Le défi
Vous gérez une marque grand public. Votre politique de revente stipule que personne ne doit vendre votre produit phare en dessous de 179 $. Puis un client vous contacte par e-mail : quelqu'un sur Amazon l'a mis en vente à 144 $ le week-end dernier. Le temps que vous vérifiez, l'annonce a disparu. Le vendeur a rétabli le bon prix dès qu'il a atteint son objectif de volume de ventes. Le mal est fait, et il vous reste encore à vérifier Walmart, eBay, TikTok Shop et Google Shopping.
C'est le quotidien du contrôle du respect de la politique MAP en 2026. Les produits de contrefaçon et piratés représentent à eux seuls 467 milliards de dollars à l'échelle mondiale (données de l'OCDE et de l'EUIPO, via Red Points), et ce sans compter l'arbitrage sur le marché gris et les violations des politiques de revente. Les marketplaces ne surveillent pas les prix pour vous. De plus, 79 % des saisies de contrefaçons proviennent désormais de petits colis, ce qui signifie que des vendeurs individuels contournent les douanes à grande échelle.
Les marques qui détectent ces pratiques rapidement n'utilisent pas de meilleurs tableurs. Elles exploitent une infrastructure de surveillance qui interroge chaque page produit sur chaque marketplace, toutes les heures, dans chaque région où elles vendent.
L'approche FourA
La configuration naïve consiste à utiliser un scraper par marketplace, une tâche cron et une alerte. Puis votre scraper tombe en panne parce qu'Amazon a modifié sa mise en page, vos IP sont bloquées parce que vous ciblez le même produit depuis un seul ASN, ou votre extraction de prix renvoie silencieusement le prix de vente conseillé barré au lieu de l'offre réelle.
Un pipeline fonctionnel repose sur quatre piliers.
La découverte. Partez de votre liste de SKU et identifiez chaque offre active sur les marketplaces. ASIN Amazon, ID d'articles Walmart, ID d'annonces eBay, URL de produits TikTok Shop. Il s'agit principalement de scraping de catalogue : requêter les pages de catégories, les pages de résultats de recherche et les variantes de PDP.
La collecte de pages. Pour chaque offre, récupérez la page en direct et extrayez le prix visible, le nom du vendeur, le détenteur de la buy box, tout coupon ou réduction d'abonnement, ainsi qu'un horodatage. Certaines marketplaces fournissent du HTML propre. TikTok Shop et Google Shopping génèrent la majeure partie de la logique de prix en JavaScript, vous avez donc besoin d'un véritable navigateur, pas d'une simple bibliothèque de requêtes.
La reconstruction des prix. C'est là que la plupart des équipes échouent. Amazon affiche un prix conseillé, une réduction d'abonnement de 5 à 15 %, parfois un coupon, parfois une division par lot. Le prix réel payé par le client correspond rarement au montant affiché en évidence. Un outil de surveillance qui ne cible que le prix principal manque les violations dissimulées dans le cumul des remises.
Preuves et alertes. Lorsque vous signalez une violation, votre équipe chargée de l'application des règles a besoin de preuves : URL, capture d'écran, prix exact, horodatage, vendeur et durée de vie de l'offre. Sans cela, la procédure de litige de la marketplace n'aboutira pas.
Une plateforme comme FourA vous fournit une API unique pour gérer ces aspects complexes. Des requêtes HTTP pour les marketplaces qui fournissent du HTML propre, des sessions de navigateur pour celles qui dépendent fortement de JavaScript, et un routage de proxy que vous n'avez pas à gérer. Vous envoyez une requête vers une URL de produit Amazon avec le flag unblocker activé, et des headers équivalents à ceux de Chrome sont envoyés pour que la page s'affiche correctement. Vous ciblez Amazon US via un proxy situé aux États-Unis, puis le même SKU sur Amazon DE via un proxy en Allemagne, et les prix s'affichent dans leur contexte local.
curl -X POST "https://api.foura.ai/api/proxy" \
-H "x-api-key: YOUR_KEY" \
-H "Content-Type: application/json" \
-d '{
"maxTries": 5,
"timeout_ms": 30000,
"request": {
"method": "GET",
"url": "https://www.amazon.com/dp/B0EXAMPLE",
"unblocker": true,
"validate": {
"status": { "accept": [200] },
"data": { "fail": ["captcha", "Robot Check"] }
}
}
}'
C'est tout ce qu'il y a à faire. Pas de logique de rotation de proxy dans votre code. Pas de vérification pour savoir si le site utilise du JavaScript aujourd'hui. L'infrastructure gère le routage et les tentatives ; votre pipeline gère la logique de prix. Pour en savoir plus sur ce que fait réellement le flag unblocker sur le réseau, consultez notre analyse de Web Unblocker.
La dimension géographique est plus importante qu'on ne le pense. Une marque qui vend aux États-Unis, dans l'UE et au Royaume-Uni a besoin d'une visibilité sur les prix depuis l'espace IP de chaque région, car les marketplaces proposent parfois des tarifs régionaux ou masquent complètement l'offre aux IP situées en dehors de la zone. Le routage par région vous permet de vérifier qu'un vendeur qui annonce une livraison internationale respecte bien la politique MAP sur les marchés clés.
Résultats
Une marque de taille moyenne avec 500 SKU, six marketplaces et trois régions se retrouve avec environ 9 000 pages produits à surveiller. Une couverture horaire représente environ 216 000 requêtes par jour (scénario illustratif basé sur un périmètre classique de protection de marque pour le marché intermédiaire). Ce n'est rien pour une API conçue à cet effet, mais cela nécessiterait une équipe d'ingénierie à plein temps si vous deviez la concevoir vous-même. Cependant, le chiffre le plus intéressant n'est pas le nombre de requêtes par jour, mais la fréquence à laquelle une violation est mise en ligne et détectée dans la même heure.
Sur terrain, l'amélioration se traduit ainsi :
- La latence de détection passe de plusieurs jours (collecte manuelle ou hebdomadaire) à moins d'une heure grâce à une interrogation horaire
- La couverture s'étend des trois marketplaces que vous parveniez à suivre à l'ensemble des six plateformes sur lesquelles la marque vend réellement
- Les faux positifs diminuent considérablement dès lors que la reconstruction des prix gère correctement les coupons, les abonnements et les lots
- La qualité des preuves s'améliore lorsque chaque détection est accompagnée d'une capture d'écran et d'un horodatage associés à la requête
Si vous avez déjà lu notre analyse de l'agrégation d'annonces immobilières à grande échelle, le modèle est identique : de nombreuses pages, un rendu mixte et des variations géographiques. Le produit change, mais la structure de l'infrastructure reste la même.
Ce qu'il faut retenir
Les violations de la politique MAP ne sont pas un problème de qualité des données. C'est une course contre la montre. Le premier qui repère la violation prend l'avantage : la marque qui la détecte avant que l'annonce ne génère des ventes, ou le revendeur qui empoche la marge et modifie le prix avant que quiconque ne s'en rende compte. Chaque couche ajoutée à votre infrastructure de surveillance (précision géographique, rendu JavaScript, reconstruction du cumul des remises) ne sert en réalité qu'à gagner de précieuses minutes sur cette horloge.
En 2026, les marques qui l'emportent ont cessé de considérer le contrôle de la politique MAP comme un audit trimestriel. Elles ont commencé à le traiter comme une infrastructure active. La violation la plus simple à corriger est celle qui est détectée dans l'heure qui suit son apparition.