analyzing-tiktok-hashtag-performance

分析 TikTok 话题标签表现

抓取 TikTok 话题标签页面，获取表现最佳的视频、互动数据和创作者信息。并排比较多个话题标签，找出针对特定内容类别带来最佳触达效果的话题标签。

前提条件

• 已设置 APIFY_TOKEN 环境变量
• 可选：已安装 Apify MCP 服务

输入

参数	类型	必填	默认值	备注
startUrls	array	可选	[]	TikTok URL——用户个人资料、话题标签、音乐页面、搜索、地点
keywords	array	可选	[]	用于查找帖子的搜索关键词/词语
sortType	string	可选	RELEVANCE	关键词结果的排序方式：RELEVANCE、MOST_LIKED、DATE_POSTED
location	string	可选	—	用于区域筛选的 ISO 3166-1 alpha-2 国家代码（例如 US、GB）
maxItems	number	可选	Unlimited	本次运行最多返回的帖子数量
includeSearchKeywords	boolean	可选	false	在每篇帖子中添加匹配的搜索关键词字段
customMapFunction	string	可选	—	用于转换每个输出对象的 JavaScript 函数

工作流

Progress:
- [ ] Step 1: Define hashtags to analyze
- [ ] Step 2: Run tiktok-scraper for each hashtag
- [ ] Step 3: Calculate hashtag-level metrics
- [ ] Step 4: Identify top content and creators
- [ ] Step 5: Deliver strategy recommendations

第 1 步：确认参数

向用户询问：

• 要分析的话题标签——最多 10 个（不带 #）
• 每个话题标签的帖子数量（默认：30——足以获得可靠的统计数据）
• 目标——为帖子选择话题标签、审查竞争对手的话题标签策略，或进行一般研究

如果用户尚未提供话题标签并希望获得推荐，请询问：

• 内容细分领域（例如，“健身”“烹饪”“个人理财”）
• 然后生成以下组合：2 个大型话题标签（1 亿次以上观看）、3 个中等规模话题标签（1,000 万至 1 亿次观看）、3 个小众话题标签（100 万至 1,000 万次观看）、2 个微型话题标签（不足 100 万次观看）

第 2 步：为每个话题标签运行 Actor

推荐——run_actor.js（自动处理等待、输出和文件保存）：

# Quick answer (prints table to chat)
node scripts/run_actor.js \
  --actor "apidojo~tiktok-scraper" \
  --input '{"param": "value"}'

# Save as CSV
node scripts/run_actor.js \
  --actor "apidojo~tiktok-scraper" \
  --input '{"param": "value"}' \
  --output YYYY-MM-DD_results.csv --format csv

# Save as JSON
node scripts/run_actor.js \
  --actor "apidojo~tiktok-scraper" \
  --input '{"param": "value"}' \
  --output YYYY-MM-DD_results.json --format json

必须在环境变量或 .env 文件中设置 APIFY_TOKEN。

如果 Apify MCP 可用：

Tool: apify:run-actor
Actor: "apidojo~tiktok-scraper"
Input:
{
  "keywords": ["[hashtag1]", "[hashtag2]", "[hashtag3]"],
  "shouldDownloadCovers": false
}

REST API 备用方案：

curl -X POST \
  "https://api.apify.com/v2/acts/apidojo~tiktok-scraper/runs?token=$APIFY_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "keywords": ["[hashtag1]", "[hashtag2]", "[hashtag3]"]
  }'

等待状态变为 SUCCEEDED。获取数据集。

第 3 步：计算话题标签指标

针对每个话题标签，根据其视频结果：

total_views_sampled = sum(video.playCount)
avg_views_per_video = total_views_sampled / num_videos
avg_likes_per_video = sum(video.diggCount) / num_videos
avg_comments_per_video = sum(video.commentCount) / num_videos
engagement_rate = (avg_likes + avg_comments) / avg_views * 100
competition_level = num_videos_per_day (estimate from timestamps)

如果可用，使用 challengeInfo.stats.videoCount 作为话题标签总规模的近似指标。

第 4 步：找出优质内容和创作者

针对每个话题标签，列出：

• 按播放量排名的前 3 个视频（附创作者账号名和视频 URL）
• 在该话题标签热门内容中出现频率最高的前 3 位创作者
• 热门视频中的常见内容形式（根据描述/说明文字判断）

第 5 步：整理输出

输出格式

# TikTok Hashtag Performance Analysis
Hashtags analyzed: [N] | Posts sampled per hashtag: [30] | Date: [DATE]

## Hashtag Comparison Table

| Hashtag | Avg Views | Avg Likes | Eng. Rate | Competition | Verdict |
|---------|-----------|-----------|-----------|-------------|---------|
| #[name] | [N]       | [N]       | [X.X%]    | [Low/Med/High] | [Use / Test / Avoid] |

## Detailed Breakdown

### #[hashtag1]
- Avg views per post: [N]
- Engagement rate: [X.X%]
- Competition level: [Low / Medium / High] — approx [N] new posts/day
- Top video: "[creator]" — [N] views | [url]
- Dominant content format: [e.g., tutorial, reaction, storytelling]
- **Recommendation:** [Use as primary / Layer with broader tags / Avoid — too saturated]

### #[hashtag2]
[same structure]

## Recommended Hashtag Strategy
For maximum reach on [CONTENT NICHE], use this combination:
- Primary (1-2 hashtags): [#hashtag] — broad reach driver
- Secondary (2-3 hashtags): [#hashtag] — niche relevance
- Micro (1-2 hashtags): [#hashtag] — community engagement

## Top Creators in These Hashtags
[Creators who appear most in top-performing content across all analyzed hashtags]
1. @[handle] — [N] top videos found | [N] followers

故障排查

观看量极低： 话题标签可能拼写错误或非常新。请核对拼写并尝试其他版本。 所有结果看起来都一样： 大型话题标签（#fyp、#foryou）会呈现经算法推广的内容，而非自然内容。使用小众话题标签可获得更有效的参考信号。 互动率似乎过高或过低： 互动率因内容类型而异；为公平对比，请在相同内容形式内进行比较。