У всіх, хто веде TikTok, є спільний біль: у Creator Center лежить купа даних — перегляди, лайки, утримання, приріст підписників — але коли ви просите AI пояснити, «чому це відео залетіло, а те провалилось», він лише розводить руками. Він не бачить вашого кабінету. Скриншоти вручну — повільно і з втратою інформації. Більшість авторів роблять «розбір» на рівні відчуттів: «здається, це відео непогане».

Проблема: дані в кабінеті, AI за дверима

Метрики TikTok Creator Center рендеряться на сторінці, зручного API для звичайного автора немає. Хочете, щоб Claude або Agent у Cursor зробив вам розбір — є три класичні шляхи: переписувати цифри вручну, розпізнавати скриншоти або купувати підписку на сторонню аналітичну платформу. Перші два — довго й з помилками, третій — дорого, і там ви отримуєте ринкові середні показники, а не деталізацію по кожному вашому відео.

Ще важливіший вимір — текст. Дані кажуть «утримання високе», але не кажуть «бо в перші три секунди прозвучало ось це». Справжній розбір — це коли цифри зіставлені з тим, що реально сказано у відео. Саме це найважче зробити вручну.

Можливість: локальний інструмент закриває останню милю

Опенсорс-проєкт на GitHub — douyin-mcp (https://github.com/Kuhakucai/douyin-mcp) — вирішує саме це. Короткий контекст для новачків: MCP — це ніби «USB-порт для AI», універсальний протокол, через який AI підключається до джерел даних, як флешка. А «Agent» — це AI, який розуміє людську мову й сам виконує дії: Claude Code, Cursor, Codex — завантажуєте з офіційного сайту й працюєте. douyin-mcp — локальний MCP Server: він використовує сесію входу в окремому Chrome на вашому комп’ютері, інкрементально синхронізує в локальну базу список відео, перегляди, лайки, коментарі, репости, збереження, утримання й приріст підписників — і віддає це будь-якому AI з підтримкою MCP.

Є й вбивча фіча: витягування тексту з аудіодоріжки відео. Саме того, що реально сказано, а не заголовка чи написів на екрані. Локальна модель розпізнавання мовлення перетворює звук на текст із таймкодами, і AI одночасно бачить «про що це відео» і «як воно зайшло» — тему, гачок на старті, структуру й фінальні цифри в одному порівнянні.

Станом на зараз у проєкту 59 зірок і 9 форків, ліцензія AGPL-3.0, активні оновлення. Підтримуються macOS і Windows, Python 3.11+, один користувач, один акаунт, локальний запуск. У репозиторії чесно написано: це неофіційний ком’юніті-інструмент, який читає дані вашого власного акаунта через автоматизацію браузера, і це може спрацювати антифрод-системи платформи. Про це треба прямо казати будь-якому клієнту.

Шлях перший: десять хвилин — і ваш акаунт уже працює

Для кого: автори з власним TikTok-акаунтом, які хочуть безкоштовно перевірити ефект.

Встановлення зроблено «однією фразою». Коду знати не треба — просто скажіть Agent’у з підтримкою MCP:

1

Клонуй і встанови проєкт https://github.com/Kuhakucai/douyin-mcp.git

Agent сам прочитає README, перевірить середовище, запустить інсталятор (на macOS — bash ./easy-install.sh, на Windows — відповідний PowerShell-скрипт), ініціалізує базу, пропише MCP-конфіг у ваш клієнт і відкриє окремий Chrome для входу за QR-кодом. Перша синхронізація підтягне список відео й деталі останніх робіт.

Функція тексту з відео вимкнена за замовчуванням. Коли знадобиться — скажіть Agent’у «увімкни транскрипцію відео», він пояснить, що треба завантажити FFmpeg і локальну модель розпізнавання, скільки це займе місця, і лише після вашої згоди встановить. Саме тому старт займає хвилини, а не години очікування, поки транскрибуються сотні старих відео.

Шлях другий: перетворіть розбір на шаблони запитів

Для кого: автори, які регулярно публікують, але аналізують «на око».

Інструмент — лише початок. Цінність — у методі запитів. Рекомендований підхід із репозиторію можна брати як готовий шаблон:

1
2
3
4

Перевір стан моїх даних TikTok. Оновлюй список відео й деталі останніх 20
лише якщо кеш протермінований; потім порівняй за 30 днів утримання,
утримання перших 5 секунд і залученість, дай висновки з розбору.
Для кожного висновку вкажи час даних, покриття, прогалини й відео-докази.

Щоденний розбір зручно ділити на три типи питань. Пошук закономірностей: «Знайди 5 відео з найвищою залученістю за 30 днів і поясни, що в них спільного». Порівняння: «Зістав транскрипти й показники цих 3 відео: тема, гачок на старті, структура, різниця у взаємодіях». Планування: «Які відео варті продовження? Поясни логіку ранжування й обмеження даних».

Дані не вигадуються — і це ваша впевненість, коли ви це продаєте: значення, яких немає на сторінці, зберігаються як null, а не як нуль чи «приблизно»; кожен висновок має час збору, свіжість кешу, покриття полів і причини прогалин; при виявленні помилкового перемикання акаунта запис блокується. AI дає висновки з доказами, а не впевнений вигаданий текст.

Шлях третій: запакуйте це в послугу й продавайте

Для кого: ті, хто хоче заробляти на інформаційному розриві. Найлегші клієнти — малі й середні автори, які стабільно публікують, але нічого не тямлять у даних: оглядачі закладів, експертні блогери, селери. У них є відчуття важливості даних, але немає навички — і вони вперше чують слово MCP.

Три формати послуг. Перший — разовий звіт-розбір: «аналіз ефективності за 30 днів + розбір спільного у віральних відео + рекомендації тем на наступний місяць». Орієнтир для перевірки попиту: пошукайте на OLX, Prom або у фріланс-чатах «аудит TikTok-акаунта», «аналіз акаунта» — подібні послуги коштують від $20-30 до $100+ за звіт залежно від глибини й розміру акаунта. Другий — супровід за підпискою: щомісячний звіт плюс сесія з темами, довгострокові клієнти. Третій — навчання: запишіть встановлення й шаблони запитів у курс або гайд і продавайте тим, хто хоче все робити сам. Один матеріал продається багато разів.

Консервативна математика (модель, не обіцянка): звіт за $30, після тренування — близько години роботи, 10 замовлень на місяць через фріланс-майданчики — це ~$300 чистого часу. Далі репутація конвертується в підписки з вищим чеком і повторними продажами.

Межі комплаєнсу — наперед, від цього залежить, чи протримаєтесь ви довго: інструмент неофіційний, читає лише дані власного акаунта, і репозиторій прямо попереджає про можливе порушення правил платформи й ризик санкцій. Тому в роботі з клієнтами: клієнт особисто сканує QR, особисто працює, особисто підтверджує ризики — ви ніколи не тримаєте чужі облікові дані і не перепродаєте дані. Ризик обмеження акаунта пропишіть в описі послуги й домовтесь: якщо через санкції платформи послуга переривається — повернення пропорційно невиконаному. Це не формальність, це умова довгого бізнесу.

Модель кейсу: цикл розбору експертного блогера

Чесно: нижче — гіпотетична демонстрація, як виглядає процес у робочому стані. Повний прогін на реальному клієнті ще не завершений, це не реальний кейс.

Уявімо експертного блогера, який публікує 3-5 відео на тиждень. Він встановлює інструмент, дає Agent’у команду на розбір і отримує порівняльні висновки з ланцюжком доказів. Найцінніше — вимір тексту: наприклад, AI порівнює два відео на одну тему й показує, що в успішному в перші п’ять секунд прозвучав контрінтуїтивний тезис, а в слабкому автор двадцять секунд «розганявся». Таку перехресну перевірку «дані + реально сказаний зміст» вручну системно не зробиш.

Для такого автора щомісячний глибокий розбір перетворює гачки й теми на керований актив: утримання й приріст підписників стають ітерацією, а не лотереєю. Наскільки це реально піднімає ефективність — проженіть самі й візьміть свої цифри. Це й буде ваш найпереконливіший матеріал для продажу послуги.

Почніть сьогодні

Інструмент безкоштовний і відкритий, поріг входу — комп’ютер і TikTok-акаунт. Три кроки сьогодні: перше — надішліть посилання на репозиторій Agent’у з підтримкою MCP і дайте йому встановити все; друге — проженіть шаблон розбору на власному акаунті й порівняйте висновки AI зі своєю інтуїцією; третє — заскриньте весь процес: це ваш перший контент для продажу послуги й курсу. Розрив у вмінні працювати з даними між авторами росте — хто запустить це першим, той і збере дивіденди.