El problema
TikTok tiene más de mil millones de usuarios activos al mes. Una canción puede pasar de cero a diez millones de visualizaciones en 48 horas. Pero esa visibilidad no garantiza ni un solo stream en Spotify.
Había mucha narrativa alrededor de TikTok y la música, pero muy poca evidencia cuantitativa. Nadie había medido con precisión cuánto impacta realmente la viralidad en TikTok sobre el rendimiento sostenido en Spotify, ni si ese impacto funciona igual para todos los artistas.
Ese fue el punto de partida de este proyecto.
El enfoque
Diseñé un pipeline de análisis completo de tres fases encadenadas, desde la recopilación de datos hasta la visualización estratégica.
Fase 1 · Preparación de datos — Python
Partí del dataset público "Most Streamed Spotify Songs 2024" de Kaggle (4.601 canciones) y lo enriquecí mediante las APIs de Spotify y Last.fm para incorporar géneros musicales, metadatos de artistas y métricas adicionales de engagement. Apliqué limpieza estructural, normalización Unicode, filtrado por percentiles para eliminar canciones sin señal estadística, imputación de valores anómalos, y construí un conjunto de variables derivadas propias: un índice compuesto de viralidad, ratios de conversión entre plataformas, y métricas de engagement normalizadas. El dataset final fue de 4.143 canciones limpias y enriquecidas.
Fase 2 · Análisis estadístico — R
Con el dataset limpio realicé cuatro análisis encadenados: correlaciones logarítmicas entre métricas de TikTok y Spotify, comparativa sistemática entre dos perfiles de artistas (Nuevo Pop vs. Tradicional), clustering k-means para identificar arquetipos de éxito, y un modelo de regresión lineal múltiple con validación cruzada para cuantificar el poder predictivo de TikTok sobre Spotify. Todo el código está documentado y es reproducible.
Fase 3 · Visualización — Power BI
Construí un dashboard interactivo con cuatro vistas: Resumen general, Artistas, Géneros y Canciones, con filtros dinámicos y KPIs accionables diseñados para un usuario de negocio no técnico.
Los hallazgos
Hallazgo 1 · TikTok sí predice el éxito en Spotify — pero no del modo que esperaba
El modelo de regresión con validación cruzada explica el 35% de la varianza del rendimiento en Spotify (R²=0,35). En marketing y comportamiento de consumo, donde intervienen miles de variables no observables, este resultado es estadísticamente sólido.
Los dos predictores más fuertes son:
- Engagement compuesto de TikTok · β = +0,73 · Principal impulsor del éxito en Spotify
- Conversión streams/vista · β = +0,67 · La eficiencia de retención lo es todo
- Año de lanzamiento · β = −0,30 · Cada año reciente dificulta el éxito (saturación creciente)
Esto confirma que TikTok predice Spotify, y que un índice compuesto de métricas supera a cualquier métrica individual. Pero el coeficiente más revelador es el negativo: el mercado está saturado, y los lanzamientos recientes parten en desventaja estructural.
Hallazgo 2 · Dos caminos al éxito, no uno
El análisis de clustering k-means identificó dos arquetipos bien diferenciados:
Clúster 1 — Alto Rendimiento (67,7% de la muestra) Canciones con lanzamiento medio en 2019, audiencia consolidada y conversión estable de 0,92 streams por vista. Es el modelo de éxito tradicional: acumulativo, predecible, menos dependiente de la viralidad.
Clúster 2 — Impulsadas por TikTok (32,3%) Canciones más recientes (media 2023), que se hacen virales gracias a trends específicos. Menor engagement de base, pero eficiencia de conversión más del doble: 2,05 streams por vista. Son canciones que convierten la atención en escucha de manera muy eficiente cuando conectan.
El resultado tiene implicaciones estratégicas claras: una canción del Clúster 1 necesita construir audiencia con paciencia. Una del Clúster 2 necesita maximizar su ventana viral en los primeros días. Confundir las dos estrategias es ineficiente.
Hallazgo 3 · La paradoja del Nuevo Pop
Este fue el hallazgo más sorprendente del proyecto, y el que más valor analítico aporta.
El Nuevo Pop — artistas emergentes post-2018 con alta dependencia de TikTok como Sabrina Carpenter, Chappell Roan u Olivia Rodrigo — domina claramente en TikTok. Mayor like rate (0,152 vs 0,118), mediana de views muy superior (364M vs 211M). Era lo esperado.
Pero cuando analizo la conversión a Spotify, ocurre lo contrario: los artistas tradicionales convierten un 42% mejor en términos de streams por visualización (1,255 vs 0,703). Los streams totales en Spotify son prácticamente iguales entre ambos grupos.
Eso significa que el Nuevo Pop genera mucho ruido en TikTok pero no lo transforma en escucha habitual con la misma eficiencia. A esto lo llamo la paradoja del Nuevo Pop: posición táctica ventajosa en visibilidad, vulnerabilidad estratégica en conversión.
El Nuevo Pop ha resuelto el problema de ser visto. Todavía no ha resuelto el problema de ser escuchado de forma sostenida.
Hallazgo 4 · No todos los géneros funcionan igual
De los 98 géneros identificados en el dataset emergen tres arquetipos claros:
- TikTok-centric — speedcore, neoperreo, hyperpop: alta viralidad nativa, baja conversión a streaming sostenido
- Spotify-centric — pop mainstream, R&B clásico: flujo de reproducciones estable, menor dependencia viral
- Híbridos — country rap, dark pop: los más eficientes estratégicamente, combinan viralidad con conversión
Los lanzamientos se concentran en el primer semestre del año (Q1: 1.155 · Q2: 1.165 vs Q3: 905 · Q4: 918), lo que refleja ciclos de la industria ligados a premios y picos de consumo post-Navidad.
La conclusión
La industria musical lleva años obsesionada con la viralidad como objetivo. Este proyecto demuestra cuantitativamente que la viralidad es condición necesaria pero no suficiente. El verdadero indicador de éxito sostenible es lo que llamo viralidad eficiente: la capacidad de convertir atención efímera en hábito de consumo.
Para artistas, sellos y managers, esto cambia la conversación estratégica. No basta con optimizar para TikTok. Hay que optimizar para la conversión.
El dashboard
El proyecto incluye un dashboard interactivo construido en Power BI con cuatro vistas operativas diseñadas para un usuario de negocio:
Vista Resumen · KPIs globales, evolución temporal y mapa de correlaciones entre plataformas
Vista Artistas · Comparativa Nuevo Pop vs. Tradicional con filtros dinámicos por género y año
Vista Géneros · Ranking de géneros por viralidad, conversión y engagement, con scatter plot de posicionamiento
Vista Canciones · Explorador individual con métricas completas por canción y artista
Stack y metodología
| Herramienta | Uso en el proyecto |
|---|---|
| Python 3 · pandas, requests, numpy | Limpieza, enriquecimiento APIs, feature engineering |
| Spotify API + Last.fm API | Metadatos de artistas, géneros musicales, métricas |
| R · tidyverse, cluster, caret | Correlaciones, clustering k-means, regresión lineal |
| Power BI | Dashboard interactivo con filtros dinámicos |
| Kaggle Dataset (Nelgiriyewithana, 2024) | Fuente de datos base |
Dataset: 4.143 canciones · 98 géneros · Variables derivadas propias
Modelo: Regresión lineal múltiple · Validación cruzada · R² = 0,35
Clustering: K-means · K=2 determinado por método del codo y análisis de silueta
