Mencari data adidas dapat dilakukan untuk berbagai kebutuhan, mulai dari riset produk, analisis harga, monitoring katalog, penelitian pasar, hingga membangun dataset produk untuk kebutuhan bisnis.

adidas sendiri memiliki katalog produk yang luas, mencakup sepatu, pakaian, aksesori, serta berbagai kategori olahraga dan lifestyle. Dalam laporan tahunannya, adidas membagi produknya antara lain ke kategori Performance dan Lifestyle, dengan berbagai lini seperti Predator, F50, Adizero, Supernova, Samba, Gazelle, Handball Spezial, Superstar, dan Stan Smith. Adidas Group Report

Untuk kebutuhan data, informasi yang dapat dikumpulkan dari sumber publik dan sesuai izin misalnya:

• Nama produk
• SKU atau product ID jika ditampilkan
• Kategori
• Harga
• Harga diskon
• Warna
• Ukuran
• Ketersediaan
• Deskripsi
• URL produk
• Gambar produk
• Koleksi
• Jenis kelamin atau target pengguna
• Olahraga
• Material jika tersedia
• Rating atau jumlah ulasan jika ditampilkan
• Informasi promosi yang terlihat secara publik

Apa yang Dimaksud dengan Data adidas?

Data adidas dapat berarti kumpulan informasi mengenai produk, katalog, harga, koleksi, maupun informasi perusahaan adidas.

Untuk riset produk, contoh dataset sederhananya:

Website resmi adidas Indonesia saat ini menampilkan berbagai kategori seperti sepatu lari, sepatu sepak bola, sepatu basket, sepatu gym, pakaian, dan aksesori. adidas

1. Mencari Data adidas dari Website Resmi

Sumber pertama yang sebaiknya digunakan adalah website resmi adidas Indonesia.

Website resmi adidas Indonesia

Website tersebut menyediakan katalog produk yang dapat digunakan sebagai sumber data publik. adidas

Informasi yang dapat ditemukan tergantung halaman produk, misalnya:

Nama produk
Harga
Kategori
Warna
Ukuran
Deskripsi
Gambar
URL

Untuk kebutuhan riset, website resmi lebih baik dijadikan sumber utama dibanding mengandalkan dataset pihak ketiga yang tidak diketahui asal-usulnya.

2. Menggunakan Search Engine

Mesin pencari juga dapat digunakan untuk menemukan produk adidas.

Contohnya:

adidas Samba Indonesia
adidas Ultraboost Indonesia
adidas Predator
adidas running shoes
adidas jacket

Pencarian dapat dibuat lebih spesifik:

site:adidas.co.id adidas Samba

atau:

site:adidas.co.id "Predator"

Cara ini berguna ketika ingin menemukan halaman produk tertentu dengan cepat.

Namun hasil search engine tidak selalu mencerminkan seluruh katalog yang tersedia pada website.

3. Mencari Data Berdasarkan Kategori

Jika tujuannya membuat dataset produk, jangan hanya mencari berdasarkan nama produk.

Gunakan kategori.

Misalnya:

adidas
├── Running
├── Football
├── Basketball
├── Training
├── Outdoor
├── Tennis
├── Lifestyle
├── Clothing
└── Accessories

Laporan adidas menunjukkan bahwa produk Performance mencakup berbagai olahraga seperti football, running, basketball, training, outdoor, tennis, dan lainnya. Sementara adidas Originals berfokus pada produk lifestyle yang terinspirasi dari olahraga dan budaya. Adidas Group Report

Dengan pendekatan kategori, dataset menjadi lebih terstruktur.

4. Mencari Data Berdasarkan Nama Produk

Cara lain adalah menggunakan product franchise.

Contohnya:

Samba
Gazelle
Handball Spezial
Superstar
Stan Smith
Adizero
Supernova
Predator
F50
Dropset

Lini-lini tersebut tercantum dalam informasi produk adidas. Adidas Group Report

Misalnya ingin melakukan riset terhadap Samba:

Samba
↓
Semua varian
↓
Warna
↓
Harga
↓
Ukuran
↓
Ketersediaan
↓
URL produk

5. Mencari Data Harga adidas

Data harga dapat digunakan untuk:

• price monitoring
• analisis kompetitor
• riset pasar
• analisis diskon
• historical pricing
• product comparison

Contoh dataset:

Perlu diperhatikan bahwa harga dapat berubah, sehingga dataset sebaiknya menyimpan waktu pengambilan data.

Contohnya:

product_name
price
discount_price
currency
captured_at
source_url

Dengan begitu data dapat digunakan untuk membuat histori.

6. Mencari Data Stok dan Ukuran

Untuk analisis produk, harga saja sering belum cukup.

Informasi yang menarik adalah:

Ukuran
↓
Tersedia / tidak tersedia
↓
Waktu pengambilan

Contoh:

Samba
40  → Available
41  → Available
42  → Sold Out
43  → Available
44  → Sold Out

Jika dilakukan secara berkala, data tersebut dapat digunakan untuk melihat perubahan ketersediaan produk.

Namun status stok adalah informasi yang sangat dinamis dan hasil pengambilan data hanya menggambarkan kondisi pada waktu tertentu.

7. Mencari Data Produk adidas di Marketplace

Selain website resmi, produk adidas juga dapat ditemukan di marketplace atau retailer.

Contohnya dapat berupa:

• marketplace
• toko olahraga
• retailer resmi
• distributor
• website fashion

Data yang dapat dibandingkan:

Produk
Harga
Diskon
Seller
Rating
Jumlah ulasan
Ukuran
Warna
Ketersediaan

Contohnya:

adidas Samba
│
├── Official Store
├── Retailer A
├── Retailer B
└── Marketplace C

Untuk penelitian harga, penting membedakan official store, retailer resmi, dan seller pihak ketiga.

8. Mencari Data Produk dari Google Shopping

Google Shopping juga dapat menjadi sumber discovery untuk riset produk.

Misalnya:

adidas running shoes
adidas Samba
adidas Predator

Hasilnya dapat membantu menemukan:

• nama produk
• harga
• retailer
• gambar
• URL
• variasi produk

Tetapi untuk dataset yang membutuhkan konsistensi, sumber utama sebaiknya tetap ditentukan terlebih dahulu.

9. Menggunakan Data Structured Data

Beberapa website menggunakan structured data untuk memberikan informasi produk kepada mesin pencari.

Contohnya format Product structured data dapat berisi informasi seperti:

{
  "name": "Product Name",
  "sku": "XXXXX",
  "offers": {
    "price": "..."
  }
}

Jika informasi tersebut memang dikirimkan secara publik oleh website, structured data dapat membantu memahami struktur informasi produk.

Namun structured data bukan API publik otomatis.

Jangan menganggap setiap endpoint internal website sebagai API yang boleh digunakan.

10. Menggunakan Sitemap

Sitemap dapat membantu menemukan URL yang tersedia pada sebuah website.

Secara umum bentuknya:

sitemap.xml

Jika website menyediakan sitemap publik, sitemap dapat membantu menemukan:

/product-a
/product-b
/product-c

Kemudian URL tersebut dapat digunakan untuk melakukan penelitian katalog.

Sitemap juga berguna untuk mengetahui struktur URL tanpa harus melakukan pencarian halaman satu per satu.

11. Menggunakan Python untuk Mengolah Data

Jika jumlah produk sedikit, pengumpulan manual mungkin sudah cukup.

Tetapi jika dataset terdiri dari:

100 produk
1.000 produk
10.000 produk

otomatisasi dapat membantu.

Python dapat digunakan untuk:

• mengambil halaman yang memang boleh diakses
• parsing HTML
• membaca structured data
• membersihkan data
• menghapus duplikasi
• menyimpan CSV
• menyimpan JSON
• memasukkan data ke database

Contoh workflow:

Website publik
      ↓
Collection
      ↓
Parser
      ↓
Data Cleaning
      ↓
Deduplication
      ↓
CSV / Excel / JSON
      ↓
Analysis

12. Contoh Struktur Dataset adidas

Dataset yang lebih lengkap dapat memiliki struktur:

product_id
product_name
category
subcategory
gender
color
price
discount_price
currency
sizes
availability
description
product_url
image_url
collection
sport
captured_at
source

Contohnya:

product_name: adidas Samba
category: Lifestyle
color: White/Black
price: ...
sizes: 40,41,42,43,44
availability: Available
source: adidas.co.id

Struktur seperti ini lebih mudah digunakan untuk analisis.

13. Data adidas untuk Analisis Harga

Setelah dataset tersedia, kita dapat menganalisis:

Produk dengan harga tertinggi

Product
Price
Category

Produk dengan diskon terbesar

Original Price
Sale Price
Discount %

Harga berdasarkan kategori

Running
Football
Lifestyle
Basketball
Training

Distribusi harga

Misalnya:

< Rp500.000
Rp500.000 - Rp1.000.000
Rp1.000.000 - Rp2.000.000
> Rp2.000.000

14. Data adidas untuk Riset Produk

Data katalog dapat digunakan untuk melihat:

• produk yang sering muncul
• kategori yang paling banyak
• variasi warna
• range harga
• produk baru
• produk diskon
• perubahan katalog

Misalnya:

Product Catalog
       ↓
Categorization
       ↓
Price Analysis
       ↓
Trend Analysis
       ↓
Business Insight

15. Data adidas untuk Monitoring Harga

Salah satu penggunaan menarik adalah price monitoring.

Misalnya sistem memeriksa produk setiap hari:

Hari 1
Rp1.500.000

Hari 7
Rp1.500.000

Hari 14
Rp1.200.000

Hari 21
Rp1.000.000

Dataset kemudian menjadi:

Dari sini dapat dibuat grafik perubahan harga.

16. Data adidas untuk Riset Kompetitor

Metode yang sama juga dapat diterapkan pada beberapa brand.

Misalnya:

adidas
Nike
Puma
New Balance
ASICS
Under Armour

Kemudian dibandingkan berdasarkan:

• jumlah produk
• kategori
• range harga
• diskon
• jenis produk
• material
• rating
• popularitas jika metrik tersebut tersedia secara publik

Dengan demikian data dapat digunakan untuk market research.

17. Data adidas dari Laporan Perusahaan

Tidak semua data harus berasal dari halaman produk.

Untuk riset perusahaan, adidas juga menyediakan Annual Report dan publikasi finansial.

Laporan tahunan 2025 adidas tersedia dalam format digital, PDF, dan XLSX, sehingga dapat digunakan untuk penelitian perusahaan dan analisis bisnis. Adidas Group Report

Misalnya data:

• revenue
• product category
• market
• employees
• financial performance
• sustainability
• business strategy

Untuk data perusahaan, sumber seperti annual report jauh lebih tepat daripada scraping halaman produk.

18. Data adidas dan API

Jika adidas atau platform yang digunakan menyediakan API resmi yang memang ditujukan untuk penggunaan pihak ketiga, API tersebut merupakan pilihan yang lebih baik daripada melakukan scraping secara agresif.

Keuntungan API:

• struktur data lebih konsisten
• lebih mudah diproses
• lebih stabil
• lebih jelas mengenai penggunaan data
• tidak perlu bergantung pada struktur HTML

Tetapi jangan menganggap endpoint yang ditemukan melalui browser DevTools otomatis merupakan API publik yang boleh digunakan.

19. Apakah Data adidas Bisa Di-scraping?

Secara teknis, halaman web dapat diproses secara otomatis jika data memang tersedia kepada publik.

Namun bisa secara teknis tidak sama dengan otomatis boleh dilakukan.

Sebelum melakukan scraping, periksa:

• Terms of Service
• robots.txt
• batas request
• hak penggunaan data
• copyright
• lisensi gambar
• kebijakan penggunaan otomatis
• aturan API jika tersedia

Hindari:

• bypass CAPTCHA
• bypass authentication
• mengakses endpoint privat
• mengambil data akun pengguna
• credential harvesting
• mengakali security control
• membebani server dengan request berlebihan

Untuk data produk, fokuskan pengumpulan pada informasi katalog yang memang tersedia secara publik dan penggunaannya sesuai aturan sumber.

20. Jangan Mengambil Data Pribadi Pengguna

Jika melakukan riset produk adidas, sebenarnya hampir tidak ada alasan untuk mengumpulkan informasi sensitif pengguna.

Tidak perlu mengambil:

• password
• cookie session
• token autentikasi
• private messages
• alamat pribadi pelanggan
• nomor telepon pribadi
• data pembayaran
• informasi akun yang tidak dipublikasikan

Dataset produk cukup berisi informasi yang memang diperlukan.

Contohnya:

Product
Price
Category
SKU
Color
Size
Availability
URL

21. Cara Membuat Dataset adidas yang Rapi

Workflow yang direkomendasikan:

Tentukan Tujuan
       ↓
Tentukan Field
       ↓
Tentukan Sumber
       ↓
Collection
       ↓
Cleaning
       ↓
Validation
       ↓
Deduplication
       ↓
Export
       ↓
Analysis

Contohnya jika tujuannya monitoring harga:

Field

product_name
sku
price
discount_price
product_url
captured_at

Tidak perlu mengambil 30 kolom jika hanya lima kolom yang dibutuhkan.

22. Format Output Data

Dataset adidas dapat disimpan dalam:

CSV

product_name,category,price,url
Samba,Lifestyle,...,...

Excel

Cocok untuk:

• analisis manual
• filtering
• pivot table
• reporting

JSON

Cocok untuk aplikasi:

{
  "product_name": "Samba",
  "category": "Lifestyle",
  "price": 1500000
}

Database

Jika datanya besar:

PostgreSQL
MySQL
SQLite

lebih cocok dibanding satu file Excel besar.

23. Contoh Arsitektur Data Produk

Untuk sistem monitoring produk, arsitekturnya dapat dibuat seperti:

                    adidas
                       |
                       v
               Public Product Data
                       |
                       v
                  Collector
                       |
                       v
                    Parser
                       |
             +---------+---------+
             |                   |
             v                   v
        Data Cleaning       Validation
             |                   |
             +---------+---------+
                       |
                       v
                   Database
                       |
             +---------+---------+
             |                   |
             v                   v
          Dashboard           Export
                             CSV/Excel

Jika jumlah produk dan frekuensi pengambilan semakin besar, sistem dapat ditambahkan scheduler dan monitoring.

24. Contoh Kebutuhan Data

Misalnya sebuah bisnis ingin mengetahui:

"Produk adidas apa saja yang sedang tersedia dan mengalami perubahan harga?"

Dataset dapat dibuat:

Product
SKU
Category
Normal Price
Current Price
Discount
Availability
URL
Last Checked

Kemudian sistem membandingkan:

Previous Price
       vs
Current Price

Jika berubah:

Price Changed
      ↓
Generate Alert

Ini merupakan contoh penggunaan data yang lebih bernilai dibanding sekadar mengumpulkan ribuan halaman.

Kesimpulan

Cara mencari data adidas dapat dilakukan melalui berbagai sumber, terutama website resmi adidas, mesin pencari, retailer, marketplace, laporan perusahaan, dan sumber publik lainnya.

Untuk data produk, informasi yang paling berguna antara lain:

• Nama produk
• SKU
• Kategori
• Harga
• Harga diskon
• Warna
• Ukuran
• Ketersediaan
• Deskripsi
• URL
• Gambar
• Koleksi
• Waktu pengambilan

Untuk dataset yang lebih besar, prosesnya dapat diotomatisasi menggunakan Python dan disimpan dalam CSV, Excel, JSON, atau database.

Namun, pengumpulan data otomatis harus tetap memperhatikan Terms of Service, robots.txt, rate limit, privasi, copyright, dan batas akses yang ditetapkan pemilik website.

Untuk riset produk adidas, sumber resmi tetap menjadi referensi penting karena katalog dan produk dapat berubah. Website resmi adidas Indonesia saat ini menyediakan berbagai kategori produk dan koleksi, sementara laporan perusahaan menyediakan data bisnis yang lebih luas. adidas

SIBRA: Jasa Data Scraping dan Automation

Jika kebutuhan Anda bukan hanya mencari beberapa produk, tetapi membutuhkan dataset produk dalam jumlah besar, proses pengumpulan dan pengolahan data dapat dibuat lebih terstruktur menggunakan automation.

SIBRA menyediakan layanan terkait:

• Data scraping
• Data collection
• Web automation
• Data cleaning
• Data processing
• Export CSV/Excel/JSON
• Database integration
• Monitoring data
• Custom scraping tools
• Website development
• Software custom
• SEO dan GEO
• Website monitoring
• Security hardening
• Penetration testing
• Vulnerability assessment

Pengumpulan data dapat disesuaikan dengan sumber, field, format output, jumlah data, serta kebutuhan analisis, dengan tetap memperhatikan batas penggunaan data dan aturan dari sumber yang digunakan.