Falsificação não é um problema de nicho. A OCDE estima o comércio de produtos falsificados em centenas de bilhões de dólares por ano, e a maior parte flui hoje pelos mesmos canais que seus clientes usam diariamente: AliExpress, Alibaba, Amazon, eBay, Temu e o social commerce. Para uma marca, cada anúncio falsificado é receita perdida, um risco de segurança e a diluição de uma marca construída ao longo de anos.
As equipes que combatem isso (departamentos internos de PI e plataformas especializadas de brand protection) enfrentam o mesmo problema operacional: anúncios infratores surgem mais rápido do que humanos conseguem encontrá-los, e os vendedores republicam poucos dias após um takedown. A resposta não é adicionar analistas colando URLs em planilhas. É um pipeline de detecção automatizado construído sobre dados de marketplace confiáveis.
Este artigo mostra como esse pipeline funciona na prática, a partir de um padrão real de produção de um dos nossos clientes (uma plataforma de brand protection que não vamos nomear), com chamadas de API concretas ao AliExpress, Alibaba e Amazon.
O caso de uso: uma plataforma de brand protection em grande escala
Um dos nossos clientes opera um serviço de brand protection para empresas e criadores de conteúdo. A promessa deles é simples de enunciar e difícil de cumprir:
- Escanear continuamente: monitorar mais de 100.000 sites, marketplaces, mecanismos de busca e plataformas sociais 24 horas por dia, em busca de falsificações, perfis falsos e vendedores não autorizados.
- Remover infrações: enviar notificações legais aos publicadores, protocolar reclamações de PI nos marketplaces, desindexar páginas fraudulentas dos buscadores e derrubar contas sociais falsas.
- Documentar tudo: dar a cada cliente um dashboard com evidências em tempo real, status do enforcement e tendências dos infratores.
As etapas 2 e 3 são trabalho jurídico e de produto. A etapa 1 é um problema de engenharia de dados, e é aí que a infraestrutura de scraping define o sucesso ou o fracasso do negócio. A plataforma deles executa varreduras recorrentes por palavras-chave de marca nos marketplaces através das APIs da Piloterr, em vez de manter internamente uma frota de navegadores headless, proxies e parsers por site.
Vale detalhar por que eles terceirizam a camada de scraping, porque isso vale para qualquer equipe que constrói ferramentas de brand protection:
- Marketplaces são alvos hostis. As páginas de busca do AliExpress são single-page applications em JavaScript atrás de sistemas anti-bot. A Amazon alterna layouts e limita o tráfego agressivamente. Manter lógica de bypass para uma dúzia de sites equivale a uma equipe de engenharia em tempo integral.
- A cobertura precisa ser localizada. Vendedores de falsificações miram deliberadamente mercados onde a marca vigia menos. Uma varredura que só verifica
alibaba.comem inglês perde os anúncios exibidos a compradores franceses ou poloneses. - As evidências precisam ser estruturadas. Uma notificação de takedown exige a identidade do vendedor, o preço, a URL do anúncio e um timestamp: campos JSON, não capturas de tela de HTML bruto.
Anatomia de um pipeline de detecção de falsificações
O pipeline tem quatro estágios, e cada um corresponde a chamadas de API específicas.
Descobrir Qualificar Documentar Enforcement e monitoramento
(APIs search) (scoring) (APIs product) (takedown + re-scan)
│ │ │ │
varreduras por → heurísticas → identidade do → reclamação de PI,
palavra-chave preço/vendedor vendedor, imagens vigilância de republicações
Estágio 1: descobrir anúncios com os endpoints de busca
Tudo começa com varreduras por palavras-chave de marca. Para cada marca protegida, a plataforma consulta o endpoint de busca de cada marketplace coberto com o nome da marca, erros ortográficos comuns (variantes tipo "nlke", "addidas") e palavras-chave das linhas de produto.
No AliExpress, uma única chamada retorna anúncios estruturados com preço, vendedor e volume de vendas:
curl -G "https://api.piloterr.com/v2/aliexpress/search" \
-H "x-api-key: YOUR-API-KEY" \
--data-urlencode "query=acme headphones"
Cada resultado inclui product_id, title, listing_url, price, currency e, quando exibidos, sold_count, seller_name e seller_id. Os campos de paginação (total_results, total_pages, next) permitem esgotar o conjunto de resultados: adicione ?page=N a uma URL wholesale para paginar.
No Alibaba, o lado B2B importa ainda mais: é onde as falsificações são adquiridas a montante, em grande quantidade, antes mesmo de chegarem aos marketplaces de consumo. A API Alibaba Search expõe o MOQ e a identidade do fornecedor diretamente no card de resultado, e suporta 17 subdomínios localizados:
# Vitrine em inglês
curl -G "https://api.piloterr.com/v2/alibaba/search" \
-H "x-api-key: YOUR-API-KEY" \
--data-urlencode "query=acme headphones"
# A mesma varredura na vitrine francesa: outros vendedores aparecem
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"
Rodar a mesma palavra-chave nos subdomínios french, german, spanish ou polish regularmente revela fornecedores que nunca aparecem na vitrine em inglês. Para uma varredura de brand protection, cada locale é um mercado distinto a ser limpo.
Na Amazon, a API Search cobre todos os grandes marketplaces via o parâmetro domain:
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"
Os resultados incluem asin, title, price, real_price, rating e reviews_count, tanto para anúncios orgânicos quanto patrocinados. Os patrocinados importam: falsificadores compram anúncios sobre as palavras-chave da própria marca.
O mesmo padrão se estende ao eBay, Temu, Etsy, Allegro, Cdiscount e ao restante da coleção e-commerce. Uma única integração, um único esquema de autenticação (x-api-key), JSON consistente.
Estágio 2: qualificar suspeitos com heurísticas de scoring
Uma varredura por palavra-chave de marca retorna majoritariamente anúncios legítimos. A camada de qualificação separa os suspeitos do ruído usando os campos estruturados que as APIs de busca retornam:
| Sinal | Campo(s) | Por que importa |
|---|---|---|
| Preço muito abaixo do preço sugerido | price, currency | Um produto de € 300 anunciado a € 24 é o indicador de falsificação mais forte |
| Vendedor desconhecido | seller_name, seller_id | Não consta na lista de distribuidores autorizados da marca |
| Alto volume em anúncio recente | sold_count | Falsificações que giram rápido causam o maior dano |
| Disponibilidade B2B em atacado | min_order, price_min (Alibaba) | "MOQ de 500 peças" de um produto de marca numa fábrica desconhecida |
| Marca no título, campo brand errado | title vs brand | Padrão de keyword-stuffing típico dos infratores |
Nenhum desses sinais prova sozinho a infração. Combinados, produzem uma fila priorizada em que um analista humano (ou, cada vez mais, um modelo de correspondência de imagens comparando image_url com os ativos oficiais da marca) confirma o caso em segundos em vez de procurá-lo por horas.
Estágio 3: documentar com os endpoints product
Os programas de reclamação de PI dos marketplaces (o IPP do Alibaba, o Brand Registry da Amazon, o VeRO do eBay) exigem evidências específicas e verificáveis. É isso que os endpoints product fornecem.
Uma vez sinalizado um anúncio, busque a página de detalhes completa. No AliExpress, a API Product sempre retorna a identidade do vendedor, que os cards de busca só expõem às vezes:
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"
A resposta entrega o dossiê de evidências completo: título, todas as imagens do produto, seller_id, seller_name, preços, especificações e detalhes de entrega, como JSON estruturado que você pode arquivar com timestamp. O mesmo vale para o Alibaba Product (faixas de quantidade, perfil do fornecedor, prazos de produção: a prova de fabricação de falsificações em escala) e o Amazon Product.
Na Amazon, mais um endpoint é decisivo para marcas que também vendem lá: o Amazon Product Offer lista os vendedores terceiros em um determinado ASIN. Falsificadores frequentemente não criam anúncios novos: eles anexam estoque falso à própria página legítima da marca. Monitorar a lista de ofertas dos seus próprios ASINs captura exatamente isso.
Estágio 4: enforcement, depois vigiar as republicações
O takedown em si acontece no programa de PI do marketplace: fora da camada de scraping. Mas enforcement sem monitoramento é uma roda de hamster. Vendedores infratores, rotineiramente:
- republicam o mesmo produto sob um novo
product_idpoucos dias depois, - clonam o anúncio em uma loja irmã (mesmo
seller_id, anúncio novo), - migram para outro subdomínio localizado ou até para outro marketplace.
Por isso o pipeline é um loop, não um one-shot. A plataforma reexecuta as varreduras conforme um cronograma, compara os resultados com o banco de anúncios conhecidos e associa anúncios novos a vendedores já sancionados pelo seller_id. Um vendedor com três takedowns anteriores que reaparece com um quarto anúncio vai direto ao topo da fila: e vira evidência documentada de reincidência, que a maioria dos programas de marketplace escala até o fechamento da loja.
Uma varredura funcional em Python
O script abaixo executa uma palavra-chave de marca em três marketplaces e imprime uma lista priorizada de anúncios suspeitos, sinalizando tudo o que estiver abaixo de 40% do preço sugerido. Ele é deliberadamente mínimo: em produção, você persistiria os snapshots, faria deduplicação contra os anúncios conhecidos e alimentaria uma fila de revisão.
import requests
PILOTERR_API_KEY = "YOUR-API-KEY"
BRAND_KEYWORD = "acme headphones"
MSRP_EUR = 299.0
SUSPECT_THRESHOLD = 0.40 # sinalizar anúncios abaixo de 40% do preço sugerido
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)} anúncios coletados, {len(suspects)} suspeitos\n")
for item in suspects:
seller = item.get("seller") or "vendedor desconhecido"
print(f"[{item['marketplace']}] {item['price']} {item['currency']} "
f"| {seller}\n {item['title'][:80]}\n {item['url']}\n")
if __name__ == "__main__":
main()
A partir daqui, a url de cada suspeito vai para o endpoint product correspondente para o snapshot de evidências completo, e cada caso confirmado entra na fila de enforcement.
Além dos marketplaces: sites fraudulentos e perfis falsos
Anúncios de marketplace são a maior superfície, mas o abuso de marca não para aí. A mesma abordagem API-first cobre o restante do cenário de ameaças:
- Sites e-commerce fraudulentos: varra o Google Search e o Google Images com os termos da marca, depois trace o perfil dos domínios suspeitos com o Domain Whois (registrador, data de criação, titular) e o Website Technology: um domínio de duas semanas rodando um tema Shopify clonado com suas fotos de produto é candidato a takedown.
- Perfis falsos em redes sociais: monitore contas falsas e promoção de falsificações com o Instagram User Info e o X Profile Info.
- Segunda mão e mercado cinza: varreduras no Vinted, StockX e Leboncoin capturam falsificações vendidas como "autêntico, usado uma vez".
Fazer scraping de marketplaces para brand protection é legal?
Brand protection é um dos casos de uso de scraping mais defensáveis que existem: você coleta ofertas comerciais exibidas publicamente para fazer valer direitos de propriedade intelectual, e os programas de takedown administrados pelos próprios marketplaces dependem de os titulares de direitos encontrarem as infrações. Os princípios habituais continuam valendo: coletar apenas dados públicos, respeitar os limites de taxa e não armazenar mais dados pessoais do que a ação de enforcement exige. Para o quadro geral, veja nosso guia sobre a legalidade do web scraping.
Em resumo
Brand protection em grande escala é um pipeline de dados: descobrir com APIs de busca de marketplaces, qualificar com heurísticas de preço e vendedor, documentar com endpoints product, fazer enforcement e re-escanear em loop. As plataformas que fazem isso bem não são as que têm as maiores equipes jurídicas: são aquelas cuja camada de detecção nunca dorme.
A Piloterr fornece essa camada de detecção como API: AliExpress, Alibaba, Amazon, eBay, Temu e o restante da biblioteca de 500 endpoints, com bypass anti-bot e renderização de navegador gerenciados por nós. Se você está construindo ferramentas de brand protection e quer avaliar a qualidade dos dados com as suas próprias marcas, crie uma conta gratuita (+500 créditos, sem cartão de crédito) ou fale conosco sobre preços por volume e endpoints que podemos adicionar para o seu caso de uso.
