Michael JohnsonZespół sprzedaży otrzymuje z różnych kanałów wciąż to samo pytanie: jakie zadania potencjalni klienci już próbują rozwiązać? Ręczne wyszukiwanie na TikToku daje mnóstwo filmów, ale trudno je powtórzyć tydzień później, porównać wyniki i wyjaśnić, dlaczego konkretny film znalazł się w raporcie. Na potrzeby niewielkiego badania można przekształcić publiczne wyniki dla kilku precyzyjnych zapytań w powtarzalny strumień danych: zapisać surową odpowiedź, wyodrębnić pola dotyczące filmu i autora, usunąć duplikaty, a następnie osobno ocenić oznaki zamiaru zakupu lub wyboru produktu.
Poniżej przedstawiono działający schemat w Pythonie z użyciem TikTok Scraper API od jsonscraper. Może się przydać na przykład serwisowi do montażu wideo, który chce sprawdzić, jak twórcy opisują problemy z napisami, szablonami i eksportem. Skrypt zbiera zwrócone wyniki wyszukiwania, a analityk weryfikuje następnie klasyfikację i decyduje, które sformułowania warto wykorzystać w badaniu odbiorców. To sposób na uporządkowanie obserwacji publicznych treści, a nie automatyczne zliczanie wszystkich użytkowników zamierzających dokonać zakupu.
Problem: zapytania odbiorców są znane, ale trudno powtórzyć badanie
Ręczne badanie łatwo traci kontekst. Jeden pracownik wyszukuje „jak dodać napisy”, drugi — „automatyczne napisy do Reels”, a trzeci zapisuje tylko filmy, które mu się podobają. Końcowa tabela łączy różne zapytania, daty, metryki i kryteria wyboru. Gdy kierownik prosi o powtórzenie analizy lub porównanie dwóch tygodni, trzeba odtwarzać nie tylko wyniki, lecz także sam przebieg wyszukiwania.
Lepiej z góry określić jednostkę obserwacji: znaleziony film z tekstem opisu, identyfikatorem, linkiem, autorem i dostępnymi publicznie metrykami. Dla każdego filmu zapisuje się pierwotne zapytanie oraz czas zebrania danych. Dzięki temu można osobno odpowiedzieć na pytania: jakie sformułowania się powtarzają, jakie problemy są poruszane, które filmy uzyskały więcej publicznych reakcji i co zmieniło się między zapisanymi migawkami.
Weźmy za przykład firmę, która opracowuje narzędzie do tworzenia napisów i krótkich filmów. Zależy jej na znajdowaniu publicznych filmów, w których twórcy wprost mówią o ręcznej transkrypcji, błędach rozpoznawania mowy, synchronizacji napisów lub przygotowywaniu treści na kilka platform. Na podstawie jednego filmu nie należy przypisywać autorowi etykiety „lead” ani „kupujący”: badacz może uszeregować treści według obserwowalnych oznak, a następnie ręcznie zweryfikować wnioski.
Plan rozwiązania: wyszukiwanie, rejestrowanie, czyszczenie, ocena
Potok składa się z czterech etapów. Najpierw zespół tworzy niewielki słownik zapytań, z których każde odpowiada konkretnemu zadaniu odbiorców. Następnie skrypt wykonuje wyszukiwanie filmów i zapisuje pełną odpowiedź JSON. Trzeci etap normalizuje różne struktury odpowiedzi do jednego wiersza na film i usuwa duplikaty na podstawie identyfikatora. Na końcu reguły lub osobny klasyfikator AI nadają priorytet do ręcznej weryfikacji, zapisując także uzasadnienie oceny.
Rozdzielenie tych etapów ma znaczenie dla odtwarzalności. Surowa odpowiedź pomaga zbadać zmiany pól lub błędy normalizacji. Znormalizowana tabela ułatwia filtrowanie i wizualizację. Osobna tabela ocen pozwala zmieniać reguły bez ponownego wywoływania API, o ile zapisane dane nadają się do ponownego przetworzenia i jest to zgodne z przyjętym przez zespół okresem przechowywania.
Jako podstawowe zapytania można przyjąć „błędy automatycznych napisów”, „jak szybko dodać napisy” i „montaż krótkich filmów dla firm”. To tylko przykłady słownika: sformułowania należy dostosować do języka odbiorców i produktu. Zapytania trzeba przechowywać razem z wynikami, ponieważ wyszukiwanie według różnych słów tworzy różne próbki.
Co oferuje TikTok Scraper API
W opublikowanej dokumentacji jsonscraper dla wyszukiwania filmów wskazano trasę GET /searchVideo pod adresem bazowym https://tiktok.evelode.com. Wymaganym parametrem jest keyword; wśród udokumentowanych parametrów dodatkowych są count, cursor, region, date_posted, sort_by i cache_timeout. Na przykład sort_by przyjmuje udokumentowane wartości most-liked, relevance i date-posted, a date_posted — wartości takie jak this-week lub all-time. Dokładny wykaz parametrów i przeznaczenie trasy opisano w dokumentacji tras TikTok API.
Klucz przekazuje się jako parametr zapytania license_key. W poniższym przykładzie jest odczytywany ze zmiennej środowiskowej JSONSCRAPER_TIKTOK_LICENSE_KEY, dzięki czemu nie trzeba przechowywać sekretu w kodzie ani zapisywać go w dzienniku. W przypadku uwierzytelniania i wyboru parametrów należy stosować aktualne warunki dostępu; strona TikTok Scraper API zawiera opis produktu oraz odnośniki do demonstracji i dokumentacji.
Odpowiedź wyszukiwania należy analizować z uwzględnieniem jej struktury, a nie zakładać, że zawsze zawiera tylko jedną tablicę. W sprawdzonym przykładzie API zwracało status na najwyższym poziomie i obiekt tiktok; filmy mogą znajdować się w tiktok.aweme_list, a w wynikach wyszukiwania spotyka się również tiktok.search_item_list[].aweme_info. Należy sprawdzać oba warianty. W znalezionych obiektach mogą być dostępne identyfikator filmu, opis, link, czas publikacji, informacje o autorze i statystyki, na przykład liczba wyświetleń, polubień, komentarzy i udostępnień. Metryki i pola należy traktować jako opcjonalne: kod nie powinien wstawiać zmyślonych zer tam, gdzie brakuje wartości.
Paginacja wyszukiwania korzysta z parametru cursor. Jeśli skrypt kontynuuje pobieranie wyników, powinien przekazać otrzymaną wartość jako nieprzejrzysty token następnego zapytania, zamiast obliczać ją samodzielnie. W początkowym prototypie rozsądnie jest ograniczyć pobieranie do jednej strony na zapytanie: ułatwia to weryfikację i pozwala przewidzieć obciążenie. Później można dodać paginację z limitem stron i zabezpieczeniem przed powtarzającym się kursorem.
Przygotowanie środowiska
Przykład wymaga Pythona 3.8 lub nowszego oraz biblioteki standardowej. Ustaw klucz w środowisku, na przykład w powłoce macOS lub Linux:
export JSONSCRAPER_TIKTOK_LICENSE_KEY="ваш_ключ"
python tiktok_demand.pyW Windows PowerShell można ustawić zmienną w ten sposób:
$env:JSONSCRAPER_TIKTOK_LICENSE_KEY="ваш_ключ"
python .\tiktok_demand.pySkrypt wykonuje osobne zapytanie dla każdego słowa kluczowego. Sprawdza błędy HTTP, odpowiedź JSON i status zewnętrzny, a następnie wyodrębnia obiekty z obu potwierdzonych wariantów tablicy. Surowe odpowiedzi zapisuje w pliku JSONL, po jednym wierszu na rekord: każdy zawiera zapytanie, czas obserwacji i oryginalną odpowiedź. Druga część tworzy plik CSV ze znormalizowanymi polami. W kodzie nie ma pliku z kluczem, a jego treść nie jest wyświetlana.
Przykład: zbieranie i normalizacja wyników wyszukiwania
import csv
import json
import os
import time
from datetime import datetime, timezone
from pathlib import Path
from urllib.error import HTTPError, URLError
from urllib.parse import urlencode
from urllib.request import Request, urlopen
BASE_URL = "https://tiktok.evelode.com/searchVideo"
QUERIES = [
"ошибки автоматических субтитров",
"как быстро добавить субтитры",
"монтаж коротких видео для бизнеса",
]
def extract_videos(payload):
"""Obsługuje oba zaobserwowane warianty struktury odpowiedzi wyszukiwania."""
tiktok = payload.get("tiktok") or {}
videos = []
aweme_list = tiktok.get("aweme_list") or []
if isinstance(aweme_list, list):
videos.extend(item for item in aweme_list if isinstance(item, dict))
search_items = tiktok.get("search_item_list") or []
if isinstance(search_items, list):
for item in search_items:
if not isinstance(item, dict):
continue
video = item.get("aweme_info")
if isinstance(video, dict):
videos.append(video)
return videos
def fetch(query, license_key):
params = {
"keyword": query,
"count": 20,
"sort_by": "relevance",
"date_posted": "this-month",
"region": "US",
"license_key": license_key,
}
url = BASE_URL + "?" + urlencode(params)
request = Request(url, headers={"Accept": "application/json"})
try:
with urlopen(request, timeout=45) as response:
payload = json.loads(response.read().decode("utf-8"))
except HTTPError as exc:
raise RuntimeError("API returned HTTP status {}".format(exc.code)) from exc
except (URLError, TimeoutError, json.JSONDecodeError) as exc:
raise RuntimeError("Could not complete or parse API request") from exc
if payload.get("status") != "ok":
raise RuntimeError("API response status was not ok")
return payload
def metric(statistics, key):
value = statistics.get(key)
return value if isinstance(value, (int, float)) else ""
def main():
license_key = os.environ.get("JSONSCRAPER_TIKTOK_LICENSE_KEY")
if not license_key:
raise SystemExit("Set JSONSCRAPER_TIKTOK_LICENSE_KEY in the environment")
raw_path = Path("tiktok_raw.jsonl")
csv_path = Path("tiktok_videos.csv")
seen_ids = set()
rows = []
with raw_path.open("a", encoding="utf-8") as raw_file:
for query in QUERIES:
observed_at = datetime.now(timezone.utc).isoformat()
payload = fetch(query, license_key)
raw_file.write(json.dumps({
"query": query,
"observed_at": observed_at,
"response": payload,
}, ensure_ascii=False) + "\n")
for video in extract_videos(payload):
video_id = video.get("aweme_id")
if not video_id or video_id in seen_ids:
continue
seen_ids.add(video_id)
author = video.get("author") or {}
stats = video.get("statistics") or {}
rows.append({
"query": query,
"observed_at": observed_at,
"video_id": video_id,
"created_at": video.get("create_time", ""),
"description": video.get("desc", ""),
"share_url": video.get("share_url", ""),
"author_username": author.get("unique_id", ""),
"author_nickname": author.get("nickname", ""),
"views": metric(stats, "play_count"),
"likes": metric(stats, "digg_count"),
"comments": metric(stats, "comment_count"),
"shares": metric(stats, "share_count"),
})
time.sleep(1)
columns = [
"query", "observed_at", "video_id", "created_at", "description",
"share_url", "author_username", "author_nickname", "views",
"likes", "comments", "shares",
]
with csv_path.open("w", newline="", encoding="utf-8") as csv_file:
writer = csv.DictWriter(csv_file, fieldnames=columns)
writer.writeheader()
writer.writerows(rows)
print("Saved {} unique returned videos to {}".format(len(rows), csv_path))
if __name__ == "__main__":
main()Wartość count określa tu żądaną wielkość próbki dla każdego zapytania. Skrypt nie zakłada, że API musi zwrócić dokładnie tyle elementów: faktyczna liczba wierszy zależy od odpowiedzi. Przerwa między zapytaniami to prosty sposób na kontrolowanie tempa uruchomienia, a nie deklaracja limitu ani wymogu usługi. W przypadku produkcyjnego harmonogramu dodaj ograniczoną liczbę ponowień, monitorowanie błędów i reguły dotyczące dopuszczalnej częstotliwości zapytań, zgodnie z warunkami swojego planu.
Jak odczytywać otrzymaną tabelę
W CSV jeden wiersz reprezentuje jeden unikalny zwrócony film znaleziony na podstawie jednego z zapytań. Pole query wskazuje pochodzenie rekordu, observed_at — czas migawki, a video_id służy jako klucz deduplikacji. Opis i link pozwalają analitykowi sprawdzić kontekst, a publiczne liczniki — ocenić reakcje w chwili pobrania danych. Do porównywania w dłuższym okresie używaj osobnych obserwacji: nie nadpisuj historii metryk, jeśli chcesz zobaczyć ich zmiany.
Liczniki wyświetleń, polubień, komentarzy i udostępnień są migawką publicznych statystyk zwróconych przez API w chwili zapytania. Mogą nie występować w niektórych obiektach, dlatego pusta wartość w CSV oznacza brak pola liczbowego w odpowiedzi. Różni się to od zera i wymaga osobnego traktowania podczas obliczania agregatów. Ponadto znalezione wyniki odzwierciedlają próbkę uzyskaną dla konkretnych słów, regionu, filtra czasu i parametrów zapytania. Opisują zwrócone filmy, a nie całość treści ani odbiorców platformy.
Do wstępnej oceny potencjalnej trafności można stworzyć przejrzystą tabelę reguł: dopasowania do opisów problemów, wzmianki o używanym narzędziu, pytania o cenę lub porównanie oraz obecność konkretnego scenariusza pracy. Lepiej przechowywać osobne oznaki i uzasadnienie oceny niż zapisywać wyłącznie nieprzejrzysty wynik liczbowy. Na przykład film z pytaniem o dokładność automatycznej transkrypcji można oznaczyć „sprawdź: mowa o jakości”, a film z ogólnymi wskazówkami dotyczącymi treści — „niska trafność tematyczna”.
Wykorzystanie AI bez powierzania jej roli sędziego
Gdy zgromadzisz próbkę, model może pomóc oznaczyć opisy według z góry określonego schematu: problem, wspomniane narzędzie, ton pytania i obecność sygnału wyboru produktu. Przekazuj modelowi tylko potrzebne pola — na przykład tekst opisu i identyfikator rekordu — oraz poproś o zwrócenie ustalonego formatu JSON z etykietami i krótkim uzasadnieniem. Zapisuj wersję instrukcji, model i wynik obok pierwotnego wiersza, aby można było powtórzyć etykietowanie lub wyrywkowo sprawdzić je ręcznie.
Przydatne polecenie dla klasyfikatora powinno ograniczać wnioski do obserwowalnych oznak. Poproś o ustalenie, czy tekst zawiera wyraźny problem z napisami, prośbę o polecenie narzędzia lub omówienie przepływu pracy. Jeśli danych jest mało, uwzględnij kategorię „za mało kontekstu”. Model nie powinien wnioskować o tożsamości autora, jego zamiarze zakupu ani cechach demograficznych na podstawie jednego publicznego filmu. Rezultatem ma być kolejka tematów do analizy, a nie lista osób do automatycznego kontaktu.
Aby ocenić jakość etykietowania, wybierz losową podpróbę i ręcznie przypisz te same kategorie. Porównaj zgodność dla każdej etykiety i przeanalizuj błędy: model może na przykład uznać sarkazm za skargę albo poradę edukacyjną za osobiste doświadczenie. Poprawienie słownika zapytań i instrukcji często przynosi więcej korzyści niż natychmiastowe komplikowanie modelu. Na potrzeby raportu przechowuj oryginalne teksty i linki zgodnie z przyjętą polityką przechowywania i dostępu.
Automatyzacja według harmonogramu i kontrola jakości
Po pomyślnym ręcznym uruchomieniu skrypt można wykonywać według harmonogramu w cron, harmonogramie zadań platformy chmurowej lub orkiestratorze takim jak n8n. Praktyczna kolejność kroków pozostaje niezmienna: odczytać listę zapytań, wywołać API, sprawdzić status, zapisać surową odpowiedź, znormalizować filmy, zapisać nowe migawki i wygenerować raport. Klucz należy przekazywać za pomocą mechanizmu sekretów środowiska wykonawczego, a nie umieszczać w tabeli, tekście workflow ani komunikacie o błędzie.
W zadaniu automatycznym przydadzą się cztery kontrole. Po pierwsze, zapytanie zakończyło się pomyślnie, a odpowiedź jest poprawnym JSON-em. Po drugie, status zewnętrzny ma oczekiwaną wartość. Po trzecie, moduł obsługuje oba warianty struktury wyszukiwania i prawidłowo radzi sobie z brakującymi polami. Po czwarte, liczba nowych unikalnych filmów i liczba błędów są zapisywane w dzienniku. Jeśli nagle zabraknie wyników, raport powinien pokazywać zerową próbkę jako stan uruchomienia, zamiast przedstawiać ją bez wyjaśnienia jako zwykły, pomyślny raport.
Paginację dodaj po sprawdzeniu pierwszej strony. Dokumentacja wskazuje parametr cursor dla trasy wyszukiwania; zapisz otrzymany token i przekaż go bez przekształceń w kolejnym zapytaniu. Ustal maksymalną liczbę stron dla jednego wyszukiwanego terminu i przerwij pętlę, jeśli nie pojawiają się nowe elementy, brak kolejnego kursora albo powtórzył się już przetworzony kursor. Taki limit pozwala kontrolować czas wykonania i wielkość zbioru. Istnienie kursora umożliwia pobranie dalszej części wyników, ale nie gwarantuje kompletności względem wszystkich publikacji.
Uruchomienie skryptu ponownie tego samego dnia może zwrócić nakładające się na siebie filmy. Dlatego klucz deduplikacji powinien być stabilnym identyfikatorem filmu, a historię migawek należy przechowywać jako osobne rekordy z datą obserwacji. Jeśli potrzebujesz widoku zbiorczego, twórz go na podstawie migawek: dzięki temu można odróżnić film znaleziony po raz pierwszy od filmu, który pojawił się w kilku zapytaniach lub został pobrany ponownie później.
Metryki: co można rzetelnie porównywać
Do monitorowania operacyjnego przydatne są liczba unikalnych znalezionych filmów dla każdego zapytania, odsetek filmów z uzupełnionym opisem, rozkład dostępnych reakcji oraz częstotliwość występowania określonych tematów. Porównując zapytania, stosuj te same parametry i okres uruchomienia. Jeśli w jednym uruchomieniu użyto this-week, a w innym this-month, różnicę w liczbie wyników może wyjaśniać okno czasowe. Bez dodatkowej analizy nie należy więc interpretować jej jako zmiany zainteresowania.
Porównanie metryk jednego filmu w czasie wymaga kilku migawek i jednolitego schematu przechowywania. Dla każdej daty zachowuj pierwotne wartości w otrzymanej postaci, a następnie obliczaj różnicę między obserwacjami. Nie określaj różnicy mianem dobowego wzrostu, jeśli odstępy między faktycznymi uruchomieniami były różne. Podobnie ranking według polubień pomaga znaleźć popularne filmy w zebranej próbce, ale nie mierzy skuteczności komercyjnej autora ani produktu.
Końcowy raport dla zespołu marketingowego może łączyć trzy poziomy: przykłady sformułowań odbiorców z klikalnymi linkami, grupy tematyczne problemów oraz ilościowy opis zebranej próbki. Każdy wniosek warto opatrzyć liczbą obserwacji, zapytaniami i okresem zbierania danych. Kierownik zyskuje w ten sposób kontekst, a analityk może powtórzyć filtrowanie na tych samych danych źródłowych.
Typowe błędy i sposoby ich unikania
Uznawanie pustego pola za zero
Jeśli brakuje statystyk lub informacji o autorze, kod pozostawia komórkę pustą. Dzięki temu zachowana zostaje różnica między wartością nieznaną a zmierzonym zerem. Podczas analizy określ jawnie zasady obsługi braków i podaj liczbę wierszy wykluczonych z danego obliczenia.
Założenie, że wyszukiwanie zawsze zwraca jedną tablicę
W odpowiedzi wyszukiwania występują aweme_list oraz zagnieżdżone elementy search_item_list[].aweme_info. Moduł obsługuje obie postacie i pomija elementy nieodpowiedniego typu. Jeśli schemat się zmieni, zapisane surowe odpowiedzi pomogą szybko wykryć nowe położenie danych, a testowe pliki JSON — sprawdzić poprawkę przed kolejnym uruchomieniem.
Ponowne liczenie tego samego filmu jako osobnego sygnału
Ten sam film może odpowiadać kilku słowom kluczowym. W przykładzie jest uwzględniany w końcowym CSV tylko raz, a pole zapytania wskazuje pierwsze dopasowanie w bieżącej kolejności. Jeśli chcesz zachować wszystkie powiązania „film — zapytanie”, przechowuj osobną tabelę łącznikową lub listę zapytań dla każdego identyfikatora zamiast usuwać informację o pochodzeniu rekordu.
Porównywanie nieporównywalnych próbek
Słowo, region, filtr czasu, sortowanie i data uruchomienia wpływają na próbkę. Zapisuj parametry razem z odpowiedzią i zmieniaj tylko jeden czynnik naraz, gdy badanie porównuje warianty. Ułatwia to ustalenie, czy zmiana wyniku wiąże się ze sposobem działania wyszukiwania, czy ze zmianą ustawień eksperymentu.
Uznawanie korelacji za zamiar zakupu
Opis filmu i publiczne liczniki dostarczają oznak dotyczących treści i reakcji odbiorców. Same w sobie nie pokazują, kto jest gotowy do zakupu, czy dana osoba widziała reklamę ani jaki jest współczynnik konwersji. Wykorzystuj je do formułowania hipotez, weryfikowania tematów i przygotowywania treści. Skuteczność sprzedaży oceniaj na podstawie własnych danych kampanii, uzgodnionych z tym badaniem pod względem czasu i odbiorców.
Jak rozbudować potok
Gdy podstawowa wersja działa stabilnie, można dodać plik konfiguracyjny z listą zapytań i parametrami uruchomienia, aby zmieniać słownik bez edycji Pythona. Następnym krokiem jest tabela powiązań między zapytaniami a klastrami tematycznymi, takimi jak „jakość rozpoznawania”, „szybkość montażu” i „eksport”. Zespół powinien zdefiniować te kategorie i sprawdzić je na przykładach; API zwraca dane wyszukiwania, a schemat interpretacji ustala badacz.
Zamiast CSV można użyć relacyjnej bazy danych z tabelami uruchomień, filmów i migawek metryk. Unikalny indeks na identyfikatorze filmu zapobiega duplikowaniu katalogu, a migawki pozwalają śledzić zmiany dostępnych liczników. Zapisuj datę obserwacji w UTC oraz wersję normalizatora. Po zmianie logiki wyodrębniania można ponownie przetworzyć archiwum JSONL i porównać wyniki.
W n8n zbieranie danych można uruchamiać według harmonogramu, a kod normalizujący wykonywać jako osobną usługę w Pythonie lub węzeł, jeśli wybrane środowisko obsługuje wymagane operacje. Na początkowym etapie nie trzeba integrować modelu: najpierw zapewnij stabilne zbieranie danych, a potem zmierz czas ręcznej klasyfikacji i sprawdź, które kategorie się powtarzają. AI ma sens, gdy ogranicza konkretną, powtarzalną pracę, a jego etykiety można zweryfikować.
Jeśli pytanie badawcze dotyczy nie wyszukiwania według sformułowań, lecz regularnego monitorowania konkretnego konta, w oficjalnej dokumentacji opisano osobną trasę /getUserFeed z parametrami query, max_cursor i count. Dla hashtagu przewidziano /getHashtagFeed z parametrem cursor. To różne scenariusze zbierania danych: wybór endpointu należy zaczynać od pytania badawczego, zamiast zastępować jeden typ próbki innym.
Rezultat: powtarzalna próbka zamiast zbioru zakładek
Po uruchomieniu zespół otrzymuje dwa przydatne elementy: archiwum oryginalnych odpowiedzi oraz tabelę unikalnych filmów z terminem wyszukiwania, datą obserwacji, linkiem, opisem i dostępnymi metrykami. Na tej podstawie można ręcznie grupować pytania odbiorców, przekazywać teksty do kontrolowanej klasyfikacji, tworzyć cotygodniowe podsumowanie i porównywać kolejne migawki. Kod jawnie obsługuje błędy zapytania, sprawdza status zewnętrzny, rozróżnia dwa warianty struktury wyszukiwania i zapisuje brakujące metryki jako braki danych.
Praktycznym rezultatem dla zespołu jest bardziej przejrzysta decyzja o tym, które problemy warto sprawdzić w wywiadach, na stronie docelowej lub w komunikacie reklamowym. Jeśli badanie wymaga innego rodzaju danych, zmień zapytania lub użyj odpowiedniej, udokumentowanej trasy. Przed dostosowaniem potoku sprawdź parametry w dokumentacji TikTok API; informacje o produkcie i dostęp do demonstracji znajdują się na stronie TikTok Scraper API.
Takie podejście odpowiada na wyjściowe zadanie: przekształca wyszukiwanie na TikToku w powtarzalny proces badawczy. Skrypt zbiera konkretne zwrócone filmy, zachowuje informacje o ich pochodzeniu i migawkach, a człowiek lub weryfikowalny klasyfikator przekształca treści w hipotezy dotyczące popytu. Zespół zyskuje podstawę do podjęcia kolejnej decyzji, zachowując rozróżnienie między publicznymi oznakami zawartymi w treściach a potwierdzonymi wynikami sprzedaży.
