{"id":15060,"date":"2026-02-09T08:07:10","date_gmt":"2026-02-09T07:07:10","guid":{"rendered":"https:\/\/www.iese.fraunhofer.de\/blog\/?p=15060"},"modified":"2026-02-09T08:07:10","modified_gmt":"2026-02-09T07:07:10","slug":"simulation-komplexer-software-systeme-nach-spotify-algorithmus","status":"publish","type":"post","link":"https:\/\/www.iese.fraunhofer.de\/blog\/simulation-komplexer-software-systeme-nach-spotify-algorithmus\/","title":{"rendered":"Musik als Zahlen: Ein von Spotify inspirierter Ansatz zur Simulation komplexer Systeme"},"content":{"rendered":"

Nutzerinnen und Nutzer der beliebten Musik-Streaming-Plattform \u00bbSpotify\u00ab kennen den pers\u00f6nlichen \u00bbMix der Woche\u00ab oder die t\u00e4glichen Empfehlungen. Doch was w\u00e4re, wenn wir die Logik hinter diesen passgenauen Empfehlungen nutzen k\u00f6nnten, um die Konzepte hinter komplexen Systemen abzusichern? Wie l\u00e4sst sich etwa der Erfolg eines digitalen Marktplatzes vorhersagen, bevor die erste Zeile Code geschrieben ist? Die Antwort liegt in den Mechanismen, die Spotify f\u00fcr seine Empfehlungen nutzt. In diesem Beitrag schauen wir hinter die Kulissen der Spotify-Algorithmen und zeigen, wie wir diesen Ansatz zur Simulation von Software-Systemen nutzen. Indem wir das Prinzip der \u00bbVektor-\u00c4hnlichkeit\u00ab auf Angebot und Nachfrage \u00fcbertragen, schaffen wir eine realistische Entscheidungsgrundlage f\u00fcr Ihr n\u00e4chstes Projekt \u2013 von der Bedarfsanalyse bis zur dynamischen Marktsimulation.<\/p>\n

Wie funktioniert Match-Making in digitalen Systemen?<\/h2>\n

Algorithmen sind das unsichtbare Herz von Spotify. Sie erstellen nicht nur personalisierte Playlists, die scheinbar genau zu unserem Musikgeschmack passen, sondern organisieren im Hintergrund ein komplexes System des Zuordnens, Vergleichens und Gewichtens von Daten. Was dabei oft \u00fcbersehen wird: Solche Mechanismen beschr\u00e4nken sich keineswegs auf Musikplattformen. Viele digitale Dienste \u2013 von Online-Shops bis zu Streaming-Portalen \u2013 basieren auf \u00e4hnlichen Matching-Prinzipien, um Nutzerinnen und Nutzer mit Inhalten, Produkten oder Dienstleistungen zueinander in Beziehung zu setzen.<\/p>\n

Gerade deshalb ist Spotify mehr als nur ein Musikdienst: Die Plattform kann auch als anschauliches Beispiel daf\u00fcr dienen, wie softwarebasierte Systeme Verhalten modellieren, Pr\u00e4ferenzen abbilden und daraus Entscheidungen ableiten. In diesem Beitrag betrachten wir Spotifys Ansatz nicht technisch, sondern konzeptionell \u2013 und nutzen ihn als Inspiration daf\u00fcr, wie sich Matching- bzw. Empfehlungssysteme auch auf die Simulation von Software-Systemen \u00fcbertragen lassen.<\/p>\n

Wie berechnet Spotify den Musikgeschmack mit Algorithmen?<\/h2>\n

Individuelle, und vor allem passende Empfehlungen setzen voraus, dass der pers\u00f6nliche Geschmack m\u00f6glichst genau bekannt ist. Das gilt selbstverst\u00e4ndlich auch f\u00fcr den Musikgeschmack. Spotify muss diesen f\u00fcr jede H\u00f6rerin und jeden H\u00f6rer auf der Plattform bestimmen und abbilden k\u00f6nnen, sodass automatisiert Vorschl\u00e4ge berechnet werden. Wie aber misst Spotify den Geschmack der Nutzerinnen und Nutzer?<\/p>\n

Spotify kennt den Geschmack durch Wissen dar\u00fcber, welche Musikst\u00fccke bereits abgespielt wurden. Da jedoch niemand dasselbe Musikst\u00fcck wieder und wieder vorgeschlagen bekommen m\u00f6chte, d\u00fcrfen Vorschl\u00e4ge nicht identisch<\/em>, sondern m\u00fcssen \u00e4hnlich<\/em> sein. Das bedeutet, dass Spotify Musikst\u00fccke vergleichbar machen muss. Wie aber vergleicht man Musikst\u00fccke?<\/p>\n

Spotify erreicht dies, durch die Charakterisierung der Musikst\u00fccke<\/strong> in Merkmalsprofilen und der Gegen\u00fcberstellung der modellierten Geschmacksprofile<\/strong> der Nutzenden (\u00bbTaste Profile\u00ab). Empfehlungen werden aus dem Grad ihrer \u00dcbereinstimmung abgeleitet. Teil der Charakterisierung sind etwa Lautst\u00e4rke, Lebendigkeit oder Tanzbarkeit. Jedes Lied kann auf einer Skala mit Werten zwischen 0 und 1 f\u00fcr jede Eigenschaft beschrieben werden. Eignet sich ein Lied gut zum Tanzen, wird dies durch einen hohen Wert der \u00bbTanzbarkeit\u00ab repr\u00e4sentiert. Weiterhin zeichnet sich jedes Lied durch zus\u00e4tzliche, nicht normierte Metadaten wie die L\u00e4nge des St\u00fccks oder die Schl\u00e4ge pro Minute (BPM) aus. \u00dcberdies verwendet Spotify plattformspezifische, nutzungsbasierte Metadaten. Diese beschreiben nicht nur die Eigenschaften der Musik selbst, sondern auch, wie, wann und in welchem Kontext sie geh\u00f6rt wird. Sie entstehen aus dem tats\u00e4chlichen Nutzungsverhalten, etwa aus Interaktionssignalen wie Anspieldauer oder Skip-Verhalten, sowie aus Ger\u00e4te- und Situationsdaten wie Standort oder Bewegungsaktivit\u00e4t. Auf diese Weise kann Spotify erfassen, zu welchen Tageszeiten, an welchen Orten oder in welchen Nutzungssituationen bestimmte Musik typischerweise geh\u00f6rt wird, etwa unterwegs, beim Sport oder in Ruhephasen [1].<\/p>\n

Kosinus-\u00c4hnlichkeit und Vektoren: Die Mathematik hinter dem User-Profil<\/h2>\n

Ein Musikst\u00fcck vorzuschlagen, das den bisher gespielten Musikst\u00fccken \u00e4hnelt, hei\u00dft folglich, ein Musikst\u00fcck zu finden, das eine \u00e4hnliche Werteverteilung aufweist. F\u00fcr Nutzende mit typischerweise hohem Bedarf an Tanzbarkeit werden dies andere St\u00fccke sein als f\u00fcr solche, die vornehmlich Musik mit hohem Akustikanteil bevorzugen. Damit Spotify diese \u00e4hnlichen Musiktitel effizient berechnen kann, repr\u00e4sentiert es Musikst\u00fccke als Vektoren<\/strong>, deren Komponenten die Charakteristiken der St\u00fccke abbilden [2].<\/p>\n

Das bedeutet, f\u00fcr s\u00e4mtliche Musikst\u00fccke hat Spotify mittels entsprechender algorithmischer Analysen eine Instanz eines Vektors<\/strong> gebildet, der zu allen Eigenschaften einen konkreten Wert vergibt. Michael Jacksons \u00bbThriller\u00ab weist laut Musicstax eine Tanzbarkeit von 0,77 auf [3] wohingegen \u00bbHallelujah\u00ab von Leonard Cohen eine eher geringe Tanzbarkeit von 0,28 zeigt [4].<\/p>\n

Da sich musikalischer Geschmack eines Menschen nicht direkt messen l\u00e4sst, wertet Spotify Nutzungsdaten aus. Auf Basis der individuellen H\u00f6rhistorie und im Vergleich mit \u00e4hnlichen Nutzergruppen, etwa gem\u00e4\u00df Wohnort oder Alterskohorte, wird das Geschmacksprofil gebildet. Mit zunehmender Nutzungsdauer wird dieses Profil kontinuierlich verfeinert und pr\u00e4zisiert.<\/p>\n

Mit Instanzen von Vektoren f\u00fcr Musikst\u00fccke und H\u00f6rerinnen bzw. H\u00f6rer kann nun berechnet werden, welche Lieder zu einem Geschmack passen, wie in Abbildung 1 exemplarisch dargestellt. Anders ausgedr\u00fcckt: Spotify kann durch geschicktes Vergleichen, z.B. anhand der Kosinus-\u00c4hnlichkeit zwischen Vektoren, die pers\u00f6nlichen Playlists mit Empfehlungen bef\u00fcllen. Hierf\u00fcr nutzt es eigens entwickelte Algorithmen, die mit den riesigen Datenmengen der Streaming-Plattform funktionieren [5].<\/p>\n

\"Das
Abbildung 1: Repr\u00e4sentanz von Musikst\u00fccken und H\u00f6renden als Vektoren mit Vorhersage des \u00bbMatches\u00ab zwischen der fiktiven H\u00f6rerin Maria und zwei beispielhaften Musikst\u00fccken<\/figcaption><\/figure>\n

Vom Empfehlungs-Algorithmus zur Software-Simulation<\/h2>\n

Die ausgesprochenen Empfehlungen zu Musikst\u00fccken, die einer H\u00f6rerin oder einem H\u00f6rer gefallen, sind eine Vorhersage einer Passung zwischen einem Angebot und einer Nachfrage. Das ist eine Aufgabenstellung, der nicht nur Spotify gegen\u00fcbersteht. Marktpl\u00e4tze wie Amazon schlagen passende Produkte vor, Dating-Apps wie Tinder suchen die passenden Partnerinnen und Partner, und YouTube empfiehlt vermeintlich interessante Videos. Alle versuchen, bestm\u00f6glich die \u00c4hnlichkeit zwischen Angebot und Nachfrage zu berechnen, um das wahrscheinlichste \u00bbMatch\u00ab vorherzusagen und der Nutzerschaft nahezulegen. Abbildung 2 zeigt die Struktur anhand des Beispiels von Spotify.<\/p>\n

\"Das
Abbildung 2: Struktur eines \u00bbMatch-Making\u00ab zwischen Anbietern und deren Angeboten, und Nachfragenden, anhand des Beispiels von Spotify<\/figcaption><\/figure>\n

Die Idee der Empfehlungen auf Basis eines Vergleichs zwischen Angebot und Nachfrage ist folglich \u00fcber Branchen hinweg anwendbar. Doch bevor ein Betreiber dieses Instrument nutzen kann, steht er vor anderen Herausforderungen: Er muss ein Konzept f\u00fcr eine Software und insbesondere ein Gesch\u00e4ftsmodell entwerfen, das langfristig tragf\u00e4hig ist. Das ist es nur dann, wenn die Plattform eine ausreichende Anzahl \u00bbMatches\u00ab vermittelt. Das wiederum geschieht nur, wenn Angebot und Nachfrage in ausreichendem Umfang auf der Plattform vertreten sind.<\/p>\n

Was genau bedeutet das jedoch konkret? Welche Angebote und welche Konsumenten f\u00fchren zu welchen Transaktionen auf der Plattform, und damit zu welchen m\u00f6glichen Einnahmen? Hierf\u00fcr ist eine Vorhersage notwendig \u2013 und das sollte uns bekannt vorkommen: Was Spotify f\u00fcr seine Empfehlungen nutzt, verwenden wir f\u00fcr die Simulation eines Software-Systems und seiner Interaktionen.<\/p>\n

Gesch\u00e4ftsmodelle mit realit\u00e4tsnahen Simulationen absichern<\/h2>\n

Die Zutaten f\u00fcr eine Simulation eines Software-Systems mit Austauschen zwischen Anbietern und Nachfragern auf einer gemeinsamen Plattform kennen wir bereits:<\/p>\n