Produktfälschung ist kein Nischenproblem. Die OECD schätzt den Handel mit gefälschten Waren auf mehrere hundert Milliarden Dollar pro Jahr, und der Großteil läuft heute über dieselben Kanäle, die Ihre Kunden täglich nutzen: AliExpress, Alibaba, Amazon, eBay, Temu und Social Commerce. Für eine Marke bedeutet jedes gefälschte Angebot entgangenen Umsatz, ein Sicherheitsrisiko und die Verwässerung einer über Jahre aufgebauten Marke.
Die Teams, die dagegen kämpfen (interne IP-Abteilungen und spezialisierte Brand-Protection-Plattformen), stehen alle vor demselben operativen Problem: Rechtsverletzende Angebote erscheinen schneller, als Menschen sie finden können, und Verkäufer stellen wenige Tage nach einem Takedown erneut ein. Die Antwort sind nicht mehr Analysten, die URLs in Tabellen kopieren, sondern eine automatisierte Erkennungs-Pipeline auf Basis zuverlässiger Marktplatzdaten.
Dieser Artikel zeigt, wie diese Pipeline in der Praxis funktioniert: anhand eines realen Produktionsmusters eines unserer Kunden (eine Brand-Protection-Plattform, die wir nicht nennen werden), mit konkreten API-Aufrufen auf AliExpress, Alibaba und Amazon.
Der Use Case: eine Brand-Protection-Plattform im großen Maßstab
Einer unserer Kunden betreibt einen Brand-Protection-Service für Unternehmen und Content Creator. Das Versprechen an die Kunden ist einfach formuliert und schwer einzulösen:
- Kontinuierlich scannen: über 100.000 Websites, Marktplätze, Suchmaschinen und Social-Media-Plattformen rund um die Uhr auf Fälschungen, Impersonationen und nicht autorisierte Verkäufer überwachen.
- Verstöße entfernen: rechtliche Hinweise an Publisher senden, IP-Beschwerden bei Marktplätzen einreichen, betrügerische Seiten aus Suchmaschinen deindexieren und gefälschte Social-Media-Konten entfernen lassen.
- Alles dokumentieren: jedem Kunden ein Dashboard mit Echtzeit-Beweisen, Enforcement-Status und Trends der Rechtsverletzer bereitstellen.
Schritte 2 und 3 sind Rechts- und Produktarbeit. Schritt 1 ist ein Data-Engineering-Problem, und hier entscheidet die Scraping-Infrastruktur über Erfolg oder Misserfolg des Geschäfts. Die Plattform führt wiederkehrende Marken-Keyword-Sweeps über Marktplätze mit den Piloterr-APIs aus, statt intern eine Flotte aus Headless-Browsern, Proxies und Parsern pro Website zu pflegen.
Warum sie die Scraping-Schicht auslagern, lohnt sich auszubuchstabieren, denn es gilt für jedes Team, das Brand-Protection-Tooling baut:
- Marktplätze sind feindliche Ziele. AliExpress-Suchseiten sind JavaScript-Single-Page-Applications hinter Anti-Bot-Systemen. Amazon rotiert Layouts und drosselt aggressiv. Bypass-Logik für ein Dutzend Websites zu pflegen, ist ein Vollzeit-Engineering-Team.
- Die Abdeckung muss lokalisiert sein. Fälschungsverkäufer zielen bewusst auf Märkte, in denen die Marke weniger wachsam ist. Ein Sweep, der nur
alibaba.comauf Englisch prüft, verpasst Angebote, die französischen oder polnischen Käufern angezeigt werden. - Beweise müssen strukturiert sein. Eine Takedown-Meldung braucht Verkäuferidentität, Preis, Angebots-URL und Zeitstempel: JSON-Felder, keine Screenshots von rohem HTML.
Anatomie einer Pipeline zur Fälschungserkennung
Die Pipeline besteht aus vier Stufen, und jede entspricht bestimmten API-Aufrufen.
Entdecken Qualifizieren Dokumentieren Enforcement & Monitoring
(Search-APIs) (Scoring) (Product-APIs) (Takedown + Re-Scan)
│ │ │ │
Marken-Keyword → Preis-/Verkäufer- → Verkäuferidentität, → IP-Beschwerde,
Sweeps Heuristiken Bilder, Specs Relisting-Watch
Stufe 1: Angebote mit Search-Endpoints entdecken
Alles beginnt mit Marken-Keyword-Sweeps. Für jede geschützte Marke fragt die Plattform den Search-Endpoint jedes abgedeckten Marktplatzes mit dem Markennamen, gängigen Falschschreibungen (Varianten wie „nlke", „addidas") und Produktlinien-Keywords ab.
Auf AliExpress liefert ein einziger Aufruf strukturierte Angebote mit Preis, Verkäufer und Verkaufsvolumen:
curl -G "https://api.piloterr.com/v2/aliexpress/search" \
-H "x-api-key: YOUR-API-KEY" \
--data-urlencode "query=acme headphones"
Jedes Ergebnis enthält product_id, title, listing_url, price, currency und, sofern angezeigt, sold_count, seller_name und seller_id. Die Paginierungsfelder (total_results, total_pages, next) erlauben es, die Ergebnismenge vollständig abzuarbeiten: Fügen Sie ?page=N an eine Wholesale-URL an, um zu paginieren.
Auf Alibaba zählt die B2B-Seite noch mehr: Hier werden Fälschungen vorgelagert und in großen Mengen beschafft, bevor sie überhaupt Endkunden-Marktplätze erreichen. Die Alibaba Search API zeigt MOQ und Lieferantenidentität direkt auf der Ergebniskarte und unterstützt 17 lokalisierte Subdomains:
# Englische Storefront
curl -G "https://api.piloterr.com/v2/alibaba/search" \
-H "x-api-key: YOUR-API-KEY" \
--data-urlencode "query=acme headphones"
# Derselbe Sweep auf der französischen Storefront: andere Verkäufer erscheinen
curl -G "https://api.piloterr.com/v2/alibaba/search" \
-H "x-api-key: YOUR-API-KEY" \
--data-urlencode "query=acme headphones" \
--data-urlencode "subdomain=french"
Dasselbe Keyword auf den Subdomains french, german, spanish oder polish auszuführen, bringt regelmäßig Lieferanten zum Vorschein, die auf der englischen Storefront nie auftauchen. Für einen Brand-Protection-Sweep ist jede Locale ein eigener Markt, der bereinigt werden muss.
Auf Amazon deckt die Search API über den Parameter domain alle großen Marktplätze ab:
curl -G "https://api.piloterr.com/v2/amazon/search" \
-H "x-api-key: YOUR-API-KEY" \
--data-urlencode "query=acme headphones" \
--data-urlencode "domain=de"
Die Ergebnisse enthalten asin, title, price, real_price, rating und reviews_count, für organische wie gesponserte Angebote. Gesponserte Platzierungen sind wichtig: Fälscher kaufen Anzeigen auf den Keywords der Marke selbst.
Dasselbe Muster erstreckt sich auf eBay, Temu, Etsy, Allegro, Cdiscount und den Rest der E-Commerce-Collection. Eine Integration, ein Authentifizierungsschema (x-api-key), konsistentes JSON.
Stufe 2: Verdachtsfälle mit Scoring-Heuristiken qualifizieren
Ein Marken-Keyword-Sweep liefert überwiegend legitime Angebote. Die Qualifizierungsschicht trennt Verdachtsfälle vom Rauschen, mit den strukturierten Feldern, die die Search-APIs zurückgeben:
| Signal | Feld(er) | Warum es zählt |
|---|---|---|
| Preis weit unter UVP | price, currency | Ein 300-€-Produkt für 24 € ist der stärkste einzelne Fälschungsindikator |
| Unbekannter Verkäufer | seller_name, seller_id | Nicht auf der Liste autorisierter Händler der Marke |
| Hohes Volumen bei neuem Angebot | sold_count | Schnell drehende Fälschungen richten den größten Schaden an |
| B2B-Verfügbarkeit in großen Mengen | min_order, price_min (Alibaba) | „MOQ 500 Stück" eines Markenprodukts von einer unbekannten Fabrik |
| Marke im Titel, falsches Brand-Feld | title vs. brand | Keyword-Stuffing-Muster, typisch für Rechtsverletzer |
Keines dieser Signale beweist für sich allein eine Rechtsverletzung. Zusammen erzeugen sie eine priorisierte Queue, in der ein menschlicher Analyst (oder zunehmend ein Bildabgleichs-Modell, das image_url mit den offiziellen Assets der Marke vergleicht) den Fall in Sekunden bestätigt, statt ihn stundenlang zu suchen.
Stufe 3: mit Product-Endpoints dokumentieren
Die IP-Beschwerdeprogramme der Marktplätze (Alibabas IPP, Amazons Brand Registry, eBays VeRO) verlangen konkrete, überprüfbare Beweise. Genau das liefern die Product-Endpoints.
Sobald ein Angebot markiert ist, rufen Sie die vollständige Detailseite ab. Auf AliExpress liefert die Product API immer die Verkäuferidentität, die Suchkarten nur manchmal zeigen:
curl -G "https://api.piloterr.com/v2/aliexpress/product" \
-H "x-api-key: YOUR-API-KEY" \
--data-urlencode "query=https://www.aliexpress.com/item/1005001234567890.html"
Die Antwort ist das vollständige Beweispaket: Titel, alle Produktbilder, seller_id, seller_name, Preise, Spezifikationen und Lieferdetails, als strukturiertes JSON, das Sie mit Zeitstempel archivieren können. Dasselbe gilt für Alibaba Product (Mengenstaffeln, Lieferantenprofil, Lieferzeiten: der Nachweis einer Fälschungsproduktion in großem Stil) und Amazon Product.
Auf Amazon ist ein weiterer Endpoint entscheidend für Marken, die dort selbst verkaufen: Amazon Product Offer listet Drittanbieter auf einer gegebenen ASIN. Fälscher erstellen häufig keine neuen Angebote: Sie hängen gefälschten Bestand an die legitime Produktseite der Marke. Das Offer-Listing der eigenen ASINs zu überwachen, fängt genau das ab.
Stufe 4: durchsetzen, dann Wiedereinstellungen überwachen
Der Takedown selbst findet im IP-Programm des Marktplatzes statt: außerhalb der Scraping-Schicht. Aber Enforcement ohne Monitoring ist ein Hamsterrad. Rechtsverletzende Verkäufer machen routinemäßig Folgendes:
- Sie stellen dasselbe Produkt wenige Tage später unter neuer
product_idwieder ein, - sie klonen das Angebot in einen Schwester-Shop (gleiche
seller_id, neues Angebot), - sie wechseln auf eine andere lokalisierte Subdomain oder gleich auf einen anderen Marktplatz.
Deshalb ist die Pipeline eine Schleife, kein One-Shot. Die Plattform wiederholt Sweeps nach Zeitplan, gleicht Ergebnisse mit der Datenbank bekannter Angebote ab und ordnet neue Angebote über die seller_id bereits sanktionierten Verkäufern zu. Ein Verkäufer mit drei früheren Takedowns, der mit einem vierten Angebot wieder auftaucht, wandert direkt an die Spitze der Queue und wird zum dokumentierten Wiederholungsfall, den die meisten Marktplatzprogramme bis zur Schließung des Shops eskalieren.
Ein funktionierender Python-Sweep
Das folgende Skript führt ein Marken-Keyword über drei Marktplätze aus und gibt eine priorisierte Liste verdächtiger Angebote aus; markiert wird alles unter 40 % der UVP. Es ist bewusst minimal gehalten: In Produktion würden Sie Snapshots persistieren, gegen bekannte Angebote deduplizieren und eine Review-Queue befüllen.
import requests
PILOTERR_API_KEY = "YOUR-API-KEY"
BRAND_KEYWORD = "acme headphones"
MSRP_EUR = 299.0
SUSPECT_THRESHOLD = 0.40 # Angebote unter 40 % der UVP markieren
BASE = "https://api.piloterr.com/v2"
HEADERS = {"x-api-key": PILOTERR_API_KEY}
def sweep_aliexpress(keyword: str) -> list[dict]:
r = requests.get(f"{BASE}/aliexpress/search",
headers=HEADERS, params={"query": keyword}, timeout=60)
r.raise_for_status()
return [
{
"marketplace": "aliexpress",
"title": item["title"],
"url": item["listing_url"],
"price": item.get("price"),
"currency": item.get("currency"),
"seller": item.get("seller_name"),
"sold_count": item.get("sold_count"),
}
for item in r.json().get("results", [])
]
def sweep_alibaba(keyword: str, subdomain: str = "www") -> list[dict]:
r = requests.get(f"{BASE}/alibaba/search", headers=HEADERS,
params={"query": keyword, "subdomain": subdomain}, timeout=60)
r.raise_for_status()
return [
{
"marketplace": f"alibaba/{subdomain}",
"title": item["title"],
"url": item["listing_url"],
"price": item.get("price_min"),
"currency": "USD",
"seller": item.get("seller_name"),
"min_order": item.get("min_order"),
}
for item in r.json().get("results", [])
]
def sweep_amazon(keyword: str, domain: str = "com") -> list[dict]:
r = requests.get(f"{BASE}/amazon/search", headers=HEADERS,
params={"query": keyword, "domain": domain}, timeout=60)
r.raise_for_status()
return [
{
"marketplace": f"amazon.{domain}",
"title": item["title"],
"url": item["url"],
"price": item.get("real_price") or item.get("price"),
"currency": "EUR" if domain in ("fr", "de", "es", "it") else "USD",
"asin": item["asin"],
}
for item in r.json()
]
def main():
listings = (
sweep_aliexpress(BRAND_KEYWORD)
+ sweep_alibaba(BRAND_KEYWORD)
+ sweep_alibaba(BRAND_KEYWORD, subdomain="french")
+ sweep_amazon(BRAND_KEYWORD, domain="de")
)
suspects = [
item for item in listings
if item["price"] is not None
and item["price"] < MSRP_EUR * SUSPECT_THRESHOLD
]
suspects.sort(key=lambda item: item["price"])
print(f"{len(listings)} Angebote gesammelt, {len(suspects)} verdächtig\n")
for item in suspects:
seller = item.get("seller") or "unbekannter Verkäufer"
print(f"[{item['marketplace']}] {item['price']} {item['currency']} "
f"| {seller}\n {item['title'][:80]}\n {item['url']}\n")
if __name__ == "__main__":
main()
Von hier aus geht die url jedes Verdachtsfalls an den entsprechenden Product-Endpoint für den vollständigen Beweis-Snapshot, und jeder bestätigte Fall wandert in die Enforcement-Queue.
Jenseits der Marktplätze: Fake-Shops und Impersonation
Marktplatz-Angebote sind die größte Angriffsfläche, aber Markenmissbrauch endet dort nicht. Derselbe API-first-Ansatz deckt den Rest der Bedrohungslandschaft ab:
- Betrügerische E-Commerce-Sites: Durchsuchen Sie Google Search und Google Images nach Markenbegriffen, und profilieren Sie verdächtige Domains anschließend mit Domain Whois (Registrar, Erstellungsdatum, Inhaber) und Website Technology: Eine zwei Wochen alte Domain mit einem geklonten Shopify-Theme und Ihren Produktfotos ist ein Takedown-Kandidat.
- Social-Media-Impersonation: Überwachen Sie Fake-Konten und Fälschungswerbung mit Instagram User Info und X Profile Info.
- Second-Hand und Graumarkt: Sweeps über Vinted, StockX und Leboncoin fangen Fälschungen ab, die als „authentisch, einmal getragen" verkauft werden.
Ist Marktplatz-Scraping für Brand Protection legal?
Brand Protection ist einer der am besten vertretbaren Scraping-Anwendungsfälle überhaupt: Sie sammeln öffentlich angezeigte kommerzielle Angebote, um geistige Eigentumsrechte durchzusetzen, und die Takedown-Programme der Marktplätze selbst hängen davon ab, dass Rechteinhaber Verstöße finden. Die üblichen Grundsätze gelten weiterhin: nur öffentliche Daten sammeln, Rate Limits respektieren und nicht mehr personenbezogene Daten speichern, als die Enforcement-Maßnahme erfordert. Den größeren Rahmen finden Sie in unserem Leitfaden zur Rechtslage beim Web Scraping.
Zusammenfassung
Brand Protection im großen Maßstab ist eine Daten-Pipeline: entdecken mit Marktplatz-Search-APIs, qualifizieren mit Preis- und Verkäufer-Heuristiken, dokumentieren mit Product-Endpoints, durchsetzen und re-scannen in einer Schleife. Die Plattformen, die das gut machen, sind nicht die mit den größten Rechtsteams, sondern die, deren Erkennungsschicht niemals schläft.
Piloterr liefert diese Erkennungsschicht als API: AliExpress, Alibaba, Amazon, eBay, Temu und der Rest der Library mit 500 Endpoints, Anti-Bot-Bypass und Browser-Rendering inklusive. Wenn Sie Brand-Protection-Tooling bauen und die Datenqualität an Ihren eigenen Marken testen möchten: Erstellen Sie ein kostenloses Konto (+500 Credits, ohne Kreditkarte) oder sprechen Sie mit uns über Volumenpreise und Endpoints, die wir für Ihren Use Case ergänzen können.
