Как мы автоматизировали ручной поиск блогеров и трендвотчинг Reels, YouTube Shorts и TikTok: кейс in-house платформы на 600 000 роликах — 26.03.26 13:16

Контент-команда вручную листает Reels, Shorts и TikTok. Параллельно собирают авторов под интеграции. Сплошной хаос. Ссылок и мнений много, но ясности мало: кого брать, что у автора действительно работает, а что просто случайно залетело. И самое неприятное выяснилось позже: узкое место было совсем не там, где мы его искали.

Мы пришли к тому, что здесь уже не помогает “еще один менеджер”, “еще одна таблица” или “еще один подрядчик”. Нужен свой рабочий контур, чтобы команда быстрее находила сигналы, быстрее отсеивала шум и не начинала каждый цикл с нуля.

Далее я подробно покажу, как мы собрали такую систему для поиска и проверки блогеров, trendwatching коротких видео и первичной контент-аналитики. В конце разберем, кому такое готовое решение подойдет идеально, а кому лучше рассмотреть другие варианты.

Где обычно ломается ручной процесс

Если смотреть на задачу глазами операционной команды, чаще всего всплывают шесть проблем:

1. Слишком много времени уходит на первичный просмотр ленты.

2. Непонятно, какой формат сейчас реально работает в нише, а какой просто кажется интересным.

3. Shortlist собирается в нескольких местах сразу: таблицы, чаты, заметки, лички.

4. До переговоров трудно понять, подходит ли автор бренду по подаче и контексту.

5. После запуска трудно доказать, почему выбрали именно этих авторов и что именно сработало.

6. На ручной модерации контента быстро включается усталость, а вместе с ней растет риск пропустить нерелевантный или токсичный контекст.

Именно поэтому главная сложность здесь не в том, что “трудно найти блогеров”. Основная проблема в том, что ручной поиск ломает весь путь: от появления идеи и первичного отбора до согласования и получения воспроизводимого, стабильного результата.

Что автоматизировали

Не пытались автоматизировать вообще все. Наоборот, сначала оставили только три слоя, которые реально снимают нагрузку с команды.

1. Сбор кандидатов

Система собирает авторов по ключевым словам, темам, хэштегам, рекомендациям площадки, гео и ограничениям по размеру аудитории.

То есть на первом шаге команда получает не бесконечную ленту, а уже управляемый массив кандидатов.

Сбор кандидатов

Кейс: как это выглядит на реальном клиенте

Чтобы это не звучало как набор красивых обещаний, приведу один рабочий кейс из ниши CS2. Цель была не в том, чтобы «найти 20 блогеров под одну кампанию», а собрать тысячи аккаунтов для партнерства, — тех, у кого за последние 30 дней хотя бы было 50+ тысяч просмотров.

За 48 часов система отработала по этому клиенту в Instagram*, TikTok и YouTube.

На выходе получился не просто один список «кого можно купить», а полноценный массив для ресерча, классификации и фильтрации.

Что собрали по платформам:

Instagram*

• 1 227 аккаунтов;

• 24 786 reels;

• 455 аккаунтов, которые точно соответствовали теме и условиям

TikTok

• 46 292 аккаунтов;

• 63 681 роликов;

• 959 аккаунт в AI-ранжированном срезе.

YouTube

• 4 255 каналов в основном рабочем контуре;

• 240 608 роликов;

• 1 316 каналов, которые AI пометил как релевантные теме.

Что это дало команде на практике:

1. широкий пул кандидатов по трем платформам;

2. отфильтрованный тематический слой;

3. шортлист, который можно передавать в работу дальше.

2. Аналитику контента

После этого система подтягивает ролики, анализирует базовые метрики и помогает быстро понять, есть ли у автора устойчивый сигнал, а не один случайный удачный ролик.

Для контент-команды это важно не меньше, чем для закупки. Система нужна не только чтобы “купить рекламу у блогера”, но и чтобы разбирать рабочие механики: тему, подачу, hook, первые секунды ролика, тип реакции аудитории.

Кейс: как это выглядит на реальном клиенте

Для наглядности приведу один рабочий кейс из ниши бухгалтерии и налогов.

Задача: найти, какие reels реально залетают прямо сейчас, какие аккаунты дают ранний сигнал роста и что стоит забирать в разбор до того, как команда утонет в ручном просмотре ленты.

На сегодня в рабочей базе было 20 494 reels.

Из них система выделила:

• 953 reels с хотя бы одним viral-сигналом;

• 611 reels с сигналом x10 по просмотрам к подписчикам;

• 204 аккаунта, у которых был хотя бы один залетевший reel;

• 22 reels с флагом new star.

Важно, что new star здесь не просто красивая метка, а обозначение ранее собранных роликов, которые набрали просмотров в 2 раза больше (по дефолту, но можно менять при запуске), чем подписчиков у автора с момента последнего прогона по этой же базе.

3. Первичную AI-проверку

Добавили слой, который помогает быстро отсекать очевидный шум и риск: нерелевантные ролики, неподходящий контекст, сомнительные темы, лишние аккаунты.

Идея в том, чтобы человек не тратил часы на рутину, которую иишка может выполнить за него гораздо быстрее.

Как найти залетевшие reels?

Кейс: как это выглядит на реальном клиенте

В одном клиентском контуре из pet-ниши в рабочей базе было 14 503 reels. Для первичной AI-проверки оставили только те, у которых было в 10 раз больше просмотров, чем у автора — 1127 reels. После работы классификатора осталось только 74 роликов.

Механика простая:

1. Система скачивала видео, транскрибировала аудио в текст и описывала визуал, плюс использовали caption каждого ролика.

2. После этого классификатор возвращал match / not match, причину и источник, на котором было принято решение.

Система скачивала видео, транскрибировала аудио в текст и описывала визуал, плюс использовали caption каждого ролика

То есть AI здесь делает не “магическую аналитику”, а очень прикладную вещь: снимает с команды десятки очевидно нерелевантных роликов до ручного разбора.

Та же логика работала и по аккаунтам в CS2-контуре. Там AI-классификатор разбирал сами профили по username, имени, bio, а в YouTube-контуре дополнительно учитывал описания последних 5 видео.

На практике это дает простой эффект: человек не смотрит все подряд и не тратит часы на явный мусор еще до того, как начинается ручной shortlist.

Как это выглядит в реальной работе

В ежедневном процессе это обычно выглядит так:

1. Команда задает нишу, гео, стоп-слова, ограничения бренда и размер аудитории.

2. Система собирает кандидатов и ролики по теме.

3. Команда видит не только аккаунты, но и сигналы по контенту: что растет, что повторяется, что достойно разбора.

4. AI-слой помогает быстро убрать мусор и оставить рабочий массив.

Как это выглядит в реальной работе

В ежедневном процессе это обычно выглядит так:

1. Команда задает нишу, гео, стоп-слова, ограничения бренда и размер аудитории.

2. Система собирает кандидатов и ролики по теме.

3. Команда видит не только аккаунты, но и сигналы по контенту: что растет, что повторяется, что достойно разбора.

4. AI-слой помогает быстро убрать мусор и оставить рабочий массив.

Как это выглядит в реальной работе

Это простая вещь, но именно она меняет ритм работы. Команда меньше гадает и больше принимает решения на понятных сигналах.

Что оказалось самым полезным

У платформы много модулей, но если убрать все второстепенное, то реальную разницу делают несколько конкретных вещей.

Поиск по большой базе с фильтрами

Самый базовый сценарий: задать нишу, стоп-слова, гео и диапазон аудитории, а затем быстро убрать мертвые аккаунты, нерелевантные профили и слишком крупных авторов, которые не подходят под задачу.

Например, в одном из типовых сценариев менеджер задает слова вроде “тренер по фитнесу”, добавляет стоп-слова и ограничения по аудитории. Система парсит соцсети и через несколько часов оставляет уже вменяемую рабочую выборку, а не хаос из поиска внутри каждой соцсети.

Для команды это не только экономия времени. Это еще и снижение усталости на самом рутинном участке процесса.

Trendwatching роликов, которые растут

В ручном режиме команда часто смотрит контент уже после того, как рынок все увидел.

Мы сделали слой, который отслеживает динамику просмотров и подсвечивает ролики на резком росте. Это помогает постоянно мониторить конкурентов и заметить не просто “интересный ролик”, а потенциальный сигнал: новая подача, новый паттерн, который еще не успел стать банальностью.

Вместо ручного серфинга по ленте команда получает отдельные слои base viral, x5/x10 и new star. Это не обещание ROI и не универсальная формула. Это прокси-сигнал, который помогает быстрее отбирать кандидатов и идеи.

Trendwatching роликов, которые растут

Если нужен не обзор коробки, а узкий прикладной сценарий именно по поиску залетающих reels, мы отдельно разбирали это в кейсе. Там показано, как такой слой работает на конкретной задаче для продюсера нутрициолога: собрали `993` релевантных аккаунта, проанализировали `18 797` роликов и оставили `26` сигналов, которые команда уже разбирала вручную.

Быстрая проверка контекста ролика

У блогера может быть аккуратный профиль, нормальные цифры и приятная визуальная подача, а внутри роликов — вещи, с которыми бренд не хочет стоять рядом.

Поэтому мы добавили проверку не только аккаунта, но и самого контента.

Система скачивает ролик, описывает визуал, переводит речь в текст, анализирует описание и помогает быстро понять, что перед нами: рабочий контент по теме или шум, который лучше не тащить в shortlist.

Управление правилами без правки кода

Еще один важный момент: правила отбора неизбежно меняются.

Сегодня бренд готов идти в одну подачу, завтра уже нет. Сегодня нужна одна ниша, через неделю — другая. Если каждое изменение требует разработчика, система быстро становится “красивой демкой”, а не рабочим инструментом.

Поэтому часть правил вынесена в интерфейс: команда может менять фильтрацию и критерии без постоянного цикла “поставили задачу -> ждем разработку -> проверяем снова”.

Почему это не просто набор скриптов

Это важный вопрос, потому что снаружи многие вещи выглядят одинаково.

Можно сделать несколько скриптов и получать кусочки результата. Можно отдать все подрядчику и получать подборки на выходе. Можно купить SaaS и работать внутри чужого облака.

Мы пошли в другую сторону: сделали self-hosted коробку, которая ставится в контур клиента и остается внутренним инструментом команды.

Для покупателя это означает три вещи:

1. Процесс и логика отбора живут внутри компании, а не в головах подрядчика.

2. Инфраструктура, ключи, прокси и доступы остаются на стороне клиента.

3. Коробку можно дорабатывать под свой рабочий процесс, а не подстраивать команду под чужой интерфейс.

Если коротко: здесь продается не очередная услуга по подбору блогеров, а полноценное владение собственным процессом.

Что уже есть в рабочем контуре

Это значит только одно: она уже живет в реальной нагрузке, а не только красиво выглядит в описании.

Где такая система полезна

Лучше всего она подходит тем, у кого уже есть внутренняя команда и повторяющаяся потребность:

• in-house маркетинг;

• performance-команда;

• команда контента или креатива;

• агентство, которое не хочет каждый раз вручную собирать новую базу, а стремится выстроить повторяемый процесс;

• бренд, которому важно держать данные и логику отбора внутри своего контура.

Особенно хорошо эта модель работает там, где нужны не разовые интеграции, а постоянный цикл: искать, отбирать, проверять, выгружать, масштабировать.

Кому это не подойдет

Коробка — не лучший вариант, если:

• вам нужен разовый список из 20-30 блогеров “под одну кампанию”;

• у вас вообще нет внутренней команды, которая будет этим пользоваться;

• вы не готовы держать систему в своем контуре;

• вам проще купить готовую услугу под ключ и не возвращаться к задаче;

• вам не нужен повторяемый процесс, а нужен быстрый внешний результат.

В таких случаях честнее брать подрядчика или точечную услугу, а не покупать платформу.

На практике сейчас мы работаем в двух форматах.

• Если нужен быстрый внешний результат без внедрения, делаем это как услугу: собираем большую базу блогеров и роликов под вашу нишу, отсеиваем шум и отдаем shortlist с сильными аккаунтами и залетевшими роликами для дальнейшей работы.

• Если вам нужен такой же процесс внутри своей команды, можем показать коробку на демо: как задаются фильтры, как система собирает кандидатов, где отсеивается шум и что именно команда получает на выходе.

Как связаться?

Telegram: @ffkhasanov

*Instagram принадлежит компании Meta Platforms Inc., которая признана экстремистской организацией и запрещена на территории Российской Федерации.

Источник