TikTok Research

高パフォーマンスの TikTok 動画をリサーチし、アウトライアを特定し、フックと構造について上位動画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
• GEMINI_API_KEY 環境変数または .env ファイル
• apify-client および google-genai Python パッケージ
• .claude/context/tiktok-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="tiktok-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/tiktok-research/scripts/fetch_tiktok.py \
  --days 30 \
  --limit 50 \
  --sorting latest \
  --output {RUN_FOLDER}/raw.json

パラメータ:

• --days: 検索対象の日数（デフォルト: 30）
• --limit: アカウント当たりの最大動画数（デフォルト: 50）
• --sorting: "latest"、"popular"、または "oldest"（デフォルト: latest）
• --usernames: アカウント ファイルを特定のユーザー名でオーバーライド

3. アウトライアを特定

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

出力 JSON には以下が含まれます:

• total_videos: 分析された動画の数
• outlier_count: 見つかったアウトライアの数
• topics: 上位のハッシュタグ、サウンド、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付きのアウトライア動画配列

4. AI で上位動画を分析

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

各動画から抽出:

• フック テクニックと再現可能なフォーミュラ
• コンテンツ構造とセクション
• 視聴継続テクニック
• CTA 戦略

完全な出力スキーマとフック/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、{RUN_FOLDER}/report.md を生成します。

レポート構造:

# TikTok Research Report

生成日時: {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。これらのフォーミュラ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}"
- **なぜ効果的か**: {attention_grab}
- **再現可能なフォーミュラ**: {replicable_formula}
- **エンゲージメント**: {diggCount} いいね、{commentCount} コメント、{playCount} 再生
- [動画を見る]({webVideoUrl})

[分析した各動画について繰り返す]

## コンテンツ構造パターン

| 動画 | フォーマット | ペーシング | 主要な視聴継続テクニック |
|-------|--------|--------|--------------------------|
| @username | {format} | {pacing} | {techniques} |

## CTA 戦略

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

## すべてのアウトライア

| 順位 | ユーザー名 | いいね | コメント | シェア | 再生数 | エンゲージメント率 |
|------|----------|-------|----------|--------|-------|-----------------|
[すべてのアウトライアをメトリクスとリンク付きで一覧表示]

## トレンドトピック

### 人気ハッシュタグ
[outliers.json topics.hashtags から]

### 人気サウンド
[outliers.json topics.sounds から]

### 人気キーワード
[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 の具体的な推奨事項に統合]

## 分析したアカウント
[アカウントのリスト]

実行可能なインサイトに焦点を当てます。再現可能なフォーミュラ付きの「トップパフォーマンス フック」セクションが目立つようにしてください。

クイック リファレンス

完全なパイプライン:

RUN_FOLDER="tiktok-research/$(date +%Y-%m-%d_%H%M%S)" && mkdir -p "$RUN_FOLDER" && \
python3 .claude/skills/tiktok-research/scripts/fetch_tiktok.py -o "$RUN_FOLDER/raw.json" && \
python3 .claude/skills/tiktok-research/scripts/analyze_posts.py -i "$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 tiktok

その後、両方の JSON ファイルを読み、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: likes + (3 x comments) + (2 x shares) + (2 x saves) + (0.05 x views)

アウトライア検出: エンゲージメント率 > 平均 + (閾値 x 標準偏差) の動画

エンゲージメント率: (スコア / フォロワー数) x 100

TikTok 固有フィールド

• diggCount: いいね/ハート
• shareCount: シェア
• playCount: 動画再生数
• commentCount: コメント
• collectCount: 保存/ブックマーク
• authorFollowers: クリエイターのフォロワー数
• musicName: 動画で使用されているサウンド
• musicOriginal: サウンドがオリジナルかどうか