Låt AI läsa din TikTok-data direkt: douyin-mcp för datadriven innehållsanalys

Alla som kör TikTok känner igen problemet: Creator Center är fullt av data – visningar, gilla-markeringar, fullföljandegrad, nya följare – men när du vill att AI ska analysera varför en video exploderade och en annan floppade, står AI bara där och glor. Den ser inte din backend. Manuella skärmdumpar är långsamt och tappar information. De flesta kreatörers analys stannar vid “den här kändes bra”.

Smärtpunkten: datan finns i backend, AI står utanför

TikToks Creator Center-rendering har inget smidigt API för enskilda kreatörer. Vill du att Claude eller en agent i Cursor ska analysera har du tre vägar: skriva av siffror manuellt, skärmdumps-OCR, eller betala för tredjepartsplattformar. De två första är tidskrävande och felbenägna. Den tredje är dyr – och ger dig branschdata, inte dina egna videor rad för rad.

Manusdimensionen är ännu viktigare. Datan säger “hög fullföljandegrad” men inte varför – vad som sades under de första tre sekunderna. Att kombinera data med vad videon faktiskt innehåller är riktig analys. Och det är precis det som är nästan omöjligt manuellt.

Möjligheten: ett lokalt verktyg löser sista biten

Open source-projektet douyin-mcp (https://github.com/Kuhakucai/douyin-mcp ) löser exakt detta. För dig som aldrig hört talas om MCP: tänk “AI:ns USB-port” – ett protokoll som låter AI-program koppla in datakällor som om de vore USB-minnen. En “agent” är AI som förstår vanligt språk och faktiskt gör jobbet – Claude Code, Cursor, Codex. douyin-mcp är en lokal MCP-server: den återanvänder inloggningen i en dedikerad Chrome, synkar visningar, gilla-markeringar, kommentarer, delningar, sparanden, fullföljandegrad och följarökning från Creator Center till en lokal databas, och exponerar allt via MCP till valfri AI.

Den har också en killer-funktion: extraherar ljudspårets faktiska tal. Inte titeln, inte bild-OCR – det som faktiskt sägs i videon. En lokal taligenkänningsmodell omvandlar ljudet till tidsstämplat manus. AI kan då se “vad videon sa” och “hur videon presterade” sida vid sida – ämnesval, öppningshook, struktur och slutdata i samma vy.

Projektet har 59 stjärnor, 9 forks, AGPL-3.0-licens och uppdateras aktivt. macOS och Windows, Python 3.11+, en användare per konto lokalt. Repot är tydligt: detta är ett inofficiellt community-verktyg som läser data via webbläsarautomatisering och kan trigga plattformens riskkontroll. Säg det rakt ut till varje kund.

Väg 1: installera på tio minuter, kör ditt eget konto först

För dig med eget TikTok-konto som vill validera utan kostnad.

Installationen är designad som en engångsmening. Du behöver inte kunna koda – säg bara till en MCP-kapabel agent:

Hjälp mig klona, installera och konfigurera https://github.com/Kuhakucai/douyin-mcp.git

Agenten läser README, kollar miljön, kör installationsskriptet (macOS: bash ./easy-install.sh, Windows: motsvarande PowerShell), initierar databasen, skriver MCP-konfigurationen till din klient och öppnar Chrome för QR-inloggning. Efter första synkningen hämtas videolistan och detaljer för de senaste videorna.

Manusfunktionen är avstängd som standard. Säg “aktivera videomanus” så förklarar agenten att FFmpeg och en lokal talmodell måste laddas ner, hur mycket disk det tar, och frågar innan den installerar. Den designen avgör om du kommer igång på tio minuter – första synkningen tar minuter, inte timmar av historisk transkribering.

Väg 2: gör analysen till ett repeterbart prompt-mönster

För dig som redan publicerar men analyserar på känsla.

Verktyget är bara början. Det värdefulla är hur du frågar. Repots rekommenderade prompt fungerar direkt som mall:

Kolla min TikTok-datastatus. Uppdatera bara videolistan och de senaste 20 detaljerna om cachen är gammal.
Jämför sedan fullföljandegrad, 5-sekundersgrad och engagemang över de senaste 30 dagarna och ge analys.
Varje slutsats ska ange datatid, täckning, saknade fält och vilka videor som är bevis.

Daglig analys kan delas i tre frågetyper. Hitta mönster: “Hitta de 5 videorna med högst engagemang de senaste 30 dagarna och förklara gemensamma nämnare.” Göra jämförelser: “Jämför ämnesval, öppningshook, struktur och engagemang för dessa 3 videor baserat på manus och data.” Styra nästa steg: “Vilka videor förtjänar en uppföljare? Förklara rankningen och databegränsningarna.”

Datan ljuger inte – det är därför du kan ta betalt: värden som inte visas på sidan sparas som null, inte som 0 eller gissningar. Varje slutsats har insamlingstid, cache-färskhet, fälttäckning och orsak till saknade data. Upptäcker verktyget fel konto vägrar det skriva. AI ger dig evidensbaserade slutsatser, inte påhitt.

Väg 3: paketera det som en tjänst och sälj

För dig som vill tjäna pengar på informationsgapet. De enklaste kunderna är små och medelstora kreatörer som redan publicerar regelbundet men inte förstår data – matrecensenter, kunskapskonton, affiliate-säljare. De har databehov men ingen datakompetens, och vet inte ens vad MCP är.

Tre tjänsteformer. Ett: engångsanalysrapport – “30-dagars videoprestanda + gemensamma drag hos virala klipp + ämnesförslag för nästa månad”. Prissättningsankare: sök “TikTok-kontoanalys” eller “kontodataanalys” på Mercari, eBay eller svenska Facebook-grupper – liknande tjänster ligger på 500–1500 kr per rapport beroende på följarantal och djup. Två: månadsabonnemang med analysrapport och ämnesmöte – låser in återkommande kunder. Tre: kurs eller guide – spela in installation och prompt-mallar, sälj till kreatörer som vill göra det själva. En produkt, såld många gånger.

Konservativ kalkyl (projektion, inte löfte): en rapport för 900 kr, cirka 1 timmes arbete när du är varm i kläderna, 10 beställningar i månaden via en marknadsplats = 9 000 kr i ren tidsinkomst. Med gott rykte går du över till abonnemang och höjer både pris och återköpsgrad.

Compliance måste vara tydlig från början – det avgör om du kan hålla på länge: detta är ett inofficiellt verktyg som bara läser data från kontoinnehavarens egen vy, och repot varnar uttryckligen för plattformsbrott och riskkontroll. Kunden måste själv skanna QR-koden, själv operera, själv bekräfta risken. Du håller aldrig i någons kontouppgifter och säljer aldrig data vidare. Skriv in risken för räckviddsbegränsning i tjänstebeskrivningen och avtala i förväg: om plattformens riskkontroll avbryter tjänsten, återbetalas proportionellt mot ej levererad del. Det är golvet – och förutsättningen för att du ska kunna fortsätta.

Fallstudie: en kunskapskreatörs analysloop

Var tydlig: detta är en hypotetisk demonstration av hur flödet ser ut när det fungerar. Författaren har inte kört hela flödet i skarp drift ännu – det är inte ett riktigt kundcase.

Anta att en kreatör som publicerar 3–5 videor i veckan installerar verktyget och ber agenten om analys. Resultatet är en jämförelse med beviskedja. Det mest värdefulla fyndet ligger i manusdimensionen – när AI jämför två videor med samma ämne visar det sig att den starka videon levererade en kontraintuitiv slutsats inom fem sekunder, medan den svaga tog tjugo sekunder på sig att komma till saken. Den typen av korsvalidering mellan data och faktiskt innehåll är nästan omöjlig att göra systematiskt för hand.

För en sådan kreatör blir en månatlig djupanalys ett sätt att kontinuerligt optimera öppningshookar och ämnesval. Fullföljandegrad och följarkurva blir en hanterbar, itererbar tillgång – inte ett lotteri. Hur stor effektivitetsvinsten faktiskt blir? Kör det själv och få riktiga siffror. Det är ditt starkaste säljmaterial när du säljer tjänsten.

Gör det nu

Verktyget är gratis och open source. Tröskeln är en dator och ett TikTok-konto. Gör tre saker idag: ett, skicka repo-adressen till en MCP-kapabel agent och låt den installera. Två, kör analysmallen på ditt eget konto och se hur AI:ns slutsatser skiljer sig från din magkänsla. Tre, dokumentera hela processen med skärmdumpar – det är ditt första material för att sälja tjänsten eller kursen. Kunskapsgapet inom dataanalys håller på att dela kreatörer i två läger. De som kör först får fördelen.