# Suivi des prix du Black Friday face à la règle des 30 jours

> URL: https://foura.ai/fr/blog/black-friday-price-tracking-30-day-rule
> Updated: 2026-11-03
> Index: https://foura.ai/llms.txt

En mars 2026, les autorités de protection des consommateurs de 23 pays de l'UE, ainsi que de l'Islande et de la Norvège, ont publié leur contrôle des soldes du Black Friday et du Cyber Monday : 30 % des 314 boutiques en ligne contrôlées [affichaient des réductions de manière incorrecte](https://www.ccpc.ie/news-and-media/news/article/2026/03/26/investigation-by-ec--ccpc-and-european-consumer-authorities-finds-1-in-3-traders-incorrectly-display-discounts-online-during-black-friday-sales). La règle enfreinte par ces boutiques tient en une seule phrase. La vérifier exige des données que vous auriez dû commencer à collecter un mois avant les soldes.

## Le défi

En vertu de la directive européenne sur l'indication des prix, une boutique qui annonce une réduction de prix doit indiquer, comme prix de référence, le prix le plus bas appliqué au cours des 30 jours précédents. La directive Omnibus a introduit cette règle en 2019, et les boutiques doivent s'y conformer depuis 2022. Le Black Friday ayant lieu le 27 novembre cette année, la période qui détermine si le prix barré du Black Friday est authentique a débuté le 28 octobre. Un tracker qui commence à tourner lorsque les bannières apparaissent a un mois de retard.

Le propre dispositif de surveillance de la Commission, conçu avec Apify, a couvert 16 000 produits dans 176 boutiques lors du contrôle du Black Friday 2022 et [avait permis, en octobre 2025, de vérifier 136 931 produits auprès de 1 556 détaillants](https://blog.apify.com/how-web-scraping-ai-and-the-eu-have-come-together-to-sweep-away-fake-discounts-in-europe/). Il a collecté les prix pendant les soldes ainsi que durant les 30 jours précédents, en conservant une capture d'écran de chaque page comme preuve. Oxylabs a déployé une version américaine en 2024 : elle [a suivi 61 172 produits toutes les heures](https://oxylabs.io/blog/oxylabs-research-on-fake-discounts-are-shopping-events-worth-the-deal) à partir du 13 août, et seuls 4 529 d'entre eux étaient à la fois en promotion pour le Black Friday et répertoriés pendant les 90 jours requis par sa méthode. Les catalogues de produits se renouvellent plus vite que la plupart des équipes ne l'anticipent.

Mais la difficulté ne réside pas dans la volumétrie. Elle réside dans la nature même de la statistique.

Un prix de référence est un minimum, et un minimum dépend d'une seule observation. Une moyenne absorbe sans problème une anomalie sur un jour ; un minimum *est* cette anomalie. C'est pourquoi les deux types d'erreurs d'un scraper faussent complètement le verdict :

- **Un jour manqué masque le prix bas.** La page renvoie un challenge, un écran de consentement ou un timeout le seul jour où le prix a baissé. Votre minimum s'avère supérieur à la réalité, et une fausse réduction passe pour authentique.
- **Un prix mal interprété invente un prix bas.** Votre parser extrait un prix « à partir de », un prix adhérent, une autre variante ou un accessoire dans un carrousel. Votre minimum s'avère inférieur à la réalité, et une réduction légitime est signalée à tort comme trompeuse.

Les baisses de prix peuvent être courtes. Dans son [étude Black Friday 2025](https://www.which.co.uk/policy-and-insight/article/dont-believe-the-hype-most-black-friday-deals-the-same-price-or-cheaper-at-other-times-of-the-year-which-finds-a3TbD5x5KADs), Which? a suivi 175 produits chez huit détaillants britanniques pendant un an : 83 % étaient au même prix ou moins chers au moins une fois en dehors des quatre semaines de soldes, et un téléviseur suivi a brièvement chuté de 1 039 £ à 999 £ le lendemain du Black Friday. (Le Royaume-Uni a ses propres règles, mais une baisse d'un jour produit le même effet pour un scraper.)

Pour un site de bons plans, la première erreur coûte sa crédibilité. Pour un régulateur, une association de consommateurs ou une rédaction, la seconde revient à accuser un détaillant d'une faute qu'il n'a pas commise.

## L'approche : un vide reste un vide

Vous avez besoin d'une couche de collecte qui ne transforme jamais un échec de récupération en un chiffre, et d'un calcul qui refuse de rendre un verdict sur une période incomplète. Nous avons expliqué comment un fetch raté devient un faux signal dans [Alternative Data : quand un blocage ressemble à un point de données](https://foura.ai/blog/alternative-data-silent-collection-gaps) ; un minimum sur 30 jours représente la version la plus intransigeante de ce problème.

Avec une plateforme comme FourA, les composants essentiels restent réduits :

- **Validez la page avant de l'analyser.** `validate` accepte une chaîne de caractères que seule la page produit ciblée contient, comme la référence interne de l'article. Une page de vérification, une page "produit introuvable" ou un écran de consentement est renvoyé sous la forme d'un appel échoué, qui [n'est pas facturé](https://foura.ai/docs/api/outcomes) car [votre règle définit ce qui constitue un succès](https://foura.ai/blog/validate-decides-success). Votre ligne enregistre un vide, pas un prix.
- **Conservez la preuve.** Les réponses contiennent un `X-FourA-Request-Id`. Stockez-le avec le prix, l'horodatage et le code HTML brut. Notre journal d'activité ne conserve les aperçus de request que pendant 24 heures, l'archivage des preuves doit donc se faire de votre côté.
- **Choisissez l'endpoint par boutique.** Single gère les pages produits générées côté serveur. Browser s'adresse aux boutiques qui calculent le prix en JavaScript. Proxy Finder avec `exitCountries` (si votre forfait inclut le ciblage géographique) prend en charge les boutiques dont le prix dépend du pays du visiteur, un problème proche de celui rencontré avec [les prix de détail au niveau du magasin](https://foura.ai/blog/grocery-price-scraping-store-shopper).

```python
import datetime as dt
import requests

API = "https://eu.api.foura.ai/api/single/"
HEADERS = {"X-API-Key": "pk_live_..."}

def observe(product, parse_price):
    """One observation. A failed fetch is a gap, never a price."""
    r = requests.post(API, headers=HEADERS, json={
        "method": "GET",
        "url": product["url"],
        "validate": {
            "status": {"accept": [200]},
            "data": {"accept": [product["article_no"]]},
        },
    })
    body = r.json()
    row = {"day": dt.date.today(), "url": product["url"], "price": None,
           "request_id": r.headers.get("X-FourA-Request-Id")}
    if r.status_code == 200 and not body.get("error"):
        row["price"] = parse_price(body["data"])  # None when it isn't sure
        row["html"] = body["data"]                # the evidence
    return row

def prior_price(rows, sale_day, days=30):
    start = sale_day - dt.timedelta(days=days)
    priced = [x for x in rows
              if start <= x["day"] < sale_day and x["price"] is not None]
    if len({x["day"] for x in priced}) < days:
        return None  # a missing day can hide the lowest price
    return min(x["price"] for x in priced)
```

`prior_price` qui renvoie `None` est la ligne la plus utile du fichier. Une réduction impossible à vérifier rejoint une liste « sans verdict », avec la mention explicite des jours manquants. Nous préférons livrer un rapport incluant cette liste plutôt qu'un rapport faux avec assurance.

Deux autres décisions doivent être prises avant les soldes, et non pendant. D'abord, échantillonnez plus d'une fois par jour sur les catégories très dynamiques ; ce n'est pas un hasard si Oxylabs effectuait des vérifications toutes les heures. Ensuite, collectez des données au-delà des 30 jours. La règle porte exactement sur cette période : une hausse de prix juste avant l'ouverture de la fenêtre, maintenue jusqu'aux soldes, reste donc invisible pour elle. Savoir s'il s'agit d'une pratique trompeuse relève de la directive sur les pratiques commerciales déloyales et d'un juriste. Savoir si vous pouvez prouver son existence est une question de données, et seul un historique plus long permet d'y répondre.

## Résultats

Scénario illustratif basé sur la configuration ci-dessus : une association de consommateurs vérifiant 2 000 produits sur 40 boutiques dans trois pays, deux fois par jour, du 1er octobre au Cyber Monday.

- **244 000 observations,** chacune stockée avec son request id et sa page brute.
- **Zéro page de challenge dans la colonne des prix.** Chaque ligne a validé son contrôle produit ou constitue une lacune explicite.
- **Trois verdicts, pas deux.** Une réduction est soit une infraction, soit conforme, soit « sans verdict », cette dernière option listant les jours manquants.
- **Preuves jointes.** Chaque offre signalée est livrée avec les horodatages et les pages justifiant son minimum sur 30 jours.
- **Hausses pré-fenêtre visibles.** Huit semaines d'historique révèlent un prix augmenté juste avant le 28 octobre et « réduit » le 27 novembre.
- **Lacunes sans frais.** Une requête rejetée n'est pas facturée, donc une nouvelle tentative le jour même ne coûte que l'appel réussi.

## Point clé

La plupart des pipelines de scraping sont conçus pour être corrects en moyenne, et les moyennes pardonnent les erreurs. La règle des 30 jours exige précisément la valeur sur laquelle un pipeline est le moins performant : l'extrême. Un prix plancher inventé ou une baisse manquée, et le verdict bascule.

L'exigence pour un vérificateur de réductions n'est donc pas d'être « globalement correct ». Elle impose de « ne jamais inventer de prix bas, ne jamais en manquer un, et signaler explicitement tout doute ». La fenêtre des soldes de janvier s'ouvre avant Noël, ce qui signifie que le compte à rebours pour le prochain verdict a déjà commencé.
