rsotg

Когда ниша узкая, обычно думают так: сейчас найдем пару десятков блогеров по ключевым словам, руками посмотрим профили и быстро соберем нормальный список.

На практике почти никогда не ломается сам поиск. Ломается этап после него.

Аккаунтов и каналов находится слишком много. В выборке оказываются соседние темы, фан-страницы, магазины, архивные профили, мемные паблики и просто шум. Дальше команда несколько дней смотрит ссылки вручную, спорит, кого оставлять, а в конце все равно не уверена, что получила рабочий список.

Мы разбирали это на кейсе из ниши CS2. Не пытались сразу вытащить "идеальных" авторов. Сначала собрали максимально широкий слой по трем платформам, а потом уже резали его фильтрами и классифицировали с помощь иишки на нашей же платформе.

Если хотите не только читать кейс, но и посмотреть примеры результата, то их можно получить тут!

Почему ручной поиск почти всегда буксует

Если делать все руками, почти всегда появляются три проблемы.

Первая: слишком много мусора. Формально аккаунт может быть рядом с темой, но для закупки бесполезен.

Вторая: слишком рано режут по подписчикам. Это удобно, но именно так из списка первыми вылетают микроавторы с живой и точной аудиторией.

Третья: даже когда ссылок уже сотни, все еще непонятно, с кем можно идти в переговоры, а кого лучше оставить просто в общей базе.

В итоге база вроде есть, а рабочего списка для закупки все еще нет.

Что сделали вместо этого

Сначала собрали широкий массив, а не "короткий красивый список".

За 2 дня получили:

- 1 227 аккаунтов в Instagram*
- 46 298 аккаунтов в TikTok
- 4 255 каналов в YouTube

Параллельно подтянули и контент:

- 24 786 reels в Instagram*
- 63 681 ролик в TikTok
- 240 602 видео в YouTube

В сумме это дало 51 780 профилей и каналов и 329 069 единиц контента.

Звучит как перебор, но именно на таком объеме становится видно рынок, а не случайные находки из пары запросов.

Потом подключили ИИ-классификатор и убрали все, что не относится к теме

После первичного сбора никто не отдавал клиенту весь массив как есть.

И здесь важен момент: мы не пытались решить задачу тупым фильтром по одному слову вроде cs2 в нике. Мы использовали ИИ-классификатор. Он смотрел сразу на три вещи:

- ник;
- имя профиля;
- описание аккаунта.

Но и этим не ограничивались.

Если по самому профилю было недостаточно понятно, но аккаунт проходил по цифрам, в первую очередь по подписчикам и свежим просмотрам за N дней, мы не выкидывали его автоматически.

В таком случае мы подтягивали свежий контент автора, смотрели описания роликов и уже по содержанию понимали, это реально профиль по теме или просто похожее название.

Перед запуском мы показали ему, кого считать целевым, а кого нет.

В целевые примеры попадали:

- официальные аккаунты по Counter-Strike;
- игровые платформы вроде FACEIT;
- профили с клипами, гайдами и обучением по CS2;
- личные авторы, у которых тема CS2 прямо заявлена в описании.

В нецелевые примеры попадали:

- аккаунты, где также другие игры обозреваются;
- магазины техники и аксессуаров;
- музыкальные и юмористические страницы;
- случаи, где слово выглядит знакомо, но по смыслу вообще про другое. Например, `ESL` может означать не киберспорт, а обучение английскому.

То есть ИИ учился не ловить ключевое слово, а понимать смысл аккаунта и его контента.

Например, аккаунт с описанием про `CS2 tips`, киберспорт или `Counter-Strike` он относил к теме. А профиль вроде `cs2_music_factory` или страницу, где в описании написано про музыку, магазин или мотивационный контент, он не тащил в целевую выборку только из-за совпадения в названии.

А если профиль был спорный, но у автора были нормальные цифры, в ход уже шли свежие описания роликов и сам контент (транскрипт и визуал).

Это важно, потому что часть нужных аккаунтов плохо объясняет тему в шапке профиля, но очень ясно показывает ее в публикациях.

Дальше решение не сводилось к простому "да или нет".

Если профиль был явно в теме, он получал целевой статус. Если явно мимо, уходил в отказ.

За счет этого команда не тратила часы на ручной просмотр всего подряд, а разбирала только то, что действительно требовало внимания.

После этого фильтра из `51 780` профилей и каналов осталось `3 436` релевантных кандидатов:

- 455 в Instagram*
- 1 665 в TikTok
- 1 316 в YouTube

То есть больше 93% исходного объема даже не дошло до рабочего слоя. И это, по сути, главный выигрыш по времени: команда перестает вручную смотреть то, что вообще не должно было попасть в короткий список.

Если хотите посмотреть такие примеры не на словах, а на живом результате, можно перейти в бота!

Дальше собрали отдельный приоритетный слой по свежей активности

Следующий шаг был уже не про общий рынок, а про приоритет.

Мы отдельно собрали слой аккаунтов и каналов, которые:

- уже прошли тематический матчинг;
- показывали свежую активность;
- подходили для быстрого перехода к следующему этапу работы.

В подтвержденном приоритетном слое сейчас находится:

- 455 аккаунтов в Instagram
- 719 аккаунтов в TikTok
- 202 канала в YouTube

Итого 1376 кандидатов в приоритетном слое.

Здесь важно не перепутать термины: это не "весь рынок" и не "все релевантные аккаунты". Это уже следующий слой, куда попадают только те, кого имеет смысл разбирать в первую очередь.

Что клиент получил на выходе

Не "таблицу на посмотреть" и не набор случайных ссылок.

На выходе получилось три рабочих слоя.

Первый - полный массив по нише: 51 774 профиля и канала и 329 069 единиц контента.

Второй - релевантный тематический слой: 3 435 кандидатов, которые реально относятся к теме.

Третий - приоритетный слой: 1 376 кандидатов, которые уже подходят для более быстрого перехода к разбору и переговорам.

То есть вместо хаоса из ссылок клиент получает понятную структуру:

- вот широкий рынок;
- вот кто реально по теме;
- вот кого стоит разбирать в первую очередь.

Почему кейс полезен не только для CS2

Ниша здесь вторична.

Та же проблема возникает в любой теме, где нужно искать авторов, партнеров или площадки: рынок большой, сигнал слабый, а команда очень быстро начинает путать "много найденного" с "много полезного".

Обычно деньги и время теряются не на том, что блогеров мало. Они теряются на ручной чистке, повторной проверке и слишком грубых правилах отбора.

Именно поэтому здесь важен не сам факт большого сбора, а порядок действий:

1. сначала собрать широкий слой
2. потом отрезать нерелевантное
3. потом смотреть на свежую активность
4. и только после этого принимать решение, кто реально годится для работы

Если пропустить середину и резать сразу по подписчикам, список получается удобный, но слабый.

Если вообще не резать, получается большая свалка, с которой снова придется работать вручную.

Короткий вывод такой: в узкой нише проблема обычно не в том, как найти блогеров. Проблема в том, как быстро убрать шум и не выкинуть по дороге тех, кто потом даст лучший результат.

Если хотите сначала посмотреть, как выглядит такой результат вживую, то вам сюда!

Там покажу примеры выгрузки, отсева и рабочего списка.

Нужен такой же результат, но уже под вашу нишу и ваши критерии, напишите мне в личку.

Разберем задачу и посмотрим, какой массив и какой короткий список можно собрать именно для вас.

Telegram: @ffkhasanov

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

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.

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.

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.

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.

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.

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.

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

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.

А ниже коротко, зачем он вообще нужен и в каких случаях реально удобен.

Что он закрывает кроме скачивания

Обычная скачивалка умеет только достать файл. Здесь логика другая: вы скинули ссылку или загрузили видео либо голосовое и сразу получили следующий шаг, а не новый круг по разным сайтам.

Бот полезен, когда вам нужно:

• скачать видео по ссылке;

• получить видео в текст;

• сделать расшифровку видео в текст;

• сделать перевод видео на русский;

• быстро разобрать длинный ролик;

• превратить голосовое в текст.

То есть это не только про скачать видео с ютуба, скачать видео из инстаграм или скачать видео из тик тока. Это про то, чтобы после скачивания не начинать все заново вручную.

Когда это реально удобно

Нашли полезный рилс

Хочется не просто кинуть ссылку в закладки, а нормально скачать рилс из инстаграм и потом быстро вернуться к сути.

Попался длинный ролик на YouTube

Можно скачать видео с ютуба и сразу получить текст. Удобно, когда быстрее пробежать глазами, чем смотреть весь ролик целиком.

Ролик не на русском

Тут одной скачивалки уже мало. Если нужно перевести видео на русский, отдельный сервис обычно только добавляет лишние шаги.

Есть свои голосовые

Надиктовали мысль, заметку или список дел. На следующий день проще получить текст, чем снова все это переслушивать.

Почему за это вообще платят

Не за красивую технологию. Платят за то, что путь становится короче.

• не нужно искать новый сайт под каждый ролик;

• не нужно отдельно искать сервис "видео в текст";

• не нужно отдельно искать, где сделать перевод;

• не нужно каждый раз собирать процесс заново;

• все лежит в одном месте.

Если такая задача всплывает раз в месяц, подписка может быть не нужна. Если это происходит постоянно, один бот обычно удобнее, чем каждый раз собирать связку из нескольких сервисов.

Где не надо ждать магии

Бот не сделает плохой ролик хорошим. Не каждый перевод будет идеальным. И текст из видео не всегда заменяет просмотр.

Но он убирает самую скучную часть: скачать, перевести, получить текст и быстро добраться до сути.

Как проверить, подходит ли он вам

Возьмите три обычные вещи:

• ролик, который давно хотели скачать с ютуба;

• один рилс, который жалко потерять;

• одно свое голосовое, которое лень переслушивать.

Если после этого вам не хочется снова прыгать между тремя разными сервисами, значит бот вам, скорее всего, подойдет.

Попробовать можно тут: https://t.me/instaloader_ff_bot