← Todos os posts
Caso de uso 6 min de leitura

Detectando Violações de MAP em Seis Marketplaces

O monitoramento manual de MAP detecta violações com dias de atraso. Veja como equipes de proteção de marca fazem scraping da Amazon, Walmart, eBay e TikTok Shop em tempo quase real.

brand-protectionmap-monitoringecommerce-scrapingmarketplace-dataanti-counterfeit

O Desafio

Você gerencia uma marca de consumo. Sua política de revenda determina que ninguém venda o produto principal abaixo de $179. Então um cliente envia um e-mail: alguém na Amazon listou o produto a $144 no último fim de semana. Quando você verifica, o anúncio já sumiu. O vendedor voltou a listar pelo preço correto no momento em que atingiu a meta de velocidade de vendas. O dano está feito, e você ainda precisa verificar Walmart, eBay, TikTok Shop e Google Shopping.

Este é o ritmo da aplicação de MAP em 2026. Apenas produtos falsificados e pirateados atingiram $467 bilhões globalmente (dados da OCDE e EUIPO, via Red Points), e isso antes de contabilizar a arbitragem do mercado cinza e violações de políticas de revenda. Os marketplaces não fiscalizam preços para você. E 79% das apreensões de produtos falsificados agora vêm de remessas de pequenos pacotes, o que significa vendedores individuais passando pela alfândega em escala.

As marcas que detectam isso rápido não usam planilhas melhores. Elas operam infraestrutura de monitoramento que acessa cada página de produto em cada marketplace, a cada hora, em todas as regiões onde vendem.

A Abordagem FourA

A configuração ingênua é um scraper por marketplace, um cron job, um alerta. Então seu scraper quebra porque a Amazon lançou uma alteração de layout, seus IPs são bloqueados porque você está acessando repetidamente o mesmo produto a partir de um único ASN, ou sua extração de preço retorna silenciosamente o MSRP tachado em vez da oferta real.

Um pipeline funcional possui quatro partes.

Descoberta. Comece com sua lista de SKUs e encontre cada oferta ativa nos marketplaces. ASINs da Amazon, IDs de itens do Walmart, IDs de anúncios do eBay, URLs de produtos do TikTok Shop. Isso é essencialmente scraping de catálogo: acessar páginas de categoria, páginas de resultados de busca e variantes de PDP.

Coleta de páginas. Para cada oferta, obtenha a página ao vivo e capture o preço visível, o nome do vendedor, o dono da buy box, qualquer cupom ou desconto do Subscribe & Save e um timestamp. Alguns marketplaces entregam HTML limpo. TikTok Shop e Google Shopping renderizam a maior parte da lógica de preços em JavaScript, portanto você precisa de um navegador real, não de uma biblioteca de requisições.

Reconstrução de preços. É aqui que a maioria das equipes falha. A Amazon exibe um preço de tabela, um desconto de Subscribe & Save de 5 a 15%, às vezes um cupom, às vezes uma divisão de pacote múltiplo. O preço real que o cliente paga raramente é o valor destacado no cabeçalho. Um monitor que sinaliza apenas o cabeçalho perde as violações ocultas na combinação de descontos.

Evidências e alertas. Quando você sinaliza uma violação, sua equipe de fiscalização precisa de provas: URL, captura de tela, preço exato, timestamp, vendedor e o tempo de atividade da oferta. Sem isso, o processo de contestação no marketplace não avança.

Uma plataforma como a FourA oferece uma única API para as partes complexas. HTTP requests para marketplaces que entregam HTML limpo, sessões de browser para aqueles com muito JavaScript e roteamento de proxy que você não precisa gerenciar. Você direciona uma request para a URL de um produto da Amazon com um perfil de browser configurado, e headers equivalentes aos do Chrome são enviados para que a página seja renderizada corretamente. Você direciona uma para a Amazon US por meio de um proxy na região US, depois o mesmo SKU na Amazon DE por meio de um proxy na região DE, e os preços retornam no contexto 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"] }
      }
    }
  }'

Essa é toda a chamada. Nenhuma lógica de rotação de proxy no seu código. Nenhuma verificação de "esse site está rodando JavaScript hoje". A infraestrutura cuida do roteamento e dos retries; seu pipeline cuida da lógica de preços. Para uma análise mais aprofundada sobre o que a flag de perfil de navegador realmente faz na rede, veja nossa análise do Web Unblocker.

A parte geográfica importa mais do que se pensa. Uma marca que vende nos EUA, na UE e no Reino Unido precisa de visibilidade de preços a partir do espaço de IP de cada região, pois os marketplaces às vezes exibem preços regionais ou ocultam a oferta totalmente para IPs de fora da região. O roteamento por região permite verificar se um vendedor que anuncia "envio para o mundo todo" realmente viola a MAP nos mercados que importam.

Resultados

Uma marca de médio porte com 500 SKUs, seis marketplaces e três regiões totaliza cerca de 9.000 páginas de produtos para monitorar. A cobertura horária representa cerca de 216.000 requests por dia (cenário ilustrativo baseado em um escopo típico de proteção de marca no mercado intermediário). Isso não é nada para uma API projetada para isso, mas exige uma equipe de engenharia em tempo integral se você construir por conta própria. Porém, o número interessante não é a quantidade de requests por dia; é a frequência com que uma violação entra no ar e é detectada na mesma hora.

Na prática, o padrão de melhoria se parece com isto:

  • Latência de detecção cai de dias (scraping manual ou semanal) para menos de uma hora com polling horário
  • Cobertura passa de "os três marketplaces que consigo acompanhar" para todos os seis em que a marca realmente vende
  • Falsos positivos caem drasticamente assim que a reconstrução de preços passa a processar cupons, S&S e multi-packs corretamente
  • Qualidade das evidências melhora quando cada detecção chega com uma captura de tela e timestamp vinculados à request

Se você já leu nossa análise sobre agregação de anúncios imobiliários em escala, o padrão é o mesmo: muitas páginas, renderização mista, variação geográfica. O produto muda; a estrutura da infraestrutura não.

Principal Conclusão

Violações de MAP não são um problema de qualidade de dados. São um problema de tempo. Quem vê a violação primeiro tem a vantagem: a marca que a detecta antes que o anúncio converta, ou o revendedor que embolsa a margem e altera o preço antes que alguém perceba. Cada camada que seu stack de monitoramento adiciona (precisão geográfica, renderização de JavaScript, reconstrução da composição de preços) está, na verdade, apenas recuperando minutos nesse relógio.

As marcas que estão se destacando nisso em 2026 pararam de tratar a aplicação de MAP como uma auditoria trimestral. Elas começaram a tratá-la como infraestrutura ativa. A violação mais barata de corrigir é aquela que aparece na mesma hora em que é publicada.