[Todo] IG-Client Nr. 0.7B

Aktuelle Erfahrungen, Zahlen und Impressionen aus dem Umfeld „Betreuung und Aufbau von Instagram-Accounts“ ergeben die folgende Funktionsliste für die nächste Version des IG-Clients.
Vorab: wir denken derzeit intensiv über die Zusammenlegung der Werkzeuge bzgl. Pinterest und Instagram nach.

Zu den geplanten Funktionen:

[Leserechte // Analysefunktionen]
– grafische Aufbereitung der Likeveränderungen (global, Top-10)
– Erfassen der Grunddaten aller Fans, Kommentierenden und Likenden
– Gegenprobe: Welcher Fan ist aktiv? (Fan => Like, Fan => Comment)

[Schreibrechte]
– Blacklistfunktion => Ausschluss von Schreibaktionen bei Vorkommen von ungewünschten Tags
– Zentral abgelegte Blackliste plus Downloadfunktion
– Ausschluss der Schreibrechtefunktionen bei nicht vorhandener Blacklist (Server, Offline)
– neue Schreibrechtefrquenz: 1 x / 15 Min.

Instagram – Tagsuche, Tagbewertungen und Tagbegutachtungen

Vor einigen Tagen entdeckte ich – wieder einmal – einige (abgeschriebene) Artikel bei den üblichen Szenepublikationen rund um die Fragen:
– Welche Hashtags soll ich bei Instagram verwenden?
– Welche Hashtags sind besonders gut?
Die Antworten hierauf sind leider alles andere als „befriedigend“, da man hier meistens auf Basis dieser diffusen und nicht berechenbaren „Erfahrung“ und „Gefühlen“ argumentiert und Lücken mit Buzzwords gefüllt werden.

Wie dem auch sei: studiert man aufmerksam die API-Dokumentationen aus Instagram, fällt der folgende Endpoint auf:

/tags/tag-name/media/recent

Dieser lässt sich mit diesem Schema bedienen:

https://api.instagram.com/v1/tags/’+interessantertag+’/media/recent?access_token=’+deintoken

Hier gilt leider auch die Fixierung auf maximal 20 Ergebnisse je Endpoint-Abfrage, welche sich so umgehen lässt:

repeat
=> Abfrage
=> Ergebnisübertrag in Datenbank
until pos(’next_url‘,abfrage_ergebnis)<>0;

Hier empfehle ich, die bereits beschriebene Reichweitenanalyse davor zu schalten. Diese erlaubt eine Vorabgewichtung und Abschätzung dahingehend, wie viele Ressourcen für den Scrapeprozess verwendet werden müssen.

Der genannte Endpoint liefert die folgenden Variablen in interpretationsfähigem Zustand zu den gefundenen Medien zurück:

(a) type
=> image / video etc.
(b) filter
=> verwendeter Filter
(c) tags
=> verwendete Tags INKLUSIVE dem abgefragten Tag
(d) comments=>count
=> Anzahl der Kommentare
(e) likes=>count
=> Anzahl der Likes
(f) created_time
=> Zeitstempel, Wann wurde der Post abgesetzt? (Datum und Uhrzeit)
(g) from=>username // from=>id
=> Daten des Accounts, Username und ID
(h) id
=> ID des Posts

Überführt man nun diese Datensätze in eine geeignete Datenbank (mein Favorit: CSV), lassen sich nun sauber Antworten auf diese Fragen finden:

(a) Wer hat den Hashtag „erfunden“?
Liegen die Rohdaten in geeigneter Form vor, findet man den Ursprung des Hashtags (Account, Zeitpunkt etc.) im letzten Datensatz oder in der ersten Publikation (Datum!). Möchte man nun hier eine Influencerbegutachtung anstellen, kann man hier prüfen, wie häufig der Ursprungsaccount unter dem Tag postet und wie denn dessen Reputation in Form von Likes und Comments wächst, nicht wächst oder stabil bleibt.

(b) Postzeitpunkte und Wechselwirkung auf Interaktionen
Durch die Erfassung der Variable „created_time“ lassen sich Antworten auf die Frage „Wann macht ein Posten unter dem Hashtag Sinn?“ beantworten, da hier parallel die Zahlen zu „Likes“ und „Comments“ erfassbar sind.

(c) Weg des Tags
Durch die vorhandenen Rohdaten lassen sich nun auch weitere Beobachtungen und Analysen anstellen. Diese können auf die Beantwortung der folgenden Fragen abzielen:
– Welche anderen Accounts verwenden den Tags nach dessen Ursprung?
– Lassen sich Veränderungen in den Themenwelten des Hashtags feststellen (sichtbar durch: Hashtag-Gruppen, verwendete Filter, Comments)?
– Wann sind Aktivitäten sichtbar (created_time, Uhrzeit und Tag, Wochentag über entsprechende Funktionen auslesbar)?

Zusammenfassung
Unser Instagram-Client besitzt eine ähnliche Funktion, die ich noch etwas anpassen muss (ggf. ab Versionsnummer 0.6BETA freigeschaltet). Die Umsetzung ist eigentlich relativ problemlos realisierbar und ich empfehle auch hier einen Blick in die SDK „Delphi“ oder „Lazarus„. Letzere basiert stark auf Borland Delphi, also PASCAL und diese Sprache dürfte den meisten Kolleg_innen aus den extrem IT-lastigen Umfeld „Internetmarketing“, „Socialmediamarketing“ oder „SEO“ durchaus bekannt sein. Eine Umsetzung auf Basis von PHP & Co. halte ich persönlich für nicht sinnvoll, da viele analysierbare Tags durchaus gigantische Datenmassen und Scrapezeiträume produzieren können (siehe: Reichweitenzahlen, Reichweitenanalysen) und hier das Problem der begrenzten Scriptlaufzeiten vorliegen dürfte. Das Scrapen und Durchanalysieren meines Accounts „hanneswobus“ benötigt bei 8.358 Medien zwischen 5 und 10 Minuten.

Instagram – Influencersuche und Influencerbegutachtungen

Neulich erlebte ich einige verwirrende Diskussionen rund um die Problematik „Influencermarketing“ via Instagram. Eine ehemalige Kundin aus dem Themenbereich „Lifestyle // Model // Fashion“ rief hier an und berichtete von der folgenden Situation:

Sie bewarb sich mit ihrem Instagram-Account bei einer Agentur – spezialisiert auf „Influencermarketing“ – und wurde mit Hinweis auf „zu wenig Follower“ abgelehnt. Sie berichtete mir, dass in ihrem Bereich man da primär auf die Metrik „Follower“ schaut und dass die entsprechende Zahl natürlich möglichst groß sein muss. Sie berichtete mir auch, dass konkrete Interaktionsvariablen wie „Likes“, „Comments“ oder konkrete Diskussionen rund um diese oder jene Motive völlig egal sind.

Weitere Gespräche mit konkreten Dienstleister_innen aus dem Bereich „Socialmediamarketing“, „Influencermarketing“ oder „Instagram-Marketing“ ergaben, dass man eben diese Metriken nicht erkennen kann, nicht erkennen will oder dass keine Werkzeuge zur Auswertung existieren oder benutzt werden. In diesen kollegialen Diskussionen hatte ich den folgenden Lösungsansatz vorgestellt:

(A) Die Accountanalysen
(1) ID unbekannt?
https://api.instagram.com/v1/users/search?q=’+accountname+’&access_token=’+deintoken

(2) ID recherchiert und bekannt?
– Download des kompletten Feeds
https://api.instagram.com/v1/users/’+account_id+’/media/recent/?access_token=’+deintoken
Hinweise:
– Der Scrapevorgang produziert maximal (!) 20 Ergebnisse.
– Lösung für die Ergebnisbegrenzung: „repeat-until-schleife“ bis „next_url:“ nicht mehr im Code auffindbar ist.

Wichtige und interessante Variablen aus dem Rohdatenfeed JE POST:
(a) tags
– beschreibt die verwendeten Tags
(b) „comments“:count“:
– beschreibt die Anzahl der Kommentare
(c) link:
– beschreibt den Link des Posts, Mediums
(d) „likes“:count“:
– beschreibt die Anzahl der Likes
(e) „filter“: „‚
– beschreibt den verwendeten Filter
(f) created_time
– beschreibt den Zeitstempel, (Wann wurde der Post abgesetzt? // Datum und Uhrzeit)
(g) „id“:“
– beschreibt die IG-interne ID des Posts

Die so erfassten Posts aus den zu beobachtenden Accounts werden nun in eine geeignete Datenbank überführt. Ich benutze für derartige Gelegenheiten immer gern das Format „CSV“ via dem Objekt „Stringgrid“ (Delphi).

(3) Dateninterpretation „Grunddaten“
Bei lückenloser Feederfassung entdeckt man nun die Grunddatenvariablen „Posts“, „Likes“ und „Comments“ und ausgehend hiervon lassen sich erste Interpretationen anstellen:
– Wieviele Beiträge hat denn der Account?
– Wiele Likes hat denn der Account?
– Wieviele Comments hat denn der Account?
Man könnte hieraus das Verhältnis von Likes / Comments zu Posts berechnen und mit Hilfe der Ergebnisse werden nun auch Vergleiche zwischen Accounts möglich.

Natürlich ist die „Grunddaten“-Begutachtung der erste Schritt zu einer wirklich werthaltigen und interessanten Analyse der potentiellen „Influencer“. Wie geht es nun weiter? Nunja:

(4) Tiefenprüfung auf Basis der Rohdaten

(a) Die Hashtags
– Extrahieren der Tags aus den Rohdaten und Umwandlung in eine Liste (ein Tag je Zeile!)
– Auslesen: Taghäufung
– Gegenüberstellung: Tags zu Summe Likes//Comments
(b) Die Hashtaggruppen
– siehe: (a)
Ziel von (a) + (b)
Ziel der Tagprüfung ist die Beantwortung der Fragen:
– Welche Tags „zünden“ am Besten beim anvisierten Account?
– Gibt es ein Ungleichgewicht zwischen Masse-„Follower“ und den interpretierten Variablen?

(5) Interaktionsanalyse auf Basis der Rohdaten
Diese Analyse verlangt die IDs der Posts aus den Rohdaten!
(a) Die Likenden
https://api.instagram.com/v1/media/’+ID+’/likes?access_token=’+deintoken
Hier bietet sich die Erweiterung der Rohdaten an. Ich verwende hierfür eine beigeordnete CSV-Datei zzgl. einem weiteren „Stringgrid“. Der Scrapevorgang wird mit einer simplen Zählschleife durchgeführt und die Ergebnisse liefern die folgenden Daten zu DEN Likenden zurück:
– Accountname
– ID des Accounts
– Fullname
(b) Die Kommentierenden
– siehe (a)

Hat man nun die Datensätze aus (a) und (b) vorliegen, bieten sich weitere Analysen an. Diese können die folgenden Fragen beantworten:
– Wie ist das Verhältnis von Posts => Fans => Likenden // Kommentierenden?
– Wer liked und kommentiert parallel?
– Welcher Account ist besonders aktiv?
Im Abgleich der Datensätze aus (a) und (b) zu den Analysevorgängen bzgl. den Hashtags können folgende Fragen beantwortet werden:
– Welcher Account „mag“ welche Tags?
– Welcher Account zeigt das „mögen“ häufig?

In den meisten Szenarien, die in den Diskussionen auftauchen, benötigt man einen weiteren Recherchepunkt, den man vor der Accountbegutachtung starten muss. Dieser bewegt sich meistens um Themen oder konkreten Locations. Themen, Locations oder Städte lassen sich über zwei Möglichkeiten erfassen:
(1) Tags
https://api.instagram.com/v1/tags/search?client_id=’+deineclientid+’&q=’+tag
(2) Locationssearch
https://api.instagram.com/v1/locations/search?lat=48.858844&lng=2.294351&access_token=’+deintoken
Aus den Ergebnissen der beiden Endpointabfragen lassen die Accountnamen extrahieren und in die Tiefenprüfungsprozedur übertragen.

(B) Die Accountbewertungen
Immer wieder wundere ich mich über die Fananzahlfokussierung bei der Begutachtung von Accounts oder der Suche nach diesen Influencern. Der Grund hierfür ist relativ einfach: man kann über die bekannten, extrem leicht recherchierbaren und erprobten Quellen für wenig Geld hochwertig aussehende Fans einkaufen (ca. 5 EUR / 3000 bis 4000 Fans). Schaut man sich nun die Instagram-API an, findet man nirgends faszinierende Analysefunktionen zu bspw. Herkunft (Land, Stadt etc.) der „Fans“ und da bleibt leider nur die Begutachtung und Bewertung der o.g. Rohdaten.
Ich neige bspw. dazu, Manipulation zu vermuten, wenn:
(a) Ein Ungleichgewicht zwischen Posts, Fans, Likes und Comments sichtbar wird.
Beispiele können sein:
– 1-20 Posts zu >10k Fans
– >8K Fans zu 0 Likes
– >10 Fans zu extrem wenig Likes auf den Posts
– extrem viele Fans, aber keine Interaktionen in Form von Comments
– Comments, aber keine Reaktion seitens der Accountinhaber_in
(b) Inhalt, Qualität der Inhalte
Beispiele können sein:
– extrem schlechte Fotoqualität (Achtung: Subjektivität!)
– Hashtagspamming (#lik4like, #likeme, #likeback)
– Tags ohne Bezug zum Inhalt der Posts
– extreme lange Zeiten zwischen den Posts
– Massenpostings zzgl. Tagspamming

Abschließende Bemerkung.
Persönlich ist mir absolut klar, dass die wenigsten Laien oder Endanwender_innen den o.g. Lösungsweg im Sinne einer Entwicklung eigener Werkzeuge vermutlich umsetzen können und deswegen erhalten unsere Kunden auf Anfrage und nach Gesprächen immer aktuelle Versionen der entsprechenden Softwares. Das ist soweit völlig okay, natürlich und immerhin erwarten diese Zielgruppen die professionelle Beantwortung der IG-bezogenen Fragestellungen und das Lösen der bekannten Probleme.

Mich wundert jedoch, dass trotz klischeehaften Hype, vielen spezialisierten Dienstleister_innen und enorm reputationsstarken Agenturen, diese Basics immer wieder in den Foren und den szeneinternen Diskussionen abgefragt werden und keinerlei Weiterentwicklung sichtbar ist. Sicherlich ist es nicht in jedem Fall zumutbar das Programmieren zu erlernen, aber das Interpretieren von Zahlen, großen Datensätzen und das Verstehen von romanartigen API-Dokumentationen sowie den Zusammenhängen zwischen den auslesbaren Variablen gehört nun mal zur Branche. Leider berichten uns diverse Rat- und Hilfesuchende immer wieder, dass man wohl mit „Vermutungen“ oder „Gefühl“ abgespeist wird und ich kann an dieser Stelle nur dazu raten, sämtliche Socialmediastrategien auf Basis von belastbaren Zahlen, Daten und Erkenntnisse zu gestalten und das funktioniert am Besten, wenn die kostenfrei abrufbaren API-Endpoints verstanden und benutzt werden.

Zielgruppenbegutachtungen beim Linkaufbau

In irgendeinem Forum entbrannte kürzlich eine hitzige Diskussion rund um die Sinnhaftigkeit von Zielgruppenanalyseprozeduren bei Linkaufbauvorgängen. Dies animierte mich zum Niederschreiben einiger Gedanken.
Folgt man bei Linkbuildingstrategien der Idee, dass über gesetzte Links nicht nur die gewünschten SEO-Benefits „produziert“ werden sollen, sondern dass auch interessierte Besucher_innen angelockt werden müssen, bietet sich natürlich die Sichtung diverser Werthaltigkeitsindikatoren außerhalb der bekannten und üblichen SEO-Variablen an.
Ich interessiere mich hier für die folgenden Inspirationsquellen:

(A) Kommentare (bei Linkaufbau via Blogs)
(1) Wie häufig tauchen Kommentare unterhalb der pot. Linkspenderartikel auf?
(2) Sind Spamcomments sichtbar?
(3) Zeigen die Kommentare ausgehende Links? Falls „JA“: um welche Projekttypen (MfA, Amazon-SPAM) handelt es sich hierbei?

(B) Socialmedia und Socialsignals
(1) Existieren beigeordnete Socialmediaaccounts? (i.d.R. zu sehen im Footer oder Header)
(2) Welche Socialmedia werden hier verwendet?
(3) Passen die verwendeten Socialmedia auf das „Grundthema“ des pot. Linkspenders / Werbepartners?
– Bildlastiges Grundthema zu bildlastigen Socialmedia (Instagram, Pinterest, Flickr usw.)
(4) Werden über über die Socialmedia Zielgruppen angesprochen?
– Sichtbar über das Verhältnis: Posts, Comments, Linkes, Shares
– Fan- und Likeanalysen via Instagramclient
– Reaktionsverhalten auf Comments in den Socialmedia
(5) Haben die Inhalte eine Reputation in den Socialmedia?
– auslesbar via Socialsignals-APIs
– auslesbar via Socialshareplugins, sofern eingebunden
– werden die Inhalte geliked, geteilt (einsehbar über Socialmediaprofil-Sichtung und APIs)
(6) Produzieren die Socialmedia-Aktivitäten Clicks auf pot. Werbepartner // Linkpartner?
– eventuell nachvollziehbar über die API-Endpoints aus Bit.ly
– Datenquelle(n) für Prognosen: Socialsignals via Zählapis der Socialmedia
– Abgleich der summierten Socialsignals untereinander und Gegenüberstellung mit den Daten aus Bit.ly

(C) Inhalte der pot. Link- und Werbepartner
(1) Sind die Inhalte neu und innovativ?
– bei Fotoblogs: einzigartige Perspektiven und Motive?
– bei Fachblogs: umgeschriebenes Allgemeinwissen oder Innovationen?
– Global // alle Themengebiete: werden Trends bedient und wichtige oder aktuelle Fragen ausdiskutiert?
(2) Reputation der Inhalte außerhalb der Socialmediaindikatoren
– Backlinks und Zitate in externen Blogs (auslesbar über die bekannten Anbieter oder Trackbacks)

IG-Client, Tagrecherchen auf Basis der Postdatensätze

Da der Client die Postdatensätze des eigenen und auch von fremden (offenen) Accounts analysieren kann, bietet sich hier natürlich ein analytischer Blick auf die jeweils verwendeten Hashtags an.

Der Client liefert hierfür zwei Datenquellen:

(A) Analysierbare Fremdaccounts
Die Tagrecherche auf Basis der analysierbaren Fremdaccounts verlangt herunter geladene Post-Streams in tabellarischer Form. Diese Daten lassen sich über den Weg (1) bis (3) generieren. Bereits gespeicherte Daten werden automatisch mit Wahl des zu beobachtenden Accounts – Schritt (1) und (2) – in das Objekt „Andere Medien // Posts“ => „Rohdaten“ geladen.
Die Software liefert nun auf Basis der Rohdaten Informationen zur Wertigkeit von Hashtags. Hierfür müssen diese Tags aus dem Rohmaterial via Schritt (4) extrahiert und aufbereitet werden. Die Aufbereitung und Sicherstellung von Interpretationsgrundlagen erfolgt über eine simple Zusammenzählung der Hashtags und der Erfassung der Like- und Commentsummen.
Der Übertrag in die Tagsammlung erfolgt durch Doppelklick auf die jeweilige Reihe des Gitterelements – Schritt (5).

(B) Eigener Account
Diese Funktion entspricht – im Wesentlichen – der Funktion (A). Hierbei entfallen natürlich die Auswahlprozeduren „Kategorie“ und „Account“. Das Programm lädt bei jedem Start die eventuell vorhandene Tag-Datei in das vorgesehene Gitterelement („Medien // Posts“ => „Meine Daten“), wobei besagte Datensätze bei Bedarf jederzeit über die Schritte (1) bis (2) aktualisiert werden können. Die abschließende Tagverwertung erfolgt über Doppelklick auf die jeweilige Zeile.

IG-Client, Tagrecherche(n)

Die „freie“ Tagrecherche wurde mit der Versionsnummer „0.5b“ entwickelt und bereit gestellt. Diese dockt am „tag-search“-API-Endpoint von Instagram an und fragt die verwandten Tags zzgl. deren Reichweite ab.

[Bedienung]

1.) Tagwahl
– Eingabe des zu analysierenden Tags
oder
– Auswahl des zu analysierenden Tags aus der hinterlegten Liste
Die Tagliste befindet sich in der Datei /projekte/tagsearch.txt und lässt sich hier modifizieren.

2.) Reichweitendaten abholen
– Abfrage des Tagsearch-Endpoints auf Basis des hinterlegten Schreibrechte-Token und des gewählten Tags

3.) Ergebnis sichten und bearbeiten
Hier erlaubt der Client die Begutachtung der ausgelesenen Taggruppe (Beispiel: „Leipzig“). Sollen hier die gefundenen Tags weiter verarbeitet und verwendet werden, erledigt man das via „Doppelklick“ auf die jeweilige Zeile der Tabelle. Hierüber werden die ausgewählten Hashtags in den den Reiter „Tagsammlung“ übernommen. Dieser erlaubt den Übertrag der Ergebnisse in die Datei „tagsearch.txt“, die Taganalyseprozeduren, den Liker und die Konvertierung in ein „Copy&Paste“-fähiges Format.

Wozu lassen sich die gewonnenen Datensätze verwenden?
(a) Verwertung in den hashtagfähigen Socialmedia (Instagram, Twitter usw.).
(b) Gezielte Trendrecherche auf Basis der Taggruppen (#leipzig => #leipzigerzoo, #leipzig => #leipzighbf).
(c) Tagidentifikation für die Promotion von Texten, Infos und Angebote.
(d) Daten- und Inspirationsquelle für die Textoptimierung (Achtung: auf die Reichweitenveränderungen achten!)

[Updatenotiz] Instagram-Client 0.4b

Die nächste Version wird um die folgenden Funktionen erweitert:

[Taggruppenauswertung]
– eigener Account
– Fremdaccounts
– Gewichtung nach Likes, Comments und Häufung
– ggf. / optional: Gewichtung im Verhältnis zu der Posthäufung (Vergleichbarkeit von Accounts?)

[Tagauswahl]
– Anbindung des Clients an den Tagsearch-Endpoint
– Optional: Anbindung des Clients an das Langzeitprojekt „Tagrecherche“
– Übertrag der Features aus der bekannten Android-App
– Einrichten von themenbezogenen Tagkategorien

[Likes, Follow / Unfollow]
– Anbindung des Clients an die entsprechenden Endpoints
– Unterstützung des Fanmanagements via der Like, Follow / Unfollow-Funktionen (automatisch!)

[Postanalyse(n)]
– Postsearch auf Basis der „wichtigen“ Tags
– Optional: Auswertung der Postingzeiten (neueste Posts, Auswertung von Tageszeiten etc.)
– Erweiterung der Tag=>Mediensearch-Funktion von 20 Posts auf max. 500 Posts (siehe Erfassung der Tageszeiten)

[Fan- und Interaktionsanalyse(n)]
– Auswertung der Daten auf Basis der „Grunddaten“ (Posts, Likes, Comments, Fans, Abos)
– Auswertungen der Likenden und Kommentierenden von Fremdaccounts AUF BASIS der Tags und Taggruppen
– Optional: Fan- und Aboanalysen auf Fremdaccounts (Achtung: ich muss hier noch die Endpoints analysieren)

Eine Fertigstellung der Versionsnummer „0.4b“ wird für den 01.05 / 02.05 angesetzt und nach Abarbeitung der letzten Bugs und der Implementierung grafischer Datenauswertungsfunktionen werden zeitnah Äquivalente aus dem Komplex „Pinterest“ in den Client eingefügt.

Integration von „Opensharecount“ in den Socialsignals-Tracker

Nach einigen Experimenten mit dem genannten Service stellte sich heraus, dass die gelieferten Daten sauber und relativ aktuell sind.
Ich beobachtete hier, dass eine Echtzeitprobe auf die gesetzten Tweets / Retweets zwar nicht möglich ist, aber dass die Datensätze mit einer relativ guten Genauigkeit innerhalb eines Zeitfensters von 30 Minuten nach API-Abfrage ausgeworfen werden.
Das Tool wird nun ab sofort im Rahmen der üblichen Socialsignals-Reportings verwendet und in die Anwendung „Socialtracker“ integriert. Durch den Anbieterwechsel von Twitter (Original-API) auf Opensharecount-API sind leider keine Weiterführungen der alten Datensätze möglich.
Der API-Endpoint des genannten Services ist “http://cdn.api.twitter.com/1/urls/count.json?url=[deineurl]“ (einfach „deineurl“ austauschen) und das Ergebnisformat entspricht der alten und twitterbasierten Version.

Instagram-Token generieren (Like, Comment, Follow etc.)

Für diese oder jene Testfälle benötige ich einen Instagram-Token, welcher das Setzen von Likes, Comments, Follows und Unfollows erlaubt. Dies ist über den „offiziellen“ Weg nicht möglich und hierfür bietet sich der folgende Service an: https://apigee.com/console/instagram.

Zur Tokengenerierung geht man wie folgt vor:
– Authentifikation via OAUTH 2.0
– Anmelden mit den eigenen und bekannten Accountdaten
– Durchführen: user/self/feed
– Copy & Paste des ausgegebenen Token (siehe: Ergebnisübergabe aus dem genannten Service)