Scavenger AI blottlägger Eurovisionens datamönster

Scavenger AI, ett dataanalysföretag, har släppt en djupgående analys av 68 års Eurovision Song Contest. Baserat på över 51 000 röstningsrader och texter från 1 700 låtar, avslöjar fynden överraskande mönster i vad som bidrar till framgång i tävlingen.

Analysen visar att publikens förutsägelser inte alltid är korrekta. Medan community-favoriter som MyESC Community presterade bättre och placerade alla de senaste vinnarna bland de sju bästa, var omröstningarna inom OGAE-fanklubben mer inkonsekventa. MyESC Communitys större medlemsbas, över 10 000 medlemmar, i kombination med mer data, verkar förklara dess bättre prediktiva förmåga jämfört med OGAE:s grupp på cirka 900 medlemmar.

Ur ett strategiskt perspektiv har startordningen en betydande inverkan. Enligt datan har tidiga startnummer, särskilt de första fem, inte vunnit under de senaste åren. Istället har två specifika fönster, startnummer 11–15 och 21–26, producerat sju av de åtta senaste vinnarna, med genomsnittliga poäng på 213 respektive 216. En mindre framgångsrik period är dock nummer 16–20, som inte har producerat en enda seger.

Språkanvändningen har också genomgått en förändring. Efter regeländringen 1999, som tog bort kravet på att sjunga på sitt modersmål, ökade andelen engelskspråkiga låtar markant. Däremot vände Portugals seger med Salvador Sobrals portugisiska bidrag 2017 trenden. Sedan dess har andelen modersmålslåtar stadigt ökat, och fyra av de åtta senaste vinnarna sjöng på sitt eget språk.

Textanalysen visar att vinnarlåtarna tenderar att ha en mer positiv ton och innehålla ord som "forever", medan "La La La" förekommer oftare i låtar som placerats sist. Skillnaden mellan könen bland artisterna är liten, men enskilda artister presterar statistiskt bättre än grupper. Scavenger AI antyder att en optimal vinnarprofil skulle inkludera en modersmålslåt, framförd av en solartist med ett startnummer mellan 11–15 eller 21–26, med positiv lyrik.