Unsere Anwendung „MusicVis“ ist für DJs gedacht, die in verschiedenen Ländern auf der ganzen Welt auftreten und/oder auch in Onlineradios spielen.
Mithilfe des Tools kann ein DJ sein Programm beispielsweise je nach Beliebtheit der Genres in dem jeweiligen Land anpassen und auch gleich dazu passende Artists finden.
Doch das ist nur ein Teil der möglichen Anwendungsfälle – mehr dazu unter Szenarios.
Nach einer längeren Recherche sind wir zu dem Schluss gekommen, dass es so ein Tool noch nicht gibt. Natürlich braucht jemand der seine eigenen Songs spielt all die im Tool verpackten Informationen nicht. Trifft das aber nicht zu, dann kann man als DJ aufgrund der Vielfalt an Genres schon mal schnell den Überblick verlieren und so manchen coolen Song vielleicht sogar vergessen.
Unser Ziel ist es, eine Anwendung zu erstellen, die dem DJ mit wenigen Klicks einen klaren Überblick verschafft. Ohne viel Zeit zu investieren soll man gleich passende Genres, Artists oder Songs finden. Dementsprechend kann ein DJ dann seine Auftritte etwa an eine gewisse Zielgruppe optimieren und dann vielleicht mehr Leute erreichen.
Für das Tool verwenden wir einen Teil der „Millionsong“ Daten von http://labrosa.ee.columbia.edu/millionsong/pages/getting-dataset. Wir haben uns aus allen verfügbaren Datenschnipseln und der SQLite Datenbank ein CSV- File mit ca. 250.000 Einträgen erstellt um möglichst realistische Ergebnisse zu erzielen. Wenn wir zu wenige Daten verwenden sieht man bei den Visualisierungen wohlmöglich fast keine Veränderungen und bei zu vielen Daten werden die Visualisierungen zu langsam.
Für die Realisierung unseres Projektes haben wir uns für Tableau entschieden, wir hier durch ein paar Klicks visuell ansprechende, interaktive Dashboards erstellen und diese anschließend im Web dynamisch darstellen können. Hierbei haben wir als Werkzeug verschiedene Arten der Filterung verwendet, um dem Benutzer die Möglichkeit zu geben den Wertebereich individuell eingrenzen zu können. Das ist auch bei der Größe der Daten unbedingt notwendig.
Eines der Hauptprobleme bei der Präsentation des vorigen Meilensteins war, dass wir unsere Anforderungen bzw. unsere User zu schwammig definiert haben. Wir haben uns nochmal zusammengesetzt und geklärt was wir wirklich für wen und warum entwickeln wollen. So sind wir vom musikinteressierten Durchschnittsbürger zum herumreisenden (Online-) DJ gekommen und haben somit dem User eine Gestalt verliehen.
Mit der genaueren Definition unseres Users haben sich natürlich auch die Ideen der tatsächlichen Visualisierungen besser entwickelt. So können wir jetzt besser entscheiden was wirklich zählt, anstatt einfach drauf los zu entwickeln.
Ein weiterer Punkt ist der Datensatz. Anfangs haben wir nur das „cleaned subset“ mit rund 80.000 Einträgen verwendet. Wir haben sehr schnell gemerkt, dass in diesem subset zu wenige, für unser Projekt passende, Daten vorhanden sind. Beispielsweise gab es hier keine Artists oder Geo-Daten und diese nehmen aber in unserem Tool eine wichtige Rolle ein. Außerdem konnten wir beobachten, dass man mit 80.000 Einträgen weniger auf die Skalierbarkeit oder die Performance der Visualisierung achten muss. Es macht einen großen Unterschied ob ich 80.000, 250.000 oder mehr Daten habe.
Die meisten Probleme hatten wir vor allem beim Finden/Zusammenfügen der passenden Daten. Nachdem wir unseren User richtig definiert haben war plötzlich das „cleaned subset“ nämlich nicht mehr geeignet. Daraufhin haben wir uns wie bereits erwähnt einen neuen Datensatz aus vielen verschiedenen Daten vom Millionsong Projekt zusammengesetzt. Das war aufgrund teilweise fehlender Kategorien wie Genre oder Listener recht problematisch. Immerhin wollten wir zunächst, dass alle Daten genau zusammenpassen. Im Endeffekt haben wir bei Genre nicht zu allen Einträgen passende Daten gefunden und hier stellenweise bereits vorhandene Genres an unser File drangehängt. Das führt manchmal zu eigenartigen Ergebnissen bei der Visualisierung, aber für uns geht es in diesem Projekt mehr um das „wie visualisieren wir“ anstatt um hundertprozentig zusammenpassende Daten.
Weitere kleinere Probleme haben wir sonst nur bei manchen Verknüpfungen in Tableau.
In MusicVis gibt es im Dashboard keine direkte Verbindung zur Timeline. Allerdings sehen wir diese auch als eigenen Usecase, der nicht unbedingt etwas mit dem Rest zu tun hat. Quasi ein Zusatzfeature für weitere Informationen.
Wir haben bei der Entwicklung von MusicVis keinen großen Wert auf den Datensatz gelegt. Dadurch, dass wir ziemlich Probleme damit hatten an vernünftige Daten zu kommen, haben wir sehr viel an ihnen manipuliert (vor allem bei Listeners). Eine weitere Schwäche könnte die Performance von Tableau bei einem extrem großen Datensatz sein. Wir haben 250.000 Songs und es läuft recht gut, hat man aber um einiges mehr, wird es vermutlich etwas länger dauern um beispielsweise eine Mehrfachselektierung durchzuführen.Zu den Stärken von MusicVis zählt auf jeden Fall die einfache Bedienbarkeit. Es ist sofort ersichtlich, was zu tun ist und welche Informationen ich erhalten kann. Man wird weder in die Irre geleitet, noch gibt es irgendwelche unverständlichen Parameter, die vom User gesetzt werden müssen. Man kann auch ganz leicht Schritt für Schritt zu den vorigen Zuständen zurückkehren.
Eine weitere Stärke des Tools ist eine gute Übersicht. Diese wurde vor allem durch Linking sämtlicher Charts (mit Ausnahme der Timeline) erreicht. Man sieht immer in welchem Land/Genre/Interpreten man sich befindet.