# Monitoring cen na Black Friday a unijna zasada 30 dni

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

W marcu 2026 roku organy ochrony konsumentów z 23 krajów UE oraz Islandii i Norwegii opublikowały wyniki kontroli wyprzedaży z okazji Black Friday i Cyber Monday: 30% z 314 sprawdzonych sklepów internetowych [nieprawidłowo podawało ceny odniesienia](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). Reguła, którą te sklepy złamały, mieści się w jednym zdaniu. Jej weryfikacja wymaga jednak danych, których zbieranie należało zacząć miesiąc przed wyprzedażą.

## Wyzwanie

Zgodnie z unijną dyrektywą w sprawie podawania cen, sklep ogłaszający obniżkę musi podać jako cenę odniesienia najniższą cenę stosowaną w ciągu ostatnich 30 dni. Dyrektywa Omnibus dodała tę regułę w 2019 roku, a sklepy muszą jej przestrzegać od 2022 roku. W tym roku Black Friday przypada na 27 listopada, więc okno decydujące o tym, czy przekreślona cena wyjściowa jest rzetelna, otworzyło się 28 października. Tracker uruchomiony dopiero po pojawieniu się banerów jest spóźniony o miesiąc.

Monitoring prowadzony przez samą Komisję, zbudowany z użyciem platformy Apify, objął 16 000 produktów w 176 sklepach podczas kontroli Black Friday 2022 i [do października 2025 roku pomógł sprawdzić 136 931 produktów od 1 556 sprzedawców](https://blog.apify.com/how-web-scraping-ai-and-the-eu-have-come-together-to-sweep-away-fake-discounts-in-europe/). Zbierano ceny w trakcie wyprzedaży oraz w ciągu 30 dni przed nią, a także zachowywano zrzut ekranu każdej strony jako dowód. Oxylabs przeprowadził amerykańską wersję tego badania w 2024 roku: [śledzono 61 172 produkty co godzinę](https://oxylabs.io/blog/oxylabs-research-on-fake-discounts-are-shopping-events-worth-the-deal) od 13 sierpnia, z czego zaledwie 4 529 było jednocześnie objętych promocją w Black Friday i obecnych w ofercie przez 90 dni wymaganych przez metodologię. Rotacja list produktów jest szybsza, niż większość zakłada.

Jednak najtrudniejsza nie jest skala. Jest nią statystyka.

Cena odniesienia to wartość minimalna, a o minimum decyduje pojedyncza obserwacja. Średnia ignoruje jeden nieudany dzień, ale minimum *jest* tym dniem. Dlatego oba rodzaje błędów scrapera całkowicie zmieniają wynik:

- **Pominięty dzień ukrywa najniższą cenę.** Strona zwraca challenge page, ekran zgody na pliki cookie lub timeout akurat w tym jednym dniu, gdy cena spadła. Twoje minimum okazuje się wyższe niż w rzeczywistości, a fałszywa promocja uchodzi na sucho.
- **Błędnie odczytana cena wymyśla sztuczne minimum.** Twój parser pobiera cenę "od", cenę dla zalogowanych, inny wariant lub akcesorium z karuzeli produktów. Twoje minimum wychodzi niższe niż w rzeczywistości, a uczciwa obniżka zostaje oznaczona jako fałszywa.

Spadki cen bywają krótkie. W swoim [badaniu dotyczącym 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) organizacja Which? monitorowała 175 produktów u ośmiu brytyjskich sprzedawców przez rok: 83% z nich miało taką samą lub niższą cenę przynajmniej raz poza czterotygodniowym okresem wyprzedaży, a jeden ze śledzonych telewizorów potaniał na krótko z 1039 £ do 999 £ dzień po Black Friday. (Wielka Brytania ma własne przepisy, ale jednodniowy spadek wygląda dla scrapera tak samo).

Dla serwisu z promocjami pierwszy błąd oznacza utratę wiarygodności. Dla regulatora, organizacji konsumenckiej czy redakcji drugi błąd oznacza oskarżenie sprzedawcy o coś, czego nie zrobił.

## Podejście: luka pozostaje luką

Potrzebujesz warstwy zbierania danych, która nigdy nie zamienia nieudanego pobrania w liczbę, oraz kalkulacji, która odmawia wydania werdyktu dla przedziału czasowego z brakami. Opisaliśmy, jak błędne pobranie staje się fałszywym sygnałem w artykule [Dane alternatywne: gdy blokada wygląda jak punkt danych](https://foura.ai/blog/alternative-data-silent-collection-gaps); 30-dniowe minimum to najbardziej bezwzględny wariant tego problemu.

Na platformie takiej jak FourA kluczowe elementy są proste:

- **Zweryfikuj stronę przed jej odczytaniem.** `validate` przyjmuje ciąg znaków, który zawiera wyłącznie właściwa strona produktu, na przykład unikalny numer artykułu. Strona z weryfikacją, strona "nie znaleziono produktu" lub ekran zgody na pliki cookie zwracane są jako nieudane wywołanie, które [nie podlega opłacie](https://foura.ai/docs/api/outcomes), ponieważ [to Twoja reguła decyduje o tym, co uznaje się za sukces](https://foura.ai/blog/validate-decides-success). Twój wiersz danych otrzymuje lukę, a nie cenę.
- **Zachowuj potwierdzenie.** Odpowiedzi zawierają `X-FourA-Request-Id`. Przechowuj go wraz z ceną, znacznikiem czasu i surowym kodem HTML. Nasz dziennik aktywności przechowuje podglądy requestów tylko przez 24 godziny, więc archiwum dowodowe musi znajdować się po Twojej stronie.
- **Dobieraj endpoint pod dany sklep.** Single obsługuje strony produktów renderowane po stronie serwera. Browser służy do sklepów, które generują cenę w JavaScript. Proxy Finder z `exitCountries` (jeśli Twój plan obejmuje targetowanie na kraje) obsługuje sklepy, w których cena zależy od kraju odwiedzającego, co jest zbliżone do problemu, na który natrafiliśmy przy [cenach artykułów spożywczych na poziomie konkretnych sklepów stacjonarnych](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` zwracajace `None` to najbardziej użyteczna linijka w tym pliku. Rabat, którego nie da się zweryfikować, trafia na listę "brak werdyktu" z wyszczególnionymi brakującymi dniami. Wolimy dostarczyć raport z taką listą niż raport, który z pełnym przekonaniem wprowadza w błąd.

Dwie kolejne decyzje należy podjąć przed wyprzedażą, a nie w jej trakcie. Po pierwsze, próbkuj częściej niż raz dziennie w dynamicznych kategoriach; Oxylabs sprawdzał dane co godzinę nie bez powodu. Po drugie, zbieraj dane z okresu dłuższego niż 30 dni. Przepis sięga wstecz dokładnie o tyle, więc cena podniesiona tuż przed rozpoczęciem tego okna i utrzymana do wyprzedaży jest dla niego niewidoczna. To, czy jest to wprowadzanie w błąd, to kwestia dyrektywy o nieuczciwych praktykach handlowych i sprawa dla prawnika. To, czy potrafisz wykazać, że tak się stało, to kwestia danych, a na nią odpowiada wyłącznie dłuższa historia.

## Wyniki

Przykładowy scenariusz oparty na powyższej konfiguracji: organizacja konsumencka sprawdza 2000 produktów w 40 sklepach w trzech krajach, dwa razy dziennie, od 1 października do Cyber Monday.

- **244 000 obserwacji,** każda zapisana z identyfikatorem request id i surową stroną.
- **Zero stron typu challenge w kolumnie cen.** Każdy wiersz przeszedł weryfikację produktu albo stanowi jawną lukę.
- **Trzy werdykty zamiast dwóch.** Rabat to naruszenie, zgodność albo "brak werdyktu", przy czym ten trzeci wymienia brakujące dni.
- **Dołączone dowody.** Każda oznaczona oferta zawiera znaczniki czasu oraz strony potwierdzające jej 30-dniowe minimum.
- **Widoczne podwyżki sprzed okna.** Osiem tygodni historii ujawnia cenę, która wzrosła tuż przed 28 października i "spadła" 27 listopada.
- **Darmowe luki.** Odrzucone pobranie nie podlega opłacie, więc ponowienie żądania tego samego dnia kosztuje tylko za udane wywołanie.

## Kluczowy wniosek

Większość procesów scrapingu projektuje się tak, aby były poprawne średnio, a średnie wybaczają błędy. Zasada 30 dni wymaga jednak wartości, z którą tego typu pipeline radzi sobie najgorzej: wartości skrajnej. Jedno zmyślone minimum lub jeden pominięty spadek ceny zmienia werdykt na przeciwny.

Poprzeczka dla narzędzia weryfikującego rabaty nie brzmi więc "przeważnie poprawne". Brzmi: "nigdy nie wymyśla minimum, nigdy żadnego nie pomija i informuje, gdy nie jest w stanie tego ustalić". Okno dla wyprzedaży styczniowych otwiera się przed świętami, co oznacza, że zegar dla kolejnego werdyktu już tyka.
