Comment les API Google Shopping alimentent l'intelligence e-commerce moderne

Lorsqu’un acheteur recherche un produit sur Google, les résultats Shopping constituent un instantané en direct du marché : quels revendeurs le vendent, à quel prix, avec quels frais de livraison, tel que vu depuis l’endroit où se trouve cet acheteur. Pour une équipe e-commerce, cet instantané répond à des questions qui nécessitent habituellement des dizaines de crawls distincts : qui nous sous-coupe, sur quels produits, sur quels marchés, et de combien.

Une API Google Shopping transforme cet instantané en données structurées que vous pouvez interroger selon un calendrier défini. Ce guide couvre ce à quoi les équipes l’utilisent, comment la collecter pour que les chiffres soient fiables, et un petit morceau de code qui transforme les résultats de recherche en une vue tarifaire. Cela fait partie de la pratique plus large de la veille tarifaire, les données Shopping étant l’une de ses sources les plus efficaces.

Pourquoi les données Shopping diffèrent du crawling des revendeurs

La méthode traditionnelle pour surveiller les prix des concurrents consiste à crawler les pages produits de chaque revendeur. Cela fonctionne, mais passe mal à l’échelle : chaque revendeur nécessite son propre collecteur, son propre parseur et son propre système de correspondance produit. Les résultats Shopping inversent ce modèle :

• Une seule requête couvre de nombreux vendeurs. Une seule recherche renvoie les offres de tous les revendeurs que Google répertorie pour ce produit.
• Les produits sont déjà regroupés. Les offres pour un même article apparaissent ensemble, ce qui élimine une grande partie de la difficulté liée à la correspondance des produits entre boutiques.
• Cela montre le point de vue de l’acheteur. Les résultats reflètent le marché et la langue de la recherche, y compris quels vendeurs apparaissent et dans quel ordre, ce qui est ce qui détermine réellement les clics.

Le compromis concerne la couverture. Les résultats Shopping montrent les revendeurs qui y sont référencés, pas tous les vendeurs du marché, et ils affichent le prix annoncé, qui peut différer du prix après un coupon ou au moment du paiement. Pour un suivi complet du catalogue, les crawls de revendeurs restent nécessaires ; pour une vue du marché portant sur vos produits clés, les données Shopping sont souvent plus rapides et moins coûteuses. Notre guide sur la création d’un flux de prix concurrentiels en temps réel explique comment combiner les deux.

À quoi les équipes les utilisent

Question	Ce que les données montrent
Sommes-nous compétitifs sur le prix ?	Notre rang de prix pour chaque produit, et l’écart avec le vendeur le moins cher
Qui nous sous-coupe ?	Quels vendeurs apparaissent en dessous de nous, à quelle fréquence et sur quels produits
Ce produit est-il encombré ?	Le nombre de vendeurs et l’étendue de la dispersion des prix
Un concurrent fait-il une promotion ?	Des baisses de prix soudaines sur l’ensemble des produits d’un vendeur
Comment les marchés diffèrent-ils ?	Les vendeurs et les prix d’un même produit dans chaque pays
Les revendeurs respectent-ils la politique de prix ?	Des vendeurs agréés affichant des prix inférieurs au prix de vente minimum conseillé

Ce dernier usage relève autant de la protection de marque que de la tarification : les fabricants utilisent les données Shopping pour repérer les vendeurs non autorisés et les violations de prix minimum sans crawler chaque revendeur.

Bien la collecter

Les résultats Shopping dépendent de qui pose la question, donc la cohérence de la collecte compte plus que le volume.

1. Fixez la localisation et la langue. Les résultats changent selon le pays et souvent selon la ville. Utilisez les mêmes paramètres de localisation et de langue à chaque exécution, sinon les comparaisons entre exécutions mélangeront les marchés.
2. Utilisez des requêtes stables. Recherchez avec les mêmes termes de produit à chaque fois, idéalement le nom du produit et son numéro de modèle, afin que les mêmes annonces reviennent.
3. Collectez selon un rythme adapté au marché. Les recherches sur les prix en ligne montrent qu’une collecte hebdomadaire capture la plupart des changements de prix réguliers chez les grands revendeurs, tandis que les catégories rapides et les promotions nécessitent des vérifications quotidiennes. Notre étude sur la vitesse à laquelle les prix en ligne changent présente les preuves.
4. Conservez les résultats bruts. Stockez la réponse complète de chaque exécution avec son horodatage et ses paramètres, afin de pouvoir revérifier un constat plus tard.
5. Normalisez les prix avant de comparer. Les devises, les formats décimaux et l’inclusion des taxes diffèrent selon le marché. Notre guide sur la normalisation des prix, des nombres et des dates entre les locales explique comment procéder à l’analyse.

Exécuter des recherches Google à grande échelle depuis vos propres serveurs se heurte rapidement à des blocages et à des résultats incohérents, c’est pourquoi la plupart des équipes utilisent une API conçue à cet effet. Le SERP API de Shifter renvoie les résultats Google Shopping sous forme de JSON structuré, avec la localisation et la langue que vous définissez, afin que le travail commence par l’analyse plutôt que par la collecte.

Des résultats à une vue tarifaire

Une fois que le produit, le vendeur et le prix de chaque annonce sont mappés dans un enregistrement simple, quelques lignes de code produisent la vue dont une équipe tarifaire a réellement besoin. Le module ci-dessous construit les paramètres de requête pour une recherche et transforme les offres d’une exécution en un résumé par produit : le vendeur le moins cher, le prix médian, l’étendue de la dispersion, et le rang de votre boutique.

from collections import defaultdict
from statistics import median


def shopping_params(query, location, country, language="en", api_key="YOUR_API_KEY"):
    """One Google Shopping search, as seen by a shopper in `location`."""
    return {"engine": "google_shopping", "api_key": api_key, "q": query,
            "location": location, "gl": country, "hl": language}


def market_view(offers, my_seller):
    """offers: [{"product": key, "seller": name, "price": float}] from one search run.

    For each product: the cheapest seller, the median price, how wide the spread
    is, and where `my_seller` ranks on price.
    """
    by_product = defaultdict(list)
    for o in offers:
        by_product[o["product"]].append(o)
    report = {}
    for product, rows in by_product.items():
        rows.sort(key=lambda o: o["price"])
        prices = [o["price"] for o in rows]
        mine = next((i for i, o in enumerate(rows) if o["seller"] == my_seller), None)
        report[product] = {
            "sellers": len(rows),
            "cheapest": f"{rows[0]['seller']} {prices[0]:.2f}",
            "median": round(median(prices), 2),
            "spread_pct": round(100 * (prices[-1] - prices[0]) / prices[0], 1),
            "my_rank": None if mine is None else mine + 1,
            "gap_to_cheapest_pct": None if mine is None
            else round(100 * (rows[mine]["price"] - prices[0]) / prices[0], 1),
        }
    return report

Exécuté sur quelques offres illustratives :

from shopping import market_view

offers = [   # illustrative results from one search run, mapped into the offer shape
    {"product": "air fryer 6qt", "seller": "Store A", "price": 89.99},
    {"product": "air fryer 6qt", "seller": "Our Store", "price": 99.00},
    {"product": "air fryer 6qt", "seller": "Store C", "price": 119.95},
    {"product": "blender 1.5l", "seller": "Our Store", "price": 54.00},
    {"product": "blender 1.5l", "seller": "Store B", "price": 59.99},
]
for product, view in market_view(offers, my_seller="Our Store").items():
    print(product, view)

air fryer 6qt {'sellers': 3, 'cheapest': 'Store A 89.99', 'median': 99.0, 'spread_pct': 33.3, 'my_rank': 2, 'gap_to_cheapest_pct': 10.0}
blender 1.5l {'sellers': 2, 'cheapest': 'Our Store 54.00', 'median': 57.0, 'spread_pct': 11.1, 'my_rank': 1, 'gap_to_cheapest_pct': 0.0}

L’air fryer est un produit encombré avec une large dispersion, où Our Store se situe en deuxième position, 10 % au-dessus du vendeur le moins cher. Le blender est un produit calme où Our Store est déjà le moins cher. Exécutez le même rapport chaque jour et les changements, un nouveau vendeur en dessous de vous, une dispersion qui s’élargit soudainement, sont les signaux à surveiller.

Transformer les signaux en décisions

• Fixez les prix là où vous êtes visible. Les produits où vous êtes premier ou deuxième gagnent déjà sur le prix ; il peut y avoir une marge à récupérer. Les produits où vous êtes dernier sont ceux où un changement de prix déplace le plus de trafic.
• Surveillez la dispersion, pas seulement le minimum. Une large dispersion signale généralement un marché avec de la marge de manœuvre sur les prix ; une dispersion étroite signale un produit banalisé où les petites différences comptent.
• Séparez les promotions du repositionnement tarifaire. Une baisse d’un concurrent qui s’inverse en une semaine est une promotion ; une baisse qui tient est un nouveau prix. Notre guide sur le suivi des promotions concurrentielles et des cycles de remises montre comment les distinguer.
• Comparez les marchés avant de vous étendre. Le nombre de vendeurs et leurs prix dans un nouveau pays montrent à quel point il est encombré avant d’y être référencé.

Limites à garder à l’esprit

• Tous les vendeurs ne sont pas référencés sur Google Shopping. Les données montrent le marché visible, pas l’ensemble du marché.
• Les prix affichés ne sont pas toujours les prix finaux. Les frais de livraison, les taxes, les coupons et les prix membres peuvent modifier ce que l’acheteur paie.
• Les résultats varient entre des recherches identiques. Agissez sur des tendances qui se confirment sur plusieurs exécutions, pas sur le classement d’une seule exécution.
• La personnalisation est limitée mais bien réelle. Utilisez des paramètres neutres et une localisation fixe pour que les exécutions restent comparables.

FAQ

Qu’est-ce qu’une API Google Shopping ?

Un service qui exécute des recherches Google Shopping pour vous et renvoie les résultats sous forme de données structurées : les produits, les vendeurs qui les proposent et leurs prix, tels que vus depuis la localisation et la langue que vous spécifiez.

Que peuvent faire les équipes e-commerce avec les données Google Shopping ?

Suivre les prix des concurrents auprès de nombreux vendeurs à la fois, voir où leurs propres prix se classent, repérer les promotions et les nouveaux vendeurs, comparer les marchés avant de s’étendre, et vérifier les revendeurs par rapport aux prix de vente minimums conseillés.

À quelle fréquence devrais-je collecter les résultats Google Shopping ?

Une collecte hebdomadaire suffit pour de nombreuses catégories ; une collecte quotidienne pour celles qui évoluent rapidement, autour des promotions et en haute saison. Gardez la localisation, la langue et les requêtes fixes pour que les exécutions restent comparables.

Google Shopping affiche-t-il le prix de chaque vendeur ?

Non. Il montre les revendeurs qui y référencent leurs produits, et le prix affiché, qui peut différer du prix après livraison, coupons ou au moment du paiement. Combinez-le avec des crawls directs de revendeurs là où vous avez besoin d’une couverture complète.

En résumé

Les résultats Google Shopping offrent l’une des vues les plus efficaces du marché d’un produit : de nombreux vendeurs, déjà regroupés, tels que les voit un acheteur local. Collectez-les avec une localisation, une langue et des requêtes fixes, conservez les résultats bruts, normalisez les prix, et résumez chaque exécution en rang, dispersion et écart avec le vendeur le moins cher. Suivis dans le temps, ces quelques chiffres indiquent à une équipe e-commerce où ajuster les prix et où ne pas y toucher. Pour des besoins plus larges en données e-commerce, consultez nos solutions e-commerce.