Comment Giggin’ prévoit de faire des concerts bondés la norme

Une maison joliment remplie (Photo : Daniel Nouri)

Giggin’ affirme que les plateformes de concerts en direct regardent la demande de fréquentation à l’envers. Mais la modélisation prédictive et de meilleures données peuvent-elles aider les salles – et les artistes – à mieux projeter leur public en direct et à augmenter leurs bénéfices ?

Les grandes compagnies aériennes ont compris comment remplir leurs avions en utilisant des stratégies sophistiquées de prévision et de tarification – les voyageurs empruntant rarement des vols à moitié vides de nos jours. Alors pourquoi les salles de concert ne parviennent-elles pas à trouver un moyen fiable de remplir leurs salles ?

Mais attendez : les revenus des concerts ont augmenté grâce à un flux apparemment incessant de concerts à guichets fermés dans des arènes, des stades et des amphithéâtres de superstars établies. Même après le calme post-COVID, les superstars de Taylor à Blackpink en passant par Oasis font grimper le prix des billets et battent des records de fréquentation.

Mais qu’en est-il des artistes jouant dans des salles de petite et moyenne taille comme des théâtres, des clubs de jazz, des bars, des discothèques, des auditoriums et des espaces musicaux moins conventionnels ? Soudainement, remplir un lieu devient plus délicat, même si cette sous-catégorie souvent négligée pourrait connaître une renaissance des revenus grâce à l’IA intelligente et à l’analyse prédictive.

Des expressions telles que « intention de demande groupée », « prévision de la participation » et « signaux de demande » semblent étrangères à la plupart des propriétaires de salles, des promoteurs et des artistes. Mais selon le fondateur de Giggin Cheryl Kwongc’est exactement le vocabulaire dont l’espace de concert a besoin pour augmenter ses revenus non-superstars. Tout récemment, DMN s’est associé à Giggin’ pour étendre ce concept.

Selon Kwong, les applications de réservation existantes répondent mal à la demande en utilisant des ensembles de données incomplets et des modèles post-achat au lieu d’analyses prédictives. Cela déplace les réservations vers des artistes plus sûrs et plus fiables, mais ignore les artistes émergents qui peuvent remplir les salles.

(Et hé, j’emmènerai un artiste de yacht rock « sûr » n’importe quel soir dans mon club local. Mais qu’en est-il d’un groupe local en plein essor qui suscite également un buzz fou ?)

“Nos données permettent aux salles de diversifier les réservations au-delà des artistes traditionnels ou” sûrs “”, a déclaré Kwong à Digital Music News. “Les plateformes existantes captent la demande en aval une fois que les fans ont pris leur décision, tandis que Giggin’ analyse les premiers signaux avant que les décisions ne soient prises.”

Bien sûr, des données prédictives sophistiquées ne garantissent pas des salles combles, mais elles améliorent considérablement les chances d’avoir une salle comble, tout en réduisant le risque de salles vides. Mais comment tout cela fonctionne-t-il ?

Giggin’ est un jeu gourmand en données qui exploite les avancées récentes en matière d’IA, d’analyse prédictive et de big data pour réduire les risques. Des milliers de facteurs sont pondérés et intégrés dans le score de demande d’un artiste, notamment l’emplacement, l’adéquation du lieu et les mesures d’engagement des fans. En fin de compte, prévoir la demande devient un super pouvoir de réservation et, espérons-le, un important générateur de revenus.

“L’objectif primordial est simplement de permettre aux promoteurs et aux salles de prédire la demande probable de fréquentation avant de réserver les artistes, et de réduire les billets invendus et les opportunités manquées au cours du processus”, a poursuivi Kwong.

Mais Kwong a également souligné qu’il ne s’agit pas d’un jeu de modélisation prédictive de type jardin.

Lorsque la plupart des gens pensent à la modélisation prédictive, ils imaginent un ensemble de données existant qui éclaire les prévisions futures. L’approche Giggin’, cependant, porte ce concept à un tout autre niveau.

Kwong a inscrit la différence sur un tableau blanc comme ceci. Dans le modèle prédictif traditionnel, le schéma ressemble à ceci :

• Données historiques → modèle → prédiction

Mais le modèle plus sophistiqué employé par Giggin’ ressemble davantage à ceci :

• Signaux d’intention des fans → interprétation → réservation+routage+ décisions de tarification → résultats de l’événement en direct → nouveaux signaux → répétition

Dans le cadre de cette approche, Giggin’ fait appel aux fans eux-mêmes, dont la participation constitue une partie essentielle de l’ensemble de données comportementales observées.

Sur l’application Giggin’ elle-même, Kwong a noté que les fans peuvent trouver de meilleurs concerts de manière plus fiable, auprès d’artistes qu’ils aiment ou pourraient aimer. Au lieu de simplement faire défiler les concerts disponibles sur une plateforme comme BandsInTown, l’approche plus axée sur les données utilise les préférences suivies et les données sociales pour générer des suggestions d’émissions intelligentes. Mais en liant cela à l’écosystème de données plus large, les choix des fans alimentent également le modèle prédictif de fréquentation.

Et cela nous amène à la motivation motrice de cette application : ingérer des données critiques liées aux signaux d’intention des fans et alimenter la séquence mise à jour décrite ci-dessus. Pour les fans, l’utilité de l’application est élevée, mais pour Giggin’, elle offre un mécanisme de capture de signal critique pour un mécanisme de modélisation qui n’a jamais été construit auparavant.

« Sans cela, la couche de renseignement se limite à la demande déjà matérialisée », a précisé Kwong.

Cela a du sens ? À l’heure actuelle, les concepts sont pour la plupart étrangers à l’espace de réservation de concerts, bien que Giggin’ envisage un avenir dans lequel son application et ses données intelligentes seront un élément indispensable dans l’espace des concerts en direct. Et au-delà des salles et des promoteurs, les agences musicales pourraient également commencer à en prendre note – et à représenter davantage d’artistes avec de solides données prédictives de fréquentation au lieu des salles à guichets fermés précédentes.

Mais Kwong a également souligné d’autres avantages puissants au-delà de la simple fréquentation. Remplir un espace est une grande victoire, mais le faire avec une tarification optimisée et un marketing bien budgétisé est encore mieux. Lors du spectacle lui-même, la machine de données prédictives Giggin’ peut également aider à repérer les artistes d’ouverture et même offrir des conseils sur les setlists.

“Ce n’est pas seulement la réservation, c’est l’ensemble du concert que nous influençons”, a déclaré Kwong.

Mais pour que tout fonctionne, Giggin’ utilise sa première preuve de concept et l’optimise avec des données sur le terrain.

Par exemple, les données en temps réel des spectacles aident à établir un score de demande d’artiste plus précis. Et les données soumises par les sites garantissent également que le moteur prédictif reçoit des données vérifiées et de haute qualité. Les API des services de billetterie et des plateformes sociales, qui complètent l’étendue et la profondeur des données, alimentent également cette boucle de rétroaction vertueuse.

En fin de compte, l’objectif est simple : emballer les maisons, réduire les risques de réservation et rendre les concerts bien meilleurs pour les fans et les artistes. Voyons si Giggin’ peut y parvenir.