instagram-research

Instagram リサーチ

パフォーマンスの高い Instagram の投稿やリールを調査し、外れ値を特定して、上位の動画コンテンツのフックと構成を分析します。

前提条件

• APIFY_TOKEN 環境変数、または .env 内の設定
• GEMINI_API_KEY 環境変数、または .env 内の設定
• Python パッケージの apify-client と google-genai
• .claude/context/instagram-accounts.md でアカウントを設定済みであること

セットアップを確認します：

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. 実行フォルダーを作成

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

パラメーター：

• --type：「posts」、「reels」、または「stories」
• --days：検索対象の日数（デフォルト：30）
• --limit：アカウントごとの最大アイテム数（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

出力される JSON には以下が含まれます：

• 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：分析したアカウントの一覧
• outliers：エンゲージメント指標を含む外れ値投稿の配列

4. AI で上位の動画を分析

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

各動画から以下を抽出します：

• フックの手法と再現可能な定型
• コンテンツの構成とセクション
• 視聴継続のための手法
• CTA 戦略

出力スキーマとフック／フォーマットの種類について詳しくは、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 を読み込み、{RUN_FOLDER}/report.md を生成します。

レポートの構成：

# Instagram Research Report

Generated: {date}

## Top Performing Hooks

Ranked by engagement. Use these formulas for your content.

### Hook 1: {technique} - @{username}
- **Opening**: "{opening_line}"
- **Why it works**: {attention_grab}
- **Replicable Formula**: {replicable_formula}
- **Engagement**: {likes} likes, {comments} comments, {views} views
- [Watch Video]({url})

[Repeat for each analyzed video]

## Content Structure Patterns

| Video | Format | Pacing | Key Retention Techniques |
|-------|--------|--------|--------------------------|
| @username | {format} | {pacing} | {techniques} |

## CTA Strategies

| Video | CTA Type | CTA Text | Placement |
|-------|----------|----------|-----------|
| @username | {type} | "{cta_text}" | {placement} |

## All Outliers

| Rank | Username | Likes | Comments | Views | Engagement Rate |
|------|----------|-------|----------|-------|-----------------|
[List all outliers with metrics and links]

## Trending Topics

### Top Hashtags
[From outliers.json topics.hashtags]

### Top Keywords
[From outliers.json topics.keywords]

## Actionable Takeaways

[Synthesize patterns into 4-6 specific recommendations]

## Accounts Analyzed
[List accounts]

実践につながるインサイトに焦点を当てます。再現可能な定型を含む「パフォーマンス上位のフック」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

パイプライン全体：

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

続いて、両方の JSON ファイルを読み込み、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 × comments) + (0.1 × views)

外れ値の検出：エンゲージメント率が平均値 +（しきい値 × 標準偏差）を上回る投稿

エンゲージメント率：（スコア / フォロワー数）× 100