Instagram リサーチ

高パフォーマンスの Instagram 投稿とリールを調査し、外れ値を特定し、フックと構造についてトップビデオコンテンツを分析します。

前提条件

• APIFY_TOKEN 環境変数または .env ファイル内
• GEMINI_API_KEY 環境変数または .env ファイル内
• apify-client および google-genai Python パッケージ
• .claude/context/instagram-accounts.md に設定されたアカウント

セットアップを確認:

python3 -c "
import os
try:
    from dotenv import load_dotenv
    load_dotenv()
except ImportError:
    pass
from apify_client import ApifyClient
from google import genai
assert os.environ.get('APIFY_TOKEN'), 'APIFY_TOKEN not set'
assert os.environ.get('GEMINI_API_KEY'), 'GEMINI_API_KEY not set'
" && echo "Prerequisites OK"

ワークフロー

1. 実行フォルダを作成

RUN_FOLDER="instagram-research/$(date +%Y-%m-%d_%H%M%S)" && mkdir -p "$RUN_FOLDER" && echo "$RUN_FOLDER"

2. コンテンツを取得

python3 .claude/skills/instagram-research/scripts/fetch_instagram.py \
  --type reels \
  --days 30 \
  --limit 50 \
  --output {RUN_FOLDER}/raw.json

パラメータ:

• --type: "posts"、"reels"、または "stories"
• --days: 検索する日数（デフォルト: 30）
• --limit: アカウントあたりの最大項目数（デフォルト: 50）

3. 外れ値を特定

python3 .claude/skills/instagram-research/scripts/analyze_posts.py \
  --input {RUN_FOLDER}/raw.json \
  --output {RUN_FOLDER}/outliers.json \
  --threshold 2.0

出力 JSON に含まれるもの:

• total_posts: 分析した投稿数
• outlier_count: 見つかった外れ値の数
• topics: 上位のハッシュタグとキーワード
• accounts: 分析されたアカウントのリスト
• outliers: エンゲージメント指標を含む外れ値投稿の配列

4. AI を使用してトップビデオを分析

python3 .claude/skills/video-content-analyzer/scripts/analyze_videos.py \
  --input {RUN_FOLDER}/outliers.json \
  --output {RUN_FOLDER}/video-analysis.json \
  --platform instagram \
  --max-videos 5

各ビデオから抽出:

• フック技法と再現可能な公式
• コンテンツ構造とセクション
• リテンション技法
• CTA 戦略

完全な出力スキーマおよびフック/フォーマットタイプについては、video-content-analyzer スキルを参照してください。

5. レポートを生成

{RUN_FOLDER}/outliers.json と {RUN_FOLDER}/video-analysis.json を読み込んで、{RUN_FOLDER}/report.md を生成します。

レポート構成:

# Instagram リサーチ レポート

生成日: {date}

## トップ パフォーマンス フック

エンゲージメント順にランク付け。これらの公式をコンテンツに使用してください。

### フック 1: {technique} - @{username}
- **オープニング**: "{opening_line}"
- **機能する理由**: {attention_grab}
- **再現可能な公式**: {replicable_formula}
- **エンゲージメント**: {likes} いいね、{comments} コメント、{views} ビュー
- [ビデオを見る]({url})

[分析した各ビデオについて繰り返す]

## コンテンツ構造パターン

| ビデオ | フォーマット | ペーシング | 主なリテンション技法 |
|-------|--------|--------|--------------------------|
| @username | {format} | {pacing} | {techniques} |

## CTA 戦略

| ビデオ | CTA タイプ | CTA テキスト | 配置 |
|-------|----------|----------|-----------|
| @username | {type} | "{cta_text}" | {placement} |

## すべての外れ値

| ランク | ユーザー名 | いいね | コメント | ビュー | エンゲージメント率 |
|------|----------|-------|----------|-------|-----------------|
[すべての外れ値とメトリクスおよびリンクのリスト]

## トレンドトピック

### トップ ハッシュタグ
[outliers.json topics.hashtags から]

### トップ キーワード
[outliers.json topics.keywords から]

## 実行可能なテイクアウェイ

[パターンを 4～6 個の具体的な推奨事項に統合]

## 分析済みアカウント
[アカウントをリスト化]

実行可能なインサイトに焦点を当てます。再現可能な公式を含む「トップ パフォーマンス フック」セクションを目立たせてください。

クイックリファレンス

完全なパイプライン:

RUN_FOLDER="instagram-research/$(date +%Y-%m-%d_%H%M%S)" && mkdir -p "$RUN_FOLDER" && \
python3 .claude/skills/instagram-research/scripts/fetch_instagram.py --type reels -o "$RUN_FOLDER/raw.json" && \
python3 .claude/skills/instagram-research/scripts/analyze_posts.py -i "$RUN_FOLDER/raw.json" -o "$RUN_FOLDER/outliers.json" && \
python3 .claude/skills/video-content-analyzer/scripts/analyze_videos.py -i "$RUN_FOLDER/outliers.json" -o "$RUN_FOLDER/video-analysis.json" -p instagram

その後、両方の JSON ファイルを読み込んでレポートを生成します。

エンゲージメント指標

エンゲージメント スコア: いいね + (3 × コメント) + (0.1 × ビュー)

外れ値検出: エンゲージメント率 > 平均 + (しきい値 × 標準偏差) の投稿

エンゲージメント率: (スコア / フォロワー数) × 100