Durante décadas, las raperas han enfrentado barreras en la industria musical, incluyendo reproducción limitada en la radio, prejuicios de la industria y subrepresentación en las principales listas de reproducción. En 2021, las mujeres representaban el 23,3% de los artistas en el Billboard Hot 100 Year-End Chart, comparado con el 76,7% de hombres. En 2024, su porcentaje aumentó al 37,7%, pero aún mostrando una mayoría masculina. Aunque la ciudad de origen es crucial en la música rap, moldeando todo desde el sonido y el estilo hasta el comentario social y la trayectoria de las carreras de los artistas, no existen estadísticas oficiales de streaming ciudad por ciudad para las raperas publicadas por las principales plataformas musicales u organizaciones de la industria. Entonces, ¿qué ciudades producen raperas exitosas? ¿Existe una conexión entre la representación de una ciudad y las cifras de streaming de sus artistas o sus tasas de éxito? Y sobre todo, ¿qué ciudades estadounidenses tienen más probabilidades de producir y sostener el talento femenino del rap?
1. Datos
- Billboard Hot 100 Songs: Proporciona el rendimiento histórico de las canciones en las listas, permitiendo analizar cómo las raperas han evolucionado con el tiempo en las clasificaciones mainstream.
- Spotify Top 10k Streamed Songs: Ayuda a identificar las canciones más reproducidas, permitiendo una comparación del éxito del streaming de las raperas versus los raperos masculinos.
- Spotify Dataset (Popular Hip Hop Artists and Tracks): Proporciona datos sobre artistas y canciones en streaming, permitiendo analizar la popularidad de las artistas de rap femeninas en comparación con sus contrapartes masculinas.
- Tidal Playlist of Female Rappers: Presenta pistas seleccionadas de raperas influyentes, ofreciendo una mirada cualitativa y cuantitativa a sus estilos musicales y temas favoritos.
- Artículo Complex: Best Rap Cities Ranking: Ayuda a contextualizar la influencia geográfica en el éxito de las raperas mapeando sus orígenes con las ciudades hip hop mejor clasificadas.
2. Metodología
1. Procesamiento de datos
Se utilizó una combinación de revisión manual y etiquetado con IA para agregar información faltante de género y ciudad. Normalización de ciudades (Harlem y Brooklyn → NYC) y eliminación de artistas no-rap como Beyoncé y Rihanna.
2. Análisis exploratorio de datos (EDA)
Exploración de distribuciones, principales ciudades y frecuencia de artistas en las plataformas mediante histogramas y gráficos de barras.
3. Preprocesamiento
Agrupación de artistas por ciudad y plataforma y etiquetado de artistas como «hit = 1» si tenían 5+ menciones. Aplicación de one-hot encoding, escalado y manejo de valores faltantes.
4. Modelado
Entrenamiento de un Clasificador Random Forest para predecir éxitos a partir de características de ciudad y plataforma.
5. Visualización
Creación de resúmenes visuales tales como:
- Top de raperas por menciones totales
- Ciudades líderes para el éxito de las raperas
- Matriz de confusión para los resultados del modelo
- Duración de las pistas de rap femenino
3. Resultados
- Nicki Minaj (NYC) tuvo el mayor número total de menciones en todas las plataformas.
- NYC, Houston y LA fueron las principales ciudades para el éxito de las raperas.
- Billboard y Spotify Top 10k estuvieron más fuertemente correlacionados con el estado de éxito.
- TIDAL y Complex ofrecieron perspectivas cualitativas pero menos valor predictivo.
- Los resultados del modelo son prometedores, aunque se recomienda una validación adicional en muestras más grandes.
4. Recomendaciones
- Explorar donde cuenta: Enfocar los esfuerzos de A&R en NYC, Houston, LA y Atlanta.
- Vigilar el impulso temprano de la plataforma: Usar Spotify 10k y Billboard como señales tempranas de despegue.
- Usar herramientas predictivas: Combinar datos de ciudad y plataforma para el descubrimiento escalable de artistas.
5. Trabajo Futuro
- Agregar características como letras, ambiente, colaboraciones y tempo.
- Explorar escenas internacionales (por ejemplo, Reino Unido, Francia, Brasil, Sudáfrica).
- Incorporar TikTok y métricas de viralidad en redes sociales.
- Usar modelos ML avanzados (por ejemplo, XGBoost) para mejor predicción.
- Construir un panel de control para que los equipos de discográficas exploren los metadatos de los artistas y las predicciones.
Este proyecto es parte del Springboard Data Science Career Track – Proyecto Capstone.
