas Taleb em The Black Swan . Pense no mundo das distribuições normais como o Mediocristão – um lugar onde tudo paira em algum lugar em torno da média – e o mundo das distribuições de lei de potência como o Extremistão – um lugar onde coisas aparentemente extremas acontecem com muito mais frequência.

Por que as leis de potência ocorrem na cultura? Redes

Como mencionado acima, a ideia de que a Internet causa a fragmentação da mídia é intuitiva, mas a ideia de que ela também amplifica os acessos não. Vamos explorar por que isso acontece.

Leis de potência (ou, estritamente falando, distribuições semelhantes a leis de potência ) aparecem em muitos lugares: a incidência de terremotos, a ocorrência de palavras em qualquer publicação (chamada Lei de Zipf), a população de cidades, escala metabólica entre mamíferos e muito mais.

Os mecanismos por trás dessas leis de potência nem sempre são claros ( há um debate se as leis de potência são uma propriedade inerente de sistemas complexos). Mas as leis de potência são comuns em redes porque os fenômenos de rede tendem a ser dependentes, o que significa que existem loops de feedback . Cada nó da rede influencia e é influenciado por outros nós.

A popularidade segue a lei de poder como distribuições porque as escolhas das pessoas estão sujeitas a ciclos de feedback

Isto é particularmente verdadeiro para a popularidade. As distribuições do tipo power-law estão em toda parte na mídia, como mostrado neste artigo de Michael Tauberg .

Sinais sociais influenciam nossas escolhas

Então, se as redes tendem a amplificar os acessos porque as pessoas costumam basear suas escolhas no que veem outras pessoas fazerem, a próxima pergunta é: por quê? Por duas razões: 1) muitas vezes é racional presumir que as escolhas de outras pessoas contêm informações valiosas; e 2) as pessoas se importam com o que os outros pensam delas.

Esses são dois fenômenos distintos, o que os cientistas sociais chamam de “cascatas de informação” e “cascatas de reputação”.

• Cascatas de informação.O que você faz quando precisa fazer uma escolha e tem informações incompletas? Provavelmente depende de quão difícil é determinar você mesmo a qualidade de suas opções (“custos de busca”), bem como as consequências (incluindo a reversibilidade) de fazer uma escolha ruim (“custos de oportunidade”). Os custos de busca são uma função tanto do número de escolhas quanto do tempo necessário para verificar a qualidade de cada escolha. Por exemplo, é fácil julgar rapidamente a qualidade ao rolar o TikTok e difícil ao procurar a próxima série de TV de várias temporadas. O custo de oportunidade de ouvir os primeiros 8 segundos de uma música recomendada no Spotify é muito diferente de conseguir uma babá e ir ao cinema. Quando os custos de pesquisa e oportunidade são baixos, você pode optar por descobrir por conta própria. Quando eles estão altos e você pode ver o que outras pessoas fizeram, é razoável presumir que (coletivamente) outras pessoas têm mais informações do que você e basear suas decisões nas delas. Quando muitas pessoas fazem isso sucessivamente, resulta em algo chamado “cascata de informações ”. Isso às vezes é chamado de vantagem cumulativa, apego preferencial ou “ efeito rico-fica-mais-rico ”, pelo qual coisas populares tendem a se tornar mais populares e coisas impopulares permanecem impopulares.

• Conformidade social e cascatas reputacionais. Quando você pode ver as escolhas das pessoas e elas podem ver as suas, você pode se conformar, consciente ou inconscientemente. De modo geral, todos nós sentimos pressão para nos conformarmos, como foi corroborado por famosos experimentos de ciências sociais nas décadas de 1950-1970, como os conduzidos por Solomon Asch . Alternativamente, você pode optar intencionalmente por seguir as decisões do grupo porque deseja sinalizar sua lealdade e merecimento de pertencer, ou o que é chamado de cascata de reputação.

Os sinais sociais estão se tornando mais importantes

Portanto, é mais provável que as pessoas sejam influenciadas pelo que outras pessoas fazem quando: 1) há muitas opções; e 2) é fácil observar o que as outras pessoas fazem.

Nas últimas duas décadas, as condições que levam a cascatas tornaram-se mais prevalentes: a escolha explodiu e é muito mais fácil observar as ações dos outros e ser observado

Ambas as condições aumentaram dramaticamente nas últimas décadas:

• A quantidade de conteúdo disponível explodiu, tornando os custos de pesquisa astronômicos e aumentando os custos de oportunidade. É óbvio que mais opções significam custos de pesquisa mais altos. Isso também significa custos de oportunidade mais altos, porque quando você faz uma escolha hoje, há muito mais coisas que você escolhe não fazer.
• Devido às redes online, é muito mais provável que as pessoas sejam influenciadas (direta e indiretamente) pelo que outras pessoas escolhem.Muitas pessoas terceirizam explicitamente sua curadoria de conteúdo para seus amigos (confiando no feed de notícias do Facebook), seu painel de “especialistas” selecionado a dedo (na linha do tempo do Twitter) ou suas celebridades ou influenciadores favoritos (no Instagram). Mas, às vezes, esquecemos que os elementos das redes sociais também estão incorporados em aplicativos de redes não sociais. Vá para a loja de aplicativos da Apple, Amazon, OpenTable ou até mesmo procure por “restaurantes perto de mim” no Google Maps — em todos os casos, você provavelmente será influenciado pelas opiniões de outras pessoas. A maioria dos algoritmos de recomendação também depende em parte da filtragem colaborativa, discutida mais abaixo, que se baseia nas escolhas coletivas de um grupo ou subgrupo. Quando você aceita a recomendação de um algoritmo, muitas vezes é indiretamente influenciado pelo que outras pessoas escolhem, quer você saiba disso ou não.

Os mecanismos de recomendação podem ajudar ou prejudicar

Diante de tantas opções, os consumidores não dependem apenas dos sinais sociais orgânicos que recebem da rede, mas também (em graus variados, dependendo da pessoa e do tipo de mídia) de sistemas de recomendação. Esses sistemas podem amplificar ou atenuar a influência da rede, dependendo de como são projetados.

Os algoritmos de recomendação são baseados em dois tipos principais de modelos: filtragem colaborativa e modelos de conteúdo . No primeiro, o algoritmo recomenda conteúdo ou produtos com base no que outras pessoas escolheram. Neste último, as recomendações são baseadas em determinados atributos dos próprios conteúdos ou produtos.

Os sistemas de recomendação podem amplificar ou atenuar os sinais sociais, dependendo de como são construídos

É comum que esses algoritmos incluam elementos de ambos os modelos. Por exemplo, em seu sistema de recomendação , a Netflix incorpora todos os tipos de metadados associados a cada ativo de conteúdo (diretor, atores, gênero, classificação etária, tom) e popularidade (visualização, taxas de conclusão e classificações) entre coortes que acredita serem semelhantes ao cliente, bem como o comportamento de visualização anterior do cliente (dispositivo, hora do dia, tempo de visualização). O TikTok também baseia seu algoritmo no comportamento do usuário, filtragem colaborativa e atributos de conteúdo específicos , entre outras coisas. Por outro lado, o sistema de recomendação de Pandora é incomum porque se baseia apenas em atributos de conteúdo , não em qualquer filtragem colaborativa.

Uma Estrutura Simples

Como mencionado, as distribuições do tipo lei de potência são onipresentes na mídia, mas em graus variados. Sintetizando as duas últimas seções, vou propor algumas regras básicas para prever quando as distribuições serão mais ou menos extremas:

• Custos de pesquisa mais altos = distribuições mais extremas (porque as pessoas precisam confiar mais nos sinais sociais)
• Custos de oportunidade mais altos = distribuições mais extremas (também porque as pessoas são mais propensas a buscar sinais sociais antes de se comprometer)
• Sistemas de recomendação que se inclinam fortemente para a filtragem colaborativa = distribuições mais extremas (porque o algoritmo amplifica os sinais sociais)

Como sabemos que uma distribuição de popularidade é uma lei de potência e como medimos “extremo”?

Responder a essas requer um pouco mais de matemática. Como mostrado acima, a expressão matemática geral de uma lei de potência se parece com isso:

Em uma lei de potência pura, c é uma constante, que pode ser considerada um fator de escala. Em uma distribuição de lei de potência, c também é negativo, e é por isso que a curva é inclinada para baixo. Pode ser difícil dizer se esse fator de escala é constante apenas olhando - e, portanto, se é realmente uma lei de potência. Uma maneira mais fácil é converter os dados em um gráfico log-log e determinar se a relação resultante é linear. Para ver por que, tomamos o logaritmo de ambos os lados da equação acima:

Essa é uma função linear, equivalente a y = b + mx. Em outras palavras, se realmente tivermos uma lei de potência (ou algo parecido com uma lei de potência), o gráfico log-log deve se parecer com uma linha reta, onde a inclinação é c e, quanto maior (ou mais negativo) o valor de c , mais “extremo” ele é. Também podemos testar o quão reto ele é e, portanto, se o fator de escala é realmente uma constante, calculando o r².

Figura 3. Distribuições de popularidade geralmente mostram valor como uma função de probabilidade (ou classificação)

Alguns exemplos (e advertências)

Abaixo, analiso algumas séries temporais representativas da distribuição de consumo para algumas mídias: bilheteria, séries de TV na Netflix, streams no Spotify e criadores do Patreon.

(Uma observação rápida: na distribuição da lei de potência acima na Figura 2, o eixo Y é a probabilidade e o eixo X é o valor para comparar melhor as distribuições normal e da lei de potência. Uma maneira mais intuitiva e comum de discutir distribuições de popularidade é inverter a eixos de modo que o eixo Y seja o valor e o eixo X seja a probabilidade , que também é uma lei de potência (Figura 3). Isso mostra que apenas um punhado de observações será extremamente grande (o que é coloquialmente chamado de “cabeça ”) e um grande número será muito pequeno (a “cauda”). É assim que discuto as distribuições de popularidade abaixo.)

Essa análise é imperfeita, por alguns motivos. Eu gostaria de ter séries temporais mais longas do que mostro aqui (a bilheteria é ótima, em ~ 20 anos, mas seria ótimo ter 20 anos de dados musicais também). Além disso, os dados do Spotify e do Patreon mostram apenas a distribuição do consumo na ponta da curva. Como as leis de potência são autossimilares (ou “invariantes de escala”), em teoria a distribuição na cabeça da curva é representativa de toda a distribuição, mas se essas não forem leis de potência puras, pode não ser o caso.

Deixando isso de lado, todos os quatro exemplos mostram distribuições persistentemente extremas que se aproximam bastante das leis de potência.

Bilheteria

Em relação à maioria das outras mídias, os espectadores têm muito poucas opções, mas custos de oportunidade extraordinariamente altos. Não surpreendentemente, a distribuição relativa do consumo tornou-se ainda mais concentrada nos maiores sucessos nos últimos anos. A Figura 4 mostra a distribuição do total de bilheteria dos EUA em 2000, 2010, 2019 e 2022 e os mesmos dados log-log. Conforme mostrado pelos valores de r-quadrado nos gráficos de log-log, eles estão próximos das distribuições da lei de potência. Como também mostrado, durante esse período de tempo, a distribuição tornou-se cada vez mais extrema (ou seja, a inclinação nos gráficos log-log tornou-se cada vez mais negativa); em uma base relativa, os maiores sucessos são maiores do que nunca.

Figura 4. Distribuição da bilheteria cada vez mais extrema

Fonte: Box Office Mojo, Análise do autor.

séries de tv netflix

Na TV, os custos de busca e oportunidade de encontrar e se comprometer com uma série de TV são bastante altos, o que deve levar a distribuições relativamente extremas. Mas é difícil testar mudanças nas distribuições de popularidade ao longo do tempo para toda a TV porque não há uma boa medição entre plataformas (linear e streaming). E embora a Nielsen agora forneça classificações de streaming, só o faz há alguns anos.

Os melhores dados que pude encontrar foram do pessoal da Parrot Analytics , que me forneceu uma série temporal da demanda global por séries originais da Netflix. A métrica de demanda do Parrot incorpora uma variedade de entradas (avaliações sociais, de fãs e críticas, pirataria, wikis, blogs, etc.) para avaliar a popularidade de cada série e filme em cada serviço de streaming.

A conclusão mais notável desses dados é que eles permanecem relativamente distorcidos e estão se tornando mais parecidos com a lei de potência ao longo do tempo, apesar do grande impulso internacional da Netflix nesse período. Conforme observado, essa é uma demanda global e mede um período em que a Netflix adicionou cerca de 100 milhões de assinantes, quase todos internacionais, e seu gasto anual com conteúdo em dinheiro aumentou de US$ 13 bilhões para US$ 17 bilhões, muitos dos quais em conteúdo local.

Apesar de seu crescimento e maior gasto internacional, conforme mostrado na Figura 5, a demanda global continua concentrada em relativamente poucos títulos. Observe que em 2018, 2020 e 2022, os 10% principais dos originais representaram aproximadamente 95%, 85% e 75% de toda a demanda global da Netflix, respectivamente.

Figura 5. A demanda por séries da Netflix permaneceu distorcida apesar da grande expansão internacional

Observação: a métrica de demanda do Parrot Analytics incorpora uma variedade de entradas para medir a popularidade de séries e filmes. Fonte: Parrot Analytics, análise do autor.

Transmissões do Spotify

A música é um caso interessante porque há fatores trabalhando em ambas as direções. Por um lado, com tantas opções (o Spotify tem mais de 80 milhões de faixas e 100.000 novas músicas carregadas todos os dias ), os ouvintes usam sinais sociais e mecanismos de recomendação para descobrir novas músicas. E a maioria dos mecanismos de recomendação dos serviços de streaming depende muito da filtragem colaborativa (veja uma descrição do mecanismo de recomendação do Spotify aqui ). Isso implica uma distribuição relativamente extrema.

Por outro lado, os custos de pesquisa e o custo de oportunidade de tentar uma nova música são muito baixos e facilmente reversíveis (você pode facilmente pular para a próxima música). Ambos os fatores sustentam uma dispersão mais ampla do consumo.

O resultado é que o consumo na cabeça é extremamente direcionado para os maiores sucessos, mas também que mais consumo agregado está se deslocando para a cauda. Por implicação, o “meio” é ainda mais fino do que você veria em uma lei de potência pura.

A Figura 6 mostra a distribuição do consumo entre todas as músicas que apareceram no Global Top 200 Weekly do Spotify pelo menos uma vez, tanto em 2017 quanto em 2022 (e os mesmos dados log-log). Em ambos os anos, foram cerca de 1.000 músicas. (Esta é a ponta da curva - são as 1.000 músicas mais tocadas de 80 milhões, ou o 0,001% mais alto). Conforme ilustrado pela inclinação nos gráficos log-log, a distribuição é muito extrema, ainda mais do que a caixa escritório. Como também é evidente, a inclinação não é constante; torna-se mais negativo à medida que você passa da 100ª música mais popular. Isso significa que os maiores impactos são ainda maiores em uma base relativa e ainda mais consumo está ocorrendo na cauda do que ocorreria em uma verdadeira lei de potência.

Figura 6. A cabeça da curva do Spotify continua extrema…

Fonte: Spotify, análise do autor.

A ideia de que mais consumo está se deslocando para a cauda é corroborada pelos dados de consumo agregado. Conforme mostrado na Figura 7, com base no relatório do Spotify, as três majors (Universal, Sony e Warner Music) e Merlin (uma parceria de gravadoras independentes) representaram 77% do total de streams em 2021, uma queda de 10 pontos percentuais em relação a 2017.

Figura 7. …Mas mais consumo também está mudando para a cauda

Fonte: relatórios da empresa Spotify, via Music Business Worldwide.

Criadores do Patreon

O Patreon fornece uma solução de back-end para criadores venderem assinaturas, com mais de 250.000 criadores na plataforma e 13 milhões de patronos. Também é um exemplo interessante porque a distribuição do consumo não é afetada pelos algoritmos de recomendação. Embora o Patreon.com apresente alguns criadores em sua página de destino, poucos consumidores o visitam. Eles navegam diretamente para as páginas do Patreon dos criadores de onde quer que seu trabalho seja apresentado, como YouTube, podcasts da Apple ou seus sites.

Sem efeito de amplificação de algoritmos de recomendação, ele deve mostrar uma distribuição um pouco menos distorcida do que alguns outros exemplos. A Figura 8 mostra a distribuição dos 1.000 principais criadores no final de 2016 e 2022 e os dados log-log. Novamente, esta é a cabeça da curva, ou 0,4% dos criadores em 2022. Como mostrado, a distribuição segue quase exatamente como uma lei de potência, mas a inclinação é menos extrema do que nos exemplos anteriores.

Figura 8. A economia do criador também observa as leis de poder

Fonte: Graphtreon, Análise do autor.

E daí? Compreendendo as implicações generalizadas das leis de potência

Como meu professor de história do 11º ano, o Sr. Conroy costumava dizer “E daí?” A persistência dessas distribuições de consumo altamente distorcidas tem implicações práticas muito importantes para os negócios da mídia e para a cultura de forma mais ampla.

Os hits persistirão em um mundo de conteúdo infinito

Como mencionado no início, ultimamente tenho escrito sobre a inevitabilidade da Infinite TV como a distinção de qualidade entre borrões de conteúdo profissional e independente/criador.

Uma das perguntas que recebi foi: ainda haverá hits em um mundo assim?

A resposta curta: provavelmente sempre haverá hits, se não ainda maiores. Conforme descrito acima, quanto mais opções, mais os consumidores precisam confiar nos sinais sociais e nos mecanismos de recomendação (que, por sua vez, dependem dos sinais sociais) para gerenciar os custos de pesquisa. Isso já é evidente na música. Ferramentas de alto valor de produção foram democratizadas, levando a uma quantidade praticamente infinita de música de alto valor de produção. Mas os sucessos maciços persistem.

OK, mas podemos realmente usar a palavra “sempre”? Vamos muito longe. E se eventualmente a IA generativa for capaz de criar conteúdo personalizado distinto para cada indivíduo? Em um post recente sobre IA generativa , a Sequoia postulou que, até 2030, os filmes serão “sonhos personalizados” (Figura 9).

Figura 9. Todo o conteúdo será “Sonhos Personalizados”?

Fonte: Sequóia.

Isso pode não ser tão improvável quanto parece, pelo menos tecnologicamente. Digamos que em 2035 todos estejamos usando óculos AR, que registram dados sobre nós que envergonham o Google e o Facebook. Eles rastreiam nosso olhar, incluindo o tempo que permanecemos em qualquer coisa e a dilatação de nossas pupilas, respiração e frequência cardíaca (h/t Rony Abovitz ). Eles podem saber mais sobre nós do que nós mesmos. Vamos ainda mais longe. Talvez usemos dispositivos que registram a atividade cerebral enquanto dormimos e reconstruímos as imagens de nossos sonhos. Parece loucura? Pesquisadores no Japão acabaram de mostrar que isso já é possível .

Não há como refutar o conceito de conteúdo individualizado. Mas só porque pode ser tecnicamente possível não significa que será popular. Isso vai contra duas necessidades humanas fundamentais: 1) As pessoas querem agência (ou pelo menos a aparência de agência) em suas escolhas – elas não querem ser reduzidas a um algoritmo. (É por isso que a Netflix recentemente removeu seu botão “Surpreenda-me” .) 2) Mais importante, somos animais sociais e temos a necessidade de unir experiências comuns. Como discuti em outro ensaio recente , para muitas pessoas, essas experiências compartilhadas são entretenimento (esportes, música, jogos, filmes, programas de TV). Numa altura em que a solidão é considerada uma crise de saúde pública, é difícil imaginar que abriríamos mão de experiências compartilhadas e nos retiraríamos para teatros solitários de um.

Tchau, Tchau Meio

Se os maiores sucessos são tão grandes como sempre - ou maiores - e a cauda também está ficando maior, outra implicação é que o meio está desaparecendo.

Qual é o meio? Considere o meio qualquer conteúdo que atraiu atenção (e economia) apenas porque se beneficiou da distribuição anteriormente escassa: jornais locais em grande parte compostos por notícias sindicalizadas, estações de TV com cobertura local fraca, estações de rádio sem personalidades distintas no ar, redes a cabo de entretenimento geral medianas povoadas com reprises de segundo nível ou programação de realidade barata, lançamentos teatrais de orçamento médio, etc. É difícil definir “o meio” com precisão, mas é seguro dizer que historicamente o meio tem gerado coletivamente uma proporção substancial de lucros em todas as mídias verticais.

O meio cada vez menor gerou uma parte substancial dos lucros em todas as verticais de mídia

Os sucessos incluem uma grande dose de sorte

Outra implicação importante dessa “lei de poder” é que os acertos são cada vez mais aleatórios por causa de como funcionam as cascatas de informações. Para ser claro, não estou argumentando que todos os acertos são aleatórios, mas que a sorte está se tornando mais importante.

Os acertos não são completamente aleatórios, mas o papel da sorte está aumentando

Há mais de 15 anos, os pesquisadores Matthew Salganik, Peter Dodds e Duncan Watts conduziram um experimento para determinar o efeito da influência social nas escolhas de conteúdo. Eles dividiram 14.000 participantes em nove grupos, um “grupo independente” e oito “grupos de influência social”. Todos os sujeitos foram convidados a visitar um site onde foram solicitados a classificar 48 músicas desconhecidas de bandas desconhecidas. Eles podiam baixar as músicas se quisessem. Nos oito grupos de influência social, os participantes puderam ver quantas vezes cada música foi baixada por visitantes anteriores de seu grupo; no grupo independente, eles não podiam. No final, os pesquisadores contabilizaram a popularidade das músicas em cada grupo.

As principais conclusões foram duas: 1) cada um dos nove grupos tinha diferentes classificações das canções (enquanto algumas canções tendiam a ser mais populares e outras consistentemente menos populares, exceto que as classificações eram bastante diferentes); e 2) a distribuição de popularidade dentro dos grupos de influência social foi mais extrema do que no grupo independente. A segunda conclusão apóia o ponto principal deste ensaio, ou seja, que a presença de sinais sociais fará com que a distribuição de popularidade seja mais enviesada. (E tenha em mente que neste experimento o único sinal era o número de downloads anteriores, então os participantes estavam apenas sujeitos a cascatas de informação, não pressão para conformidade ou cascatas de reputação. No mundo real, os sinais sociais são muito mais fortes. )

Mas vamos pensar nas implicações da primeira conclusão, ou seja, que cada grupo produziu um ranking de popularidade diferente. Isso implica que os acertos requerem um alto grau de sorte .

Para ver por que isso acontece, experimente um experimento mental (emprestado de Michael Mauboussin). Imagine um barril com 1.000 bolas, cada uma numerada de 1 a 10, e há 100 de cada número (100 #1s, 100 #2s, etc.). Imagine também que você tem 10 urnas, cada uma marcada de 1 a 10. Agora, pegue aleatoriamente 10 bolas do barril e, com base no número marcado em cada uma, coloque cada bola em sua urna correspondente. Substitua as 10 bolas que retirou do barril por bolas novas, mas desta vez a distribuição das bolas novas será equivalente à distribuição das bolas nas urnas. (Se houver duas bolas na urna nº 2 e nenhuma na nº 3, então duas das novas bolas devem ser marcadas como nº 2 e nenhuma deve ser marcada como nº 3.) Continue executando o processo, removendo 10 bolas do barril aleatoriamente, colocando-os nas urnas correspondentes, e adicionar novas bolas ao barril com base na distribuição das bolas nas urnas. Depois de executar esse processo por ciclos suficientes, o que você descobre é que as urnas com mais bolas são cada vez mais propensas a ter mais bolas adicionadas a cada vez.

Ou pense em um exemplo do mundo real: avaliações da Amazon. O algoritmo da Amazon coloca as avaliações com os votos mais “úteis” no topo. Naturalmente, a maioria das pessoas começa no topo e lê apenas algumas críticas. As primeiras resenhas escritas para um novo livro aparecerão no topo da página (por falta de muitas resenhas). Portanto, é mais provável que sejam lidos e considerados úteis do que as análises subsequentes. Isso cria um ciclo de feedback positivo: é mais provável que eles permaneçam perto do topo da página, tornando mais provável que novos visitantes os marquem como úteis, consolidando sua posição no topo da página.

Em um ambiente de rede, os acessos são altamente sensíveis às condições iniciais

Esse fenômeno (ao qual me referi acima como efeito rico-fica-mais-rico, vantagem cumulativa ou apego preferencial) mostra que, em um ambiente de rede, a popularidade é influenciada pela sorte e altamente sensível às condições iniciais. As bolas que são selecionadas primeiro (ou as revisões que são escritas primeiro) têm uma probabilidade muito maior de dominar. Mesmo em um mundo hipotético em que todo o conteúdo fosse de igual qualidade, ainda haveria acessos maciços e aleatórios. O sucesso de PewDiePie ou Charlie Puth foi inevitável? Difícil de dizer.

Como o consumo de conteúdo é cada vez mais afetado pela dinâmica da rede, isso significa que os acessos se tornarão mais imprevisíveis. E, assim como nos mercados financeiros, maior volatilidade significa maior risco, e maior risco significa menor retorno.

Hits podem (e irão) emergir da cauda

Um corolário do ponto anterior é que hits podem, e irão, emergir da cauda. Novamente, isso já é evidente na música. Como escrevi em Infinite TV :

[Quase todos os novos artistas emergentes dos últimos anos - como The Weeknd, Billie Eilish, Lil Uzi Vert, XXXTentacion, Bad Bunny, Post Malone, Migos e muitos mais - surgiram da cauda do conteúdo autodistribuído, não de representantes de A&R rondando às 2 da manhã para o último ato.

Escrever ficção convincente, compor uma música pop cativante, conceber uma jogabilidade inovadora ou escrever um ótimo roteiro são talentos extraordinariamente raros. É razoável pensar que muitas das pessoas capazes de fazer essas coisas, com persistência e sorte, conseguem ter sucesso por meio dos canais tradicionais de produção de conteúdo e ganhar o apoio do pequeno punhado de pessoas que controlam recursos em lugares como HarperCollins, Republic Records, Blizzard ou Universal Pictures. Mas quantos “ Einsteins perdidos ” criativos não deram certo? Milhares? Dezenas de milhares? Centenas de milhares?

Assim como ocorre com as gravadoras, todo produtor tradicional de qualquer tipo de conteúdo deve estar preparado tanto para descobrir talentos que surgem da cauda quanto para competir com ela.

Há uma razão pela qual toda estrela de cinema usa meia-calça

Se às vezes parece que todo filme é uma prequela ou sequência ou sobre super-heróis (ou ambos) e todo novo programa de TV é um spinoff ou reinicialização, é porque uma porcentagem desproporcional deles é (como discutido neste artigo de Adam Mastroianni ) .

As razões freqüentemente citadas para isso incluem o comercialismo grosseiro das empresas de entretenimento, a morte da criatividade e o emburrecimento do consumidor americano, entre outros. Mas olhar para isso pelas lentes da dinâmica de rede descrita neste ensaio sugere várias outras razões de reforço. O IP estabelecido reduz o risco porque:

• Reduz os custos de pesquisa do consumidor. Conforme discutido acima, os consumidores ficam sobrecarregados com a escolha e os altos custos de pesquisa resultantes. Marcas, talentos e franquias conhecidas reduzem esses custos, tornando os consumidores menos dependentes dos sinais da rede.
• Benefícios de uma comunidade pré-existente. Como também discutido, os consumidores às vezes escolhem o conteúdo devido ao desejo de ingressar em uma comunidade ou melhorar sua posição dentro dela. IP estabelecido estabeleceu comunidades, aumentando a influência da comunidade.

Os aluguéis provavelmente mudarão ainda mais para os melhores talentos

Os detalhes de como o talento é compensado em negócios criativos podem ser extraordinariamente complicados e opacos. Se você abstrair, no entanto, em última análise, a remuneração de talentos é uma função da estrutura econômica subjacente das indústrias em que operam.

Numa época em que há mais transparência nos dados de desempenho e maior competição por superestrelas, uma distribuição mais extrema do consumo provavelmente transferirá ainda mais poder de barganha para os melhores talentos.

Ninguém está policiando o algoritmo

Os algoritmos influenciam claramente a distribuição do consumo e tornar-se-ão cada vez mais importantes. De acordo com o Spotify, 1/3 da descoberta de novas músicas ocorre por recomendação algorítmica . A Netflix diz que 80% do tempo de exibição vem de suas recomendações e 20% da pesquisa direta (mas também admite que “ os usuários tendem a acessar o serviço com um programa, filme ou gênero específico em mente ”). Todas as coisas iguais, quanto mais opções, mais os consumidores buscarão ajuda para escolher, seja nos sinais sociais orgânicos que emergem da rede ou nos sistemas de recomendação.

As plataformas têm um forte incentivo para apresentar as melhores recomendações. Mais uso aumenta a afinidade do consumidor, melhora a retenção e, para plataformas suportadas por anúncios, aumenta a receita. Mas, pelo menos na margem, eles podem ter outros incentivos. Spotify e Netflix têm um incentivo para reduzir sua dependência de seus maiores fornecedores. Tanto o Spotify quanto o TikTok divulgam que “considerações comerciais” influenciam suas recomendações. Não muito pode ou provavelmente será feito sobre isso, mas a opacidade e a importância dos algoritmos se tornarão uma vantagem competitiva cada vez mais importante para os agregadores de conteúdo ao longo do tempo.

A economia do criador e a Web3 também vivem no Extremistão

Muito foi escrito (inclusive por mim ) sobre a ascensão da economia do criador e plataformas e ferramentas que permitem que os criadores se conectem diretamente com – e gerem receita de – fãs (não apenas Patreon, mas Substack, OnlyFans, Cameo e muitos outros). O Web3 promete um passo ainda mais decisivo nessa direção. Como os aplicativos web3 são descentralizados, os dados não são mediados por servidores centralizados e os criadores mantêm a propriedade de seus produtos. Para muitas pessoas, a maior promessa da web3 é redistribuir poder e valor de instituições centralizadas para criadores e usuários.

Embora a evolução da economia do criador e da web3 deva permitir que mais criadores ganhem um salário digno, a redistribuição não deve ser confundida com distribuição igualitária , algo que também discuti aqui . Conforme mostrado nas distribuições de popularidade para os criadores do Patreon acima, enquanto houver dinâmica de rede, haverá distribuições de popularidade semelhantes às leis de poder.

A mídia ganha é cada vez mais importante

De volta a Salganik, Dodds e Watts por um momento. Como mencionado, alguns dos sujeitos foram colocados em um grupo independente que não recebeu nenhum sinal social. Os pesquisadores usaram a classificação de popularidade das músicas desse grupo como um indicador de “qualidade”. O que eles descobriram entre os outros grupos foi que as músicas consideradas melhores pelo grupo independente raramente iam mal e as músicas consideradas as piores raramente iam muito bem, mas qualquer outra coisa poderia acontecer.

Qualidade importa em popularidade. A porcaria completa falhará. Mas, acima de um certo limite de qualidade, a popularidade depende muito da dinâmica da rede.

A implicação é que, como diria qualquer profissional de marketing, o marketing é importante. A qualidade não necessariamente subirá naturalmente ao topo. A questão é como comercializar.

Os profissionais de marketing fazem uma distinção entre mídia paga, conquistada e própria. A publicidade paga é tradicional: TV, outdoor, impressa, rádio, mídia de varejo, exibição, pesquisa e social. O ganho é PR e boca a boca, cada vez mais por meio de influenciadores. E são propriedade dos próprios canais de marketing da marca, como seu conteúdo de marca, site, pontos de venda, catálogos etc. As empresas de mídia tendem a depender muito da mídia paga - pense em campanhas publicitárias massivas para lançar um novo programa ou filme. À medida que mais descobertas de conteúdo ocorrem por meio da própria rede, o valor da mídia paga é cada vez mais diluído. Também se torna mais importante para os profissionais de marketing entender quais sinais estão surgindo organicamente e como usar mídia paga e conquistada para amplificar ou combater esses sinais.

Não estamos mais no Kansas

Quase 30 anos desde o IPO da Netscape, a indústria de mídia ainda está enfrentando as implicações da Internet. A realidade de que fragmenta a atenção é intuitiva. As razões pelas quais ele também amplifica os hits são menos compreendidas.

Para as empresas de mídia, as implicações de operar em um mundo em rede são, na melhor das hipóteses, um saco misto. A boa notícia é que os hits ainda são importantes e provavelmente sempre serão. A má notícia é quase todo o resto: o lucrativo meio está sendo esvaziado; o risco está subindo; a cauda torna-se mais competitiva para golpes; o poder de barganha está passando para os melhores talentos; os produtores de conteúdo estão cada vez mais à mercê dos algoritmos dos curadores; e a mídia paga está sendo desvalorizada. À medida que os consumidores lidam com um crescente tsunami de opções, essa dinâmica se torna mais pronunciada. Nada disso ficará mais fácil.