# Monitoramento de Preços da Black Friday sob a Regra dos 30 Dias

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

Em março de 2026, autoridades de defesa do consumidor de 23 países da UE, além de Islândia e Noruega, publicaram a verificação das vendas de Black Friday e Cyber Monday: 30% das 314 lojas online auditadas [referenciaram descontos de forma incorreta](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). A regra que essas lojas violaram cabe em uma única frase. Verificar seu cumprimento exige dados que você deveria ter começado a coletar um mês antes das promoções.

## O Desafio

Sob a Diretiva de Indicação de Preços da UE, uma loja que anuncia uma redução de preço deve indicar, como referência, o menor preço aplicado nos últimos 30 dias. A Diretiva Omnibus incluiu essa regra em 2019, e as lojas são obrigadas a cumpri-la desde 2022. A Black Friday cai no dia 27 de novembro este ano, portanto a janela que define se o preço "de" é legítimo abriu em 28 de outubro. Um monitoramento que começa quando os banners sobem chega um mês atrasado.

O próprio monitoramento da Comissão, desenvolvido com Apify, cobriu 16.000 produtos em 176 lojas na fiscalização da Black Friday de 2022 e, [até outubro de 2025, já havia ajudado a auditar 136.931 produtos de 1.556 varejistas](https://blog.apify.com/how-web-scraping-ai-and-the-eu-have-come-together-to-sweep-away-fake-discounts-in-europe/). Ele coletou preços durante o período de ofertas e nos 30 dias anteriores, salvando uma captura de tela de cada página como evidência. A Oxylabs executou uma versão nos EUA em 2024: ela [rastreou 61.172 produtos a cada hora](https://oxylabs.io/blog/oxylabs-research-on-fake-discounts-are-shopping-events-worth-the-deal) a partir de 13 de agosto, e apenas 4.529 deles estavam em promoção na Black Friday e listados durante os 90 dias exigidos por sua metodologia. A rotatividade de listas de produtos é mais rápida do que a maioria prevê.

Mas a parte complexa não é a escala. É a métrica estatística.

Um preço de referência é um valor mínimo, e o mínimo é determinado por uma única observação. Uma média neutraliza um dia discrepante; o valor mínimo *é* esse dia. É por isso que os dois erros comuns de um scraper alteram o veredito:

- **Um dia perdido oculta o menor preço.** A página retorna uma tela de desafio, uma tela de consentimento ou um timeout no único dia em que o preço caiu. Seu valor mínimo calculado fica acima da realidade, e um desconto falso passa por verdadeiro.
- **Um preço extraído de forma incorreta inventa um valor mínimo inexistente.** Seu parser captura um preço "a partir de", um valor de membros, outra variante ou um acessório em um carrossel. Seu valor mínimo calculado fica abaixo da realidade, e um desconto real é classificado incorretamente como fraude.

Quedas de preço podem ser curtas. Em sua [pesquisa da Black Friday de 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), a Which? acompanhou 175 produtos em oito varejistas do Reino Unido durante um ano: 83% custavam o mesmo valor ou eram mais baratos pelo menos uma vez fora do período de quatro semanas de promoção, e uma TV monitorada caiu brevemente de £ 1.039 para £ 999 no dia seguinte à Black Friday. (O Reino Unido tem suas próprias regras, mas uma queda de um dia parece a mesma coisa para um scraper.)

Para um site de ofertas, o primeiro erro custa a credibilidade. Para um órgão regulador, um grupo de defesa do consumidor ou uma redação jornalística, o segundo significa acusar um varejista de algo que ele não fez.

## A abordagem: uma lacuna continua sendo uma lacuna

Você precisa de uma camada de coleta que nunca transforme uma falha de fetch em um número, e de um cálculo que se recuse a dar um veredito sobre uma janela de dados com lacunas. Explicamos como uma requisição com falha se torna um sinal falso em [Alternative Data: When a Block Looks Like a Data Point](https://foura.ai/blog/alternative-data-silent-collection-gaps); um mínimo de 30 dias é a versão mais implacável desse problema.

Com uma plataforma como a FourA, as partes móveis são simples:

- **Valide a página antes de lê-la.** `validate` recebe uma string que apenas a página correta do produto contém, como o código do próprio item. Uma página de desafio, uma tela de "produto não encontrado" ou um aviso de consentimento retornam como uma chamada com falha, que [não é cobrada](https://foura.ai/docs/api/outcomes) porque [a sua regra decide o que conta como sucesso](https://foura.ai/blog/validate-decides-success). Sua linha recebe uma lacuna, não um preço.
- **Guarde o comprovante.** As responses contêm um `X-FourA-Request-Id`. Armazene-o junto com o preço, o timestamp e o HTML bruto. Nosso log de atividades mantém prévias de requests por apenas 24 horas, portanto o arquivo de evidências precisa ficar do seu lado.
- **Escolha o endpoint de acordo com a loja.** O Single processa páginas de produtos renderizadas no servidor. O Browser é para lojas que montam o preço via JavaScript. O Proxy Finder com `exitCountries` (onde seu plano inclui direcionamento por país) atende a lojas cujo preço depende do país do visitante, um problema similar ao que vimos com [preços de supermercado a nível de loja](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` retornando `None` é a linha mais útil no arquivo. Um desconto que você não consegue verificar vai para uma lista de "sem veredito", com os dias ausentes especificados. Preferimos entregar um relatório com essa lista a um que esteja confiantemente errado.

Mais duas decisões devem ser tomadas antes da promoção, não durante ela. Primeiro, colete amostras mais de uma vez ao dia em categorias que mudam rápido; a Oxylabs monitorava a cada hora por um bom motivo. Segundo, colete dados além dos 30 dias anteriores. A regra analisa exatamente esse período retrospectivo, portanto, um preço aumentado logo antes da abertura dessa janela e mantido até a promoção fica invisível para ela. Se isso é enganoso, é uma questão para a Diretiva de Práticas Comerciais Desleais e para um advogado. Se você consegue provar que isso aconteceu, é uma questão de dados, e apenas um histórico mais longo responde a isso.

## Resultados

Cenário ilustrativo baseado na configuração acima: um grupo de defesa do consumidor verificando 2.000 produtos em 40 lojas em três países, duas vezes ao dia, de 1 de outubro até a Cyber Monday.

- **244.000 observações,** cada uma armazenada com seu request id e a página bruta.
- **Zero páginas de desafio na coluna de preço.** Cada linha passou na validação de produto ou é uma lacuna explícita.
- **Três vereditos, não dois.** Um desconto é uma violação, está em conformidade ou é "sem veredito", e a terceira opção lista os dias ausentes.
- **Evidências anexadas.** Cada oferta sinalizada é entregue com os timestamps e as páginas que comprovam seu mínimo de 30 dias.
- **Aumentos pré-janela visíveis.** Oito semanas de histórico mostram um preço que subiu logo antes de 28 de outubro e "caiu" em 27 de novembro.
- **Lacunas gratuitas.** Uma busca rejeitada não é cobrada, portanto uma nova tentativa no mesmo dia custa apenas a chamada bem-sucedida.

## Conclusão Principal

A maioria dos pipelines de scraping é construída para estar certa na média, e as médias perdoam erros. A regra dos 30 dias exige justamente o número no qual um pipeline tem o pior desempenho: o extremo. Um valor mínimo inventado ou uma queda perdida, e o veredito muda completamente.

Portanto, o padrão para um verificador de descontos não é "quase sempre certo". É "nunca inventar um valor baixo, nunca perder um e avisar claramente quando não souber responder". A janela para as liquidações de janeiro abre antes do Natal, o que significa que o relógio para o próximo veredito já está correndo.
