競合のInstagramアカウントを監視して構造化データを取得したいですか？

はじめに：Instagramデータ収集はブランドのソーシャル競争における核心的なニーズ

グローバルなソーシャルマーケティングの勢力図において、Instagramは20億人を超える月間アクティブユーザー、強力な視覚的伝播属性、そして成熟したECエコシステムを備えています。これにより、ブランドが海外市場を展開し、ユーザーの心理を掴み、競合の動向を監視するための核心的な陣地となっています 。新鋭ブランドの台頭、成熟ブランドの維持、あるいはクロスボーダーECの精細な運用において、Instagramプラットフォームのデータ深掘りは不可欠です 。

競合のプロフィールメタデータの正確な取得、投稿やエンゲージメントデータのリアルタイム追跡、コンテンツ戦略とフォロワーの嗜好分析こそが、ブランドがデータ駆動型の意思決定を行い、マーケティング手法を最適化し、市場競争力を高めるための鍵となります 。

しかし、Instagramプラットフォームのアンチスクレイピングメカニズムは日に日に厳格化しており、公式APIの権限縮小やデータ取得の制限、独自スクレイパーによるアカウント凍結のリスクなど、大規模かつ安定的なデータ収集はブランドが直面する核心的な難題となっています 。

ソーシャルリスニングと競合分析に焦点を当てるブランドにとって、データ収集は「プロフィールのメタデータの完全性」「投稿情報の包括性」「エンゲージメント指標の正確性」「ページネーションによる一括収集のスムーズさ」「データの鮮度の高さ」という5つの核心的なニーズを満たす必要があります 。単一の収集方法ではビジネスシーンに適応しにくいため、コンプライアンスを遵守した効率的かつ安定的なAPIツールの選択が、この状況を打破する鍵となります 。

ブランド向けInstagramデータ収集の核心的ニーズの分解

プロフィールメタデータ: アカウントID、プロフィール文、アイコン、フォロワー数/フォロー数、投稿数、認証ステータス、アカウントタイプ、外部リンク、連絡先を収集し、競合の価値と運用フェーズを判断します 。
投稿全量データ: 画像、Reels、カルーセルなど全ての投稿タイプをカバー。投稿ID、投稿時間、キャプション、ハッシュタグ、素材リンク、位置情報などのフィールドを含み、コンテンツ戦略を再現します 。
エンゲージメント指標データ: いいね数、コメント数、シェア数、保存数、再生回数、コメントのホットワードを取得し、コンテンツの効果を数値化してバズった投稿を特定します 。
ページネーションによる一括収集: 複数アカウントや過去のコンテンツの大規模な遡及をサポートし、データの漏れがない完全な収集を保証します 。

主要なInstagramデータ収集APIの全方位比較

現在、市場でInstagramのデータ収集を実現できるAPIは主に3つのカテゴリーに分けられます：Meta公式Graph API、サードパーティ製プライベートAPI、そしてBright Data Web Scraper APIです 。これら3種類は、権限、安定性、コンプライアンス、実用性において顕著な差があります 。ブランドの核心的なニーズに基づき、重要な次元から正確に比較します ：

比較次元	Meta公式 Graph API	サードパーティ製プライベートAPI（Instagrapi / Data365等）	Bright Data Web Scraper API
データ権限	権限が厳格。認証済みのビジネス/クリエイターアカウントのみ、かつアカウント連携が必要。自社アカウントのデータのみ取得可能で、競合の公開データは収集不可 。	公式連携不要で公開データを収集可能。ただしインターフェース権限が不安定で、プラットフォームのポリシー変更に影響されやすく、一部フィールドが取得不可 。	権限のハードルなし。Instagramの全公開アカウントデータを収集可能。全アカウントタイプをカバーし、連携制限もなく、競合分析に最適 。
データの完全性	フィールドの欠落が激しく、過去の投稿や深いエンゲージメントデータの取得に制限あり。ページネーション機能がなく、大規模なニーズに対応不可 。	基本フィールドは比較的完全だが、マイナーな指標や深い階層のデータが欠落。大量収集時にフォーマットの混乱やデータの漏れが発生しやすい 。	プロフィール、投稿、エンゲージメント指標の全フィールドをカバー。構造化出力され、深いページネーションや複数アカウントの一括収集もスムーズ 。
凍結リスク	公式インターフェースのため凍結はないが、呼び出し回数やデータ量に厳格な制限があり、超過すると即停止 。	アンチスクレイピング回避能力が極めて低く、高頻度の収集でIPやアカウントが凍結されやすい。安定性は60%未満 。	世界規模の住宅用IPプール、自動ローテーション、JSレンダリングによりアンチスクレイピングを完全に回避。99.99%の安定稼働で凍結リスクなし 。
データの鮮度	データの更新が数時間から数日遅れる。リアルタイム/定時収集をサポートせず、ソーシャルリスニングに適さない 。	基本的なリアルタイム収集は可能だが、高頻度だと制限がかかりやすい。定時実行機能が不完全 。	カスタム定時タスク（毎日/毎時）をサポート。準リアルタイム収集でプラットフォームと同期し、最高の鮮度を維持 。
技術的ハードル	Meta開発者ドキュメントの熟知、認証、連携、デバッグが必要。技術的ハードルと運用コストが高い 。	スクリプトの自社開発、凍結対応、データ修正が必要。運用が煩雑で業務中断が起きやすい 。	標準化されたAPIインターフェースで即利用可能。ノーコード/ローコード設定をサポートし、プロキシや回避策の運用が不要 。
コンプライアンス	完全に合法だが、データの使用範囲が制限され、競合分析などの商用利用は不可 。	グレーゾーン。Instagramの利用規約に違反し、法的リスクが存在。データは商用不可 。	公開データを合法的に収集。GDPRやCCPA等の法規制を遵守し、プラットフォームのルールに従っているため商用利用も安心 。
実用・適応性	自社アカウントのデータ管理のみに適応。競合監視には全く使用できない 。	個人の小規模・低頻度テストにのみ適しており、企業レベルの大規模ニーズには対応不可 。	あらゆるシーンに適応。ソーシャルリスニング、競合分析、大規模データ収集、BI連携を完璧にサポート 。

実用的な結論： Meta公式APIは権限に制限があり、サードパーティAPIはリスクが高い。いずれもブランドの必須ニーズを満たせません。Bright Data Web Scraper APIは、コンプライアンス、安定性、全量取得、実用性を兼ね備えた唯一の選択肢であり、企業レベルの全プロセスデータ収集ニーズに適応します 。

👉 Bright Dataの体験クレジットを無料で受け取るhttps://get.brightdata.com/hwj7ya

よくある質問 (FAQ)

Q: Instagramデータ収集APIとプロキシサーバーの違いは何ですか？
プロキシサーバーはIPアドレスのローテーションを提供するだけで、JavaScriptレンダリング、CAPTCHA（画像認証）、アンチスクレイピングの指紋（Fingerprint）を処理する複雑なクローラーロジックを自分で書く必要があります 。一方、Bright Data Web Scraper APIはすぐに使えるソリューションであり、プロキシ、ブラウザ自動化、パーサーを内蔵しています。低レイヤーのコードを保守することなく、構造化されたJSONデータを直接取得できます 。
Q: Instagramの公開データを収集するのは合法ですか？GDPRに違反しませんか？
公開されているデータ（Public Data）の収集は、通常、法的規範に合致しています 。Bright DataはGDPRやCCPAなどのプライバシー法規制を厳格に遵守しており、ユーザーが自発的に公開している情報のみを収集し、プライベートなデータには触れません 。そのコンプライアンス性は、独自に収集するグレーゾーンのツールよりも遥かに高く、企業の商用利用に適しています 。
Q: Bright Data Web Scraper APIがサポートするInstagramデータの種類は？
以下の全量公開データをサポートしています ：
プロフィール: フォロワー数、フォロー数、プロフィール文、アイコン、認証ステータス 。
投稿内容: 画像、Reels動画、カルーセル、キャプション、ハッシュタグ 。
エンゲージメント: いいね数、コメント数、再生回数、シェア数 。
メタデータ: 投稿時間、位置情報、_shortcode_など 。
Q: スクレイピング時のIP凍結を避けるには？
Bright Dataは世界最大級の住宅用IPプール（7,200万以上）を保有しており、自動でIPをローテーションし、本物のブラウザ指紋を組み合わせて人間の行動をシミュレートします 。Web Scraper APIレイヤーでCAPTCHAやアンチスクレイピングの課題も自動処理するため、凍結リスクはほぼゼロ（成功率99.99%）です 。
Q: 小規模チームで予算が限られている場合、Bright Dataはお得ですか？
非常にお得です 。Web Scraper APIは成功したリクエストごとに課金されるモデルで、月額固定費のハードルがありません 。自社でクローラーチームを構築する人件費、サーバー維持費、IP購入費用と比較して、Bright DataのROI（投資対効果）はより高いです 。新規ユーザー向けの無料クレジットでビジネス価値を検証することも可能です 。

Bright Dataの利用開始

1.公式サイトで無料登録: Bright Data公式サイトhttps://get.brightdata.com/hwj7ya にアクセスし、登録・ログインしてコントロールパネルに入ります 。
2.APIキーの作成: アカウント設定からAPIキーを作成し、コピーしておきます 。

3.スクレーパーライブラリ: 左側のナビゲーションメニューから「スクレーパー」を選択すると、スクレーパーライブラリが表示されます 。

4.サンプルコード: 公式が提供するサンプルコードを直接コピーして使用できます 。

実践コード：Reelsバズりコンテンツ複製システム（汎用版）

ファッション業界において、Instagram Reelsはトラフィック誘導とコンバージョンの核心陣地です 。例えばZARAのようなトップブランドのReelsは、その流量とコンバージョン力の両面でベンチマークとなります 。本実践では、Bright Data Web Scraper APIを使用して、特定のアカウントの全Reelsデータをターゲット収集し、バズるロジックを分析します 。

第一段階：収集タスクのトリガーと結果の取得
この段階のスクリプトは、データ収集の核心です 。ZARAの全Reels収集タスクをトリガーし、ストリーミングダウンロード、無効データの自動クレンジングを行い、最終的にparquetとcsv形式のクリーンなデータセットを生成します 。

import requests
import json
import time
import pandas as pd
import os
from datetime import datetime
from io import StringIO

# ================= 設定エリア：ここを修正してください =================
API_KEY = "あなたのBright Data API Key"  # 自身のAPIキーに置き換えてください
DATASET_ID = "あなたのDataset ID"  # 自身のデータセットIDに置き換えてください
TARGET_URL = "https://www.instagram.com/zara/"
NUM_POSTS = 20000  # 最大取得件数（必要に応じて調整可能）

# 出力ファイルパス
OUTPUT_DIR = "data"
OUTPUT_FILE_PARQUET = os.path.join(OUTPUT_DIR, "zara_reels_clean.parquet")
OUTPUT_FILE_CSV = os.path.join(OUTPUT_DIR, "zara_reels_clean.csv")

# API トリガーエンドポイント
# 注：このインターフェースはWeb Unlocker技術に基づいてアンチスクレイピングを回避します。
# Web Scraper APIがその上位で構造化出力をカプセル化し、JSONを直接返します。
TRIGGER_URL = f"https://api.brightdata.com/datasets/v3/scrape?dataset_id={DATASET_ID}&notify=false&include_errors=true&type=discover_new&discover_by=url_all_reels"


# ================= コアロジック =================
def trigger_scrape():
    """ZARAリールのスクレイピングタスクをトリガーする"""
    print(f"🚀 スクレイピングタスクを開始します: {TARGET_URL} (上限: {NUM_POSTS} 件)")

    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json",
    }

    payload = {
        "input": [{
            "url": TARGET_URL.strip(),
            "num_of_posts": NUM_POSTS,
            "start_date": "",
            "end_date": ""
        }]
    }

    try:
        # プロキシ設定を無効化してリクエストを送信
        response = requests.post(TRIGGER_URL, headers=headers, json=payload, proxies={"http": None, "https": None})
        response.raise_for_status()
        result = response.json()

        if "snapshot_id" in result:
            snapshot_id = result["snapshot_id"]
            print(f"✅ タスクのトリガーに成功しました! Snapshot ID: {snapshot_id}")
            return snapshot_id
        else:
            print(f"❌ トリガー失敗。snapshot_idが見つかりません。レスポンス: {result}")
            return None

    except Exception as e:
        print(f"❌ リクエスト送信中に異常が発生しました: {e}")
        return None


def poll_and_process(snapshot_id):
    """タスクの状態をポーリング（監視）し、ストリーミングでデータをクレンジングする"""
    snapshot_url = f'https://api.brightdata.com/datasets/v3/snapshot/{snapshot_id}'
    headers = {"Authorization": f"Bearer {API_KEY}"}

    print("⏳ タスクの状態を確認中 (2分ごとにチェックします)...")

    while True:
        try:
            response = requests.get(snapshot_url, headers=headers, stream=True)
            response.raise_for_status()
            content_type = response.headers.get('Content-Type', '').lower()

            # タスク未完了の場合、待機を継続
            if "application/jsonl" not in content_type and "text/plain" in content_type:
                print(f"   現在の状態: データ生成を待機中...")
                time.sleep(120)
                continue

            # データ準備完了、処理を開始
            if "application/jsonl" in content_type:
                print("✅ データ準備完了! ストリーミングダウンロードとクレンジングを開始します...")
                return process_stream(response)

        except requests.exceptions.RequestException as e:
            print(f"⚠️ ネットワークエラー: {e}。1分後に再試行します...")
            time.sleep(60)


def process_stream(response):
    """JSONLをストリーミング解析し、エラーデータを除外して標準データセットを構築する"""
    clean_records = []
    error_count = 0
    success_count = 0

    # メモリ溢れを防ぐため、1行ずつ読み込んで処理
    for line in response.iter_lines():
        if line:
            try:
                data = json.loads(line.decode('utf-8'))

                # エラーデータのフィルタリング
                if "error" in data or "error_code" in data:
                    error_count += 1
                    continue

                # 無効なリールデータのフィルタリング（URLまたは再生数・視聴数がないもの）
                if "url" not in data or ("video_play_count" not in data and "views" not in data):
                    continue

                # データフィールドの標準化
                record = {
                    "url": data.get("url"),
                    "shortcode": data.get("shortcode"),
                    "caption": data.get("description", ""),
                    "hashtags": data.get("hashtags", []),
                    "play_count": data.get("video_play_count") or data.get("views") or 0,
                    "like_count": data.get("likes") or 0,
                    "comment_count": data.get("num_comments") or 0,
                    "share_count": 0,
                    "save_count": 0,
                    "duration": float(data.get("length", 0)) if data.get("length") else 0.0,
                    "date_posted": data.get("date_posted"),
                    "timestamp_scraped": data.get("timestamp"),
                    "followers": data.get("followers"),
                }

                clean_records.append(record)
                success_count += 1

            except json.JSONDecodeError:
                continue

    print(f"🧹 クレンジング完了!")
    print(f"   ✅ 解析成功: {success_count} 件")
    print(f"   ❌ エラー/無効により除外: {error_count} 件")

    if not clean_records:
        print("❌ 有効なデータが取得できなかったため、保存を中止します。")
        return None

    # DataFrameに変換し、日付フォーマットを整形
    df = pd.DataFrame(clean_records)
    print("   ⏳ データのクレンジングと整形を実行中...")

    # 投稿時間フィールドの処理
    if 'date_posted' in df.columns:
        df['post_date'] = pd.to_datetime(df['date_posted'], errors='coerce', utc=True)
        df['post_date'] = df['post_date'].dt.tz_localize(None)
        valid_time_count = df['post_date'].notna().sum()
        print(f"   ✅ 時間解析完了: {valid_time_count}/{len(df)} 件のデータが有効です。")

    # クレンジング後のデータを保存
    if not os.path.exists(OUTPUT_DIR):
        os.makedirs(OUTPUT_DIR)
    
    df.to_parquet(OUTPUT_FILE_PARQUET, index=False)
    df.to_csv(OUTPUT_FILE_CSV, index=False, encoding="utf-8-sig")

    print(f"💾 データが保存されました:")
    print(f"   - {OUTPUT_FILE_PARQUET} (分析用推奨)")
    print(f"   - {OUTPUT_FILE_CSV} (プレビュー確認用)")
    return df


# ================= メインプログラム =================
if __name__ == "__main__":
    # 収集タスクをトリガー
    snapshot_id = trigger_scrape()
    if snapshot_id:
        # ポーリング ＋ クレンジング ＋ データ保存
        df = poll_and_process(snapshot_id)
        if df is not None:
            print("\n🎉 データの収集とクレンジングが完了しました。分析スクリプトを実行してレポートを作成できます！")
        else:
            print("\n❌ 有効なデータを取得できませんでした。")
    else:
        print("\n❌ タスクのトリガーに失敗したため、プロセスを開始できません。")

実行結果: 運営チームが直接確認できるCSVファイルと、次の段階の分析システム用のParquetファイルの両方を出力します 。

{
  "url": "https://www.instagram.com/reel/xxxxx/",
  "shortcode": "xxxxx",
  "caption": "New Summer Collection. Available now. #BrandName #Fashion #NewArrival",
  "hashtags": ["BrandName", "Fashion", "NewArrival"],
  "video_play_count": 1140000,
  "likes": 17100,
  "num_comments": 80,
  "length": 39.0,
  "date_posted": "2026-02-14T10:11:51Z",
  "followers": 62200000
}

第二段階：ZARA Reelsバズり投稿のインテリジェント分析
この段階のコードは、動画の長さ、投稿のタイミング、キャプションの内容、エンゲージメントの質、ヒット事例の5つの次元から分析を行います 。自動的に可視化されたHTMLレポートを生成し、バズる法則を直感的に提示します 。

import pandas as pd
import numpy as np
import os
from collections import Counter
import re
import datetime

# ================= 設定エリア =================
DATA_FILE = "data/zara_reels_clean.parquet"
OUTPUT_REPORT_TXT = "reports/zara_strategy_report.txt"
OUTPUT_REPORT_HTML = "reports/zara_strategy_report.html"


class ZaraViralAnalyzer:
    def __init__(self, filepath):
        if not os.path.exists(filepath):
            raise FileNotFoundError(f"❌ データファイルが存在しません: {filepath}")

        print(f"📂 データを読み込み中: {filepath}")
        self.df = pd.read_parquet(filepath)
        print(f"✅ 読み込み成功: {len(self.df)} 件のレコード")

        # 投稿日時カラムの変換確認
        if 'post_date' not in self.df.columns:
            if 'date_posted' in self.df.columns:
                print("⚠️ 未変換の日時列を検出しました。変換を試みます...")
                self.df['post_date'] = pd.to_datetime(self.df['date_posted'], errors='coerce', utc=True).dt.tz_localize(None)
            else:
                print("❌ エラー：日時データが見つかりません。時間分析をスキップします。")
                self.df['post_date'] = pd.NaT

        # Viral Score（バズり指数）の計算
        if 'viral_score' not in self.df.columns:
            self._calculate_viral_score()
        else:
            print("⚡ 計算済みの Viral Score をロードしました")

    def _calculate_viral_score(self):
        """再生数・いいね数・コメント数に基づき独自のバズり指数を算出"""
        df = self.df
        max_play = df['play_count'].max() or 1
        max_like = df['like_count'].max() or 1
        max_comment = df['comment_count'].max() or 1

        # 重み付け: 再生数(40%)、いいね(30%)、コメント(30%)
        df['viral_score'] = (
            ((df['play_count'] / max_play * 40) +
             (df['like_count'] / max_like * 30) +
             (df['comment_count'] / max_comment * 30))
        ) * 1000
        print("⚡ Viral Score (バズり指数) を再計算しました")

    def analyze_duration_strategy(self):
        """動画の長さ（秒数）ごとのパフォーマンスを分析"""
        df = self.df.copy()
        bins = [0, 10, 20, 40, 60, 90, float('inf')]
        labels = ['10秒未満', '10-20秒', '20-40秒', '40-60秒', '60-90秒', '90秒以上']
        df['duration_bucket'] = pd.cut(df['duration'], bins=bins, labels=labels, right=False)

        stats = df.groupby('duration_bucket', observed=True).agg({
            'viral_score': 'mean',
            'play_count': 'mean',
            'url': 'count'
        }).rename(columns={'url': '投稿数'})

        best_bucket = stats['viral_score'].idxmax()
        return {
            'best': best_bucket,
            'score': stats.loc[best_bucket, 'viral_score'],
            'data': stats.sort_values('viral_score', ascending=False),
            'labels': labels
        }

    def analyze_timing_strategy(self):
        """最適な投稿曜日と時間帯を分析"""
        df = self.df.copy()
        df = df.dropna(subset=['post_date'])

        if df.empty:
            return {'error': '時間データがありません'}

        df['hour'] = df['post_date'].dt.hour
        df['weekday'] = df['post_date'].dt.day_name()

        hour_stats = df.groupby('hour')['viral_score'].mean()
        weekday_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
        weekday_stats = df.groupby('weekday')['viral_score'].mean().reindex(weekday_order)

        best_hour = hour_stats.idxmax()
        best_day = weekday_stats.idxmax()

        top_3_hours = hour_stats.nlargest(3)
        top_3_days = weekday_stats.dropna().nlargest(3)

        # 日本のユーザー向けに洞察をローカライズ
        if 5 <= best_hour <= 9:
            insight = "早朝（通勤・通学中）にパフォーマンスが高い傾向です。"
        elif 12 <= best_hour <= 14:
            insight = "ランチタイムの休憩中に視聴が集中しています。"
        elif 18 <= best_hour <= 22:
            insight = "夜のゴールデンタイムです。最もトラフィックが多く、主力投稿に適しています。"
        else:
            insight = "深夜・早朝のニッチな時間帯です。競合が少なくテスト投稿に有効です。"

        return {
            'best_day': best_day,
            'best_hour': int(best_hour),
            'top_days': list(top_3_days.index),
            'top_hours': [int(h) for h in top_3_hours.index],
            'insight': insight,
            'hour_data': hour_stats,
            'day_data': weekday_stats
        }

    def analyze_content_guide(self):
        """文案（キャプション）の長さやハッシュタグを分析"""
        df = self.df.copy()
        df['caption_len'] = df['caption'].apply(lambda x: len(str(x)) if x else 0)
        # 指数で加重平均
        avg_len = (df['caption_len'] * df['viral_score']).sum() / df['viral_score'].sum()

        all_tags = []
        for tags in df['hashtags']:
            if isinstance(tags, list):
                all_tags.extend([t.lower() for t in tags])

        tag_counts = Counter(all_tags)
        top_tags = [tag for tag, count in tag_counts.most_common(5)]

        return {'avg_len': int(avg_len), 'top_tags': top_tags}

    def analyze_engagement_quality(self):
        """エンゲージメント率の質を分析"""
        df = self.df.copy()
        df = df[df['play_count'] > 0]

        df['like_rate'] = df['like_count'] / df['play_count']
        df['comment_rate'] = df['comment_count'] / df['play_count']

        bins = [0, 10, 20, 40, 60, 90, float('inf')]
        labels = ['10秒未満', '10-20秒', '20-40秒', '40-60秒', '60-90秒', '90秒以上']
        df['duration_bucket'] = pd.cut(df['duration'], bins=bins, labels=labels, right=False)

        stats = df.groupby('duration_bucket', observed=True).agg({
            'like_rate': 'mean',
            'comment_rate': 'mean'
        })

        if stats.empty:
            return {'error': 'データがありません'}

        best_like = stats['like_rate'].idxmax()
        best_comment = stats['comment_rate'].idxmax()

        return {
            'best_like_bucket': best_like,
            'best_like_val': stats.loc[best_like, 'like_rate'],
            'best_comment_bucket': best_comment,
            'best_comment_val': stats.loc[best_comment, 'comment_rate'],
            'insight': "明確なアクション（CTA）の追加を推奨します" if stats['like_rate'].max() < 0.05 else "コンテンツが強い共感を得ています"
        }

    def analyze_keywords(self):
        """キャプション内のバズりキーワードを抽出"""
        df = self.df.copy()
        text_data = " ".join(df['caption'].dropna().astype(str))
        stopwords = {'the', 'a', 'an', 'and', 'or', 'but', 'in', 'on', 'at', 'to', 'for', 'of', 'with', 'is', 'are',
                     'was', 'were', 'new', 'now', 'watch', 'check', 'link', 'zara'}
        words = re.findall(r'\b[a-zA-Z]{4,}\b', text_data.lower())
        filtered_words = [w for w in words if w not in stopwords]
        word_counts = Counter(filtered_words)
        return [word for word, count in word_counts.most_common(5)]

    def get_top_cases(self, n=3):
        """最もバズった動画TOP3を取得"""
        top_df = self.df.nlargest(n, 'viral_score')
        cases = []
        for i, row in top_df.iterrows():
            cases.append({
                'rank': int(row.name),
                'score': row['viral_score'],
                'url': row['url'],
                'duration': row['duration'],
                'caption': str(row['caption'])[:60] + "..." if len(str(row['caption'])) > 60 else row['caption']
            })
        return cases

    def generate_html_report(self, duration_data, timing_data, content_data, engagement_data, keywords, top_cases):
        """日本語化されたビジュアルHTMLレポートを生成"""
        # (※ここではHTML内のテキストを日本語化したロジックが組み込まれます)
        # 冗長さを避けるため、構造は元のままで中身のラベルを日本語に差し替えています
        
        # ...（以下、HTMLテンプレートの日本語化処理：タイトルや見出しを日本語に変換）...
        return html_content # 変換後のHTML

    def run_full_analysis(self):
        print("\n" + "=" * 60)
        print("🤖 ZARA 爆款（バズり）複製システム - インテリジェント分析")
        print("=" * 60)

        # 分析実行
        duration_data = self.analyze_duration_strategy()
        timing_data = self.analyze_timing_strategy()
        content_data = self.analyze_content_guide()
        engagement_data = self.analyze_engagement_quality()
        keywords = self.analyze_keywords()
        top_cases = self.get_top_cases(3)

        # コンソールに概要を表示
        print(f"\n1. 🎬 黄金時間（尺）: {duration_data['best']}")
        print(f"2. ⏰ 最適な投稿タイミング: {timing_data.get('best_day', 'N/A')} {timing_data.get('best_hour', 'N/A')}:00")
        print(f"3. 💎 最高いいね率の尺: {engagement_data.get('best_like_bucket', 'N/A')}")
        print(f"4. 🔑 主要キーワード: {keywords}")

        # HTML生成と保存
        html_content = self.generate_html_report(duration_data, timing_data, content_data, engagement_data, keywords, top_cases)

        if not os.path.exists("reports"):
            os.makedirs("reports")

        with open(OUTPUT_REPORT_HTML, "w", encoding="utf-8") as f:
            f.write(html_content)

        print(f"\n✅ 分析完了!")
        print(f"📄 可視化レポートが生成されました: {os.path.abspath(OUTPUT_REPORT_HTML)}")
        print("💡 ヒント: 生成されたHTMLファイルをブラウザで開くと詳細なグラフを確認できます。")


if __name__ == "__main__":
    try:
        analyzer = ZaraViralAnalyzer(DATA_FILE)
        analyzer.run_full_analysis()
    except Exception as e:
        print(f"❌ 分析中にエラーが発生しました: {e}")
        import traceback
        traceback.print_exc()

未来への展望

今回ご紹介したのは、Bright Dataの膨大なエコシステム能力の氷山の一角に過ぎません ：
全プラットフォーム網羅: InstagramからTikTok、YouTube、Amazonなど世界中の主要プラットフォームへ拡張し、全チャネルの競合インテリジェンス網を構築できます 。
リアルタイムの洞察: 「事後分析」から「リアルタイム監視」へとアップグレードし、一瞬のトレンドや競合の動きを捉えます 。
AIとの融合: 収集したデータを大規模言語モデル（LLM）に直接連携させ、クリエイティブな台本の自動生成やバズり確率の予測など、「無人化」されたコンテンツ運用を実現します 。
今日から、データであなたのブランドのソーシャルメディア戦略を武装しましょう。
👉 【無料トライアルはこちらhttps://get.brightdata.com/hwj7ya 】