Pendant des décennies, les rappeuses se sont heurté à de nombreuses barrières dans l’industrie musicale : une diffusion radio limitée, des préjugés, et une sous-représentation dans les playlists mainstream. En 2021, les femmes représentaient 23,3% des artistes du classement annuel Billboard Hot 100, contre 76,7% d’hommes. En 2024, elles constituaient 37,7%, malgré une surreprésentation masculine persistante. Bien que la ville d’origine des artistes soit cruciale dans le rap, façonnant tout, du son et du style aux commentaires sociaux et à la trajectoire de leurs carrières, il n’existe pas de statistiques officielles de streaming ville par ville publiées par les grandes plateformes musicales ou les majors de l’industrie. Alors, quelles villes produisent des rappeuses à succès ? Existe-t-il un lien entre la représentation d’une ville et les chiffres de streaming de ses artistes ou leurs taux de succès ? Et surtout, quelles villes américaines sont les plus susceptibles de produire et de soutenir les rappeuses émergentes ?
1. Données
- Billboard Hot 100 Songs : Fournit les performances historiques des chansons, permettant d’analyser comment les rappeuses ont évolué au fil du temps dans les classements grand public.
- Spotify Top 10k Streamed Songs : Aide à identifier les chansons les plus écoutées, permettant une comparaison du succès du streaming des rappeuses par rapport aux rappeurs.
- Spotify Dataset (Popular Hip Hop Artists and Tracks) : Fournit des données sur les artistes et les chansons en streaming, permettant d’analyser la popularité des rappeuses par rapport à leurs homologues masculins.
- Tidal Playlist of Female Rappers : Présente des titres sélectionnés de rappeuses influentes, offrant un aperçu qualitatif et quantitatif de leurs styles musicaux et de leurs thèmes favoris.
- Article Complex : Classement des meilleures villes de rap : Aide à contextualiser l’influence géographique sur le succès des rappeuses en cartographiant leurs origines par rapport aux villes hip hop les mieux classées.
2. Méthodologie
1. Nettoyage des données
Utilisation d’un mélange d’examen manuel et de marquage IA pour ajouter les informations de genre et de ville manquantes. Normalisation des villes (Harlem et Brooklyn → NYC) et suppression des artistes non-rap comme Beyoncé et Rihanna.
2. Analyse exploratoire des données (EDA)
Exploration des distributions, des principales villes et de la fréquence des artistes sur les plateformes à l’aide d’histogrammes et de graphiques à barres.
3. Prétraitement
Regroupement des artistes par ville et plateforme et étiquetage des artistes comme « hit = 1 » quand elles sont mentionnées plus de 5 fois. Application du one-hot encoding, de la mise à l’échelle et traitement des valeurs manquantes.
4. Modélisation
Entraînement d’un classificateur Random Forest pour prédire les succès à partir des caractéristiques de ville et de plateforme.
5. Visualisation
Création de résumés visuels tels que :
- Top des rappeuses par nombre total de mentions.
- Villes principales en termes de succès des rappeuses.
- Matrice de confusion pour les résultats du modèle.
- Durée des morceaux des rappeuses.
3. Résultats
- Nicki Minaj (New York) obtient le plus grand nombre de mentions sur toutes les plateformes.
- New York, Houston et Los Angeles sont les principales villes pour le succès des rappeuses.
- Billboard et Spotify Top 10k sont les meilleurs indicateurs pour prédire le succès d’une rappeuse.
- TIDAL et Complex offrent des informations qualitatives mais moins de valeur prédictive.
- Les résultats du modèle sont prometteurs, bien qu’une validation supplémentaire sur des échantillons plus larges soit recommandée.
4. Recommandations
- Prioriser le recrutement de talents dans les villes à fort potentiel : New York, Houston, Los Angeles et Atlanta.
- Surveiller la montée en popularité sur les plateformes : Utiliser Spotify 10k et Billboard comme signaux de percée précoce.
- Utiliser des outils prédictifs : Combiner les données de ville et de plateforme pour une découverte d’artistes évolutive.
5. Travaux futurs
- Ajouter des caractéristiques comme les paroles et l’ambiance des morceaux, les collaborations des artistes et le tempo.
- Explorer les scènes internationales (par exemple le Royaume-Uni, la France, le Brésil et l’Afrique du Sud).
- Incorporer TikTok et les métriques de viralité des réseaux sociaux.
- Utiliser des modèles ML avancés (par exemple XGBoost) pour une meilleure prédiction.
- Créer un tableau de bord pour les équipes de labels afin d’explorer les métadonnées des artistes et les prédictions.
