Každý zakladatel, kterého znám, si v nějaké fázi koupil seznam deseti tisíc „ověřených“ kontaktů a pak koukal, jak míra odpovědí visí někde kolem nuly. Udělal jsem to taky na začátku kariéry a odnesl jsem si z toho jednu zásadní lekci: hromada e-mailů ještě není pipeline. To, co opravdu posouvá obchody dál, je vědět, které firmy dávají smysl oslovit, a proč — a to je úplně jiný problém než jen stahovat jména z internetu.
Web scraping se často prodává jako zkratka typu „sežeň 10 000 leadů do pátku“, ale nástroje, které v roce 2026 opravdu fungují, jsou postavené na něčem užitečnějším: najít skutečné účty, podložené reálnými důkazy, přesně ve chvíli, kdy ukazují nákupní signál. V Thunderbit hodně přemýšlíme o tom, jak lidé scrapují data pro sales, a nejlepší výsledky nemají týmy, které scrapují nejvíc řádků — ale ty, které scrapují správné řádky a dávají jim kontext.
Co vlastně znamená najít B2B leady pomocí web scrapingu?
Když někdo řekne „scrapni leady“, většina lidí si představí nástroj, který vysaje stránku s adresářem a vyplivne CSV se jmény, pozicemi a e-maily. Jenže to není lead generation — to je sběr kontaktů, a právě proto má tolik obchodních týmů seznamy, které mají mizernou odezvu a ještě horší konverze.
Skutečný lead záznam potřebuje víc než jen jméno. Potřebuje identitu účtu (název firmy a kanonickou doménu), důkaz, že firma odpovídá tvému ideálnímu zákaznickému profilu, časově označený signál vysvětlující, proč je vhodný moment se ozvat, povolený způsob kontaktu, záznam o tom, odkud data pocházejí, a stav, který můžeš později zkontrolovat. Zní to složitě, ale ve zkratce jde o jednoduchý postup: začni z veřejného a povoleného zdroje, ověř identitu firmy, nasbírej důkazy o fitu, zaznamenej spouštěcí událost, najdi nejjednodušší cestu ke kontaktu, ověř ji, odstraň duplicity a teprve potom to pošli do CRM. Vynecháš-li jeden krok, skončíš přesně u toho, co všichni už dávno nesnášejí — u tabulky cizích lidí bez kontextu.
Proč je to dnes důležitější než kdy dřív
AI udělala scraping směšně snadným na rozjezd — a stejně snadným na to, aby se dělal špatně ve velkém. Před pár lety znamenalo postavit scraper najmout vývojáře nebo strávit víkend bojem s XPath selektory. Dnes může kdokoli nasměrovat AI scraper na stránku a během minut získat strukturovaná data. To je skvělé pro produktivitu, ale zároveň to znamená, že víc obchodních týmů než kdy dřív sype do CRM neověřená, nekvalifikovaná data — a jejich pozdější čištění stojí mnohem víc času, než kdyby se to udělalo správně hned napoprvé.
Současně se nezměnila ani regulační pravidla jen proto, že jsou nástroje chytřejší. Britský Information Commissioner's Office jasně uvedl, že veřejně dostupná firemní kontaktní data mohou stále spadat pod UK GDPR a že námitky proti přímému marketingu je třeba respektovat i v B2B kontextu. V USA zase doporučení FTC k CAN-SPAM nedělá žádnou výjimku pro B2B e-maily — každá komerční zpráva musí mít přesné hlavičky, funkční odhlášení a odhlášky musí být vyřízeny do 10 pracovních dnů. Není to žádná exotická právní drobnost; je to základní rámec, ve kterém funguješ, ať už si to uvědomuješ, nebo ne.
Než začneš: čti situaci i podmínky použití
Řeknu to na rovinu: ne každý web je volná hra, a to ani když je tvůj scraper sebechytřejší. Podmínky Google Maps výslovně zakazují export nebo hromadný scraping obsahu Maps. Uživatelská smlouva LinkedIn zakazuje scraping i neautorizovanou automatizaci úplně. Aktuální podmínky Clutch zase zakazují i ruční nebo automatizovaný scraping. To nejsou žádné skryté pasáže — jsou to první věci, které bys měl zkontrolovat, než na web pošleš jakýkoli nástroj. A právě o scrapeování LinkedIn jsem psal podrobněji, protože se to řeší pořád dokola.
Robots.txt je dobré chápat, ale nemělo by se na něj pohlížet jako na právní svolení. Podle samotné specifikace IETF jde o instrukci pro crawlery, ne o systém povolení nebo mechanismus řízení přístupu. Web může crawling v robots.txt povolit a přitom scraping v podmínkách zakázat — a v případě sporu obvykle rozhodují právě podmínky. Moje jednoduché pravidlo: pokud web vyžaduje přihlášení k zobrazení dat, staví před obsah CAPTCHA, nebo kdekoliv v podmínkách výslovně říká „no scraping“, je to zdroj, který je lepší přeskočit, ne hádanka k řešení.
Mezi veřejné zdroje, které bývají pro B2B průzkum bezpečnější a užitečnější, patří firemní weby, státní registry, seznamy vystavovatelů a partnerů s povolením, kariérní stránky a newsroomy. Například API SEC EDGAR poskytují zdarma veřejné JSON filingy a XBRL data bez nutnosti API klíče — jen je potřeba držet automatické požadavky na úrovni 10 za sekundu nebo níž podle vlastních limitů SEC.
Celý pipeline: od surového scrapu k leadům připraveným pro CRM
Tady je postup, který bych opravdu doporučil. Je to méně o „scrapování“ a víc o malém výzkumném procesu, kde scraper hraje hlavní roli.
Nejprve si vyber povolený veřejný zdroj a stahuj jen firemní úroveň: název společnosti, doménu, URL zdroje, kategorii, lokaci a signál, kvůli kterému jsi se na ně vůbec díval (pracovní nabídka, tisková zpráva, seznam akce). Zadruhé, u účtů, které vypadají slibně, přejdi na jejich skutečný web a ověř, co dělají, kde sídlí a jaký veřejný kontaktní kanál mají. Zatřetí, validuj a obohať jen ty účty, které už prošly tvým kvalifikačním prahem — nemař kredity na obohacování u firem, které jsi vůbec neprověřil. Začtvrté, před importem vše deduplikuj proti existujícím datům v CRM. A zapáté, pošli to do systému se stavovým polem, aby obchodní tým věděl, co už bylo zkontrolováno a co ještě potřebuje lidské oči.
A právě ta poslední část je důležitější, než si většina lidí myslí. Doporučuju každému záznamu přiřadit štítek jako candidate_account, qualified_account, contact_ready, needs_review nebo rejected. Zní to jako přehnaná opatrnost, dokud se tě SDR tým nezeptá: „počkej, opravdu někdo ověřil, že tahle firma odpovídá našemu ICP?“ — a ty máš odpověď místo pokrčení rameny.
Kde hledat B2B účty se silným signálem
Ty nejlepší signály nejsou schované — jen jsou rozházené po zdrojích, které většina týmů systematicky neprověřuje. Kariérní stránky firem prozradí, koho a na co právě nabírají, což je slušný indikátor toho, kam investují. Newsroomy a tiskové sekce ukazují financování, expanzi a produktové launchy. Stránky partnerů a vystavovatelů (pokud je scraping povolen) ukazují, kdo je aktivní v určitém ekosystému. Veřejné filingy, hlavně u větších firem, odhalují finanční zdraví a strategické priority způsobem, jaký ti žádný post na LinkedIn nedá.
Žádný z těchto signálů sám o sobě nedokazuje nákupní záměr — pracovní nabídka na pozici „VP of Sales“ neznamená, že firma zítra koupí tvůj produkt. Ale když se skloubí víc signálů dohromady a porovnáš je se svým ICP, je to mnohem lepší filtr než statický seznam koupený před půl rokem na marketplace s leady, který je už z 20 % zastaralý.
Proč AI-powered scraping mění pravidla hry
Tady se dostáváme k něčemu, co je opravdu jiné než scraping, který jsem dělal před pěti nebo šesti lety. Starý přístup znamenal psát selektory pro každé rozložení stránky zvlášť a jakmile web změnil HTML, scraper se rozsypal. AI-powered scraping nástroje čtou stránku spíš jako člověk — chápou kontextově, že „tady je název firmy, tady je lokace, tady je pracovní pozice“, místo aby spoléhaly na křehké CSS cesty.
Právě proto může Thunderbit otevřít seznamovací stránku a pomocí AI Suggest Fields automaticky navrhnout správné sloupce, místo aby tě nutilo mapovat každé pole ručně. Můžeš také prostě napsat, co chceš, normální angličtinou — třeba „získej název firmy, web, obor a lokaci“ — a AI vymyslí, jak to vytáhnout. Mluvil jsem s týmy, které dřív strávily půl dne na jednom webu konfigurací scraperu; dnes jim stačí pár kliknutí a kontrolní průchod. Není to proto, že by se změnila pravidla compliance — ty nezměnila — ale proto, že technická bariéra pro dobré provedení dramaticky klesla. Více o tom, jak se to celé promítá do širšího AI scraping prostoru, najdeš v našem rozboru AI web scrapingu a srovnání s dřívějším pravidlovým přístupem.
Problém podstránek: proč samotné seznamovací stránky nestačí
Tady je něco, co od začátku potrápí skoro každého: seznamovací stránka nikdy nevypráví celý příběh. Adresář může nabídnout název firmy a odkaz, ale skutečné informace, které potřebuješ — co firma dělá, kde má sídlo, jaké odvětví obsluhuje — obvykle leží o klik hlouběji, na detailní stránce firmy nebo na jejím webu.
Viděl jsem týmy, které nascrapovaly stovky řádků z adresáře, jen aby zjistily, že polovině „leadů“ chybí právě ten jeden údaj, podle kterého se měla dělat kvalifikace. Přesně proto existuje scraping podstránek jako samostatná funkce, ne jako příjemný bonus. Dobrý scraper by měl umět otevřít seznamovací stránku, vzít odkaz na detail každé firmy, automaticky ten odkaz následovat a vytáhnout hlubší data dřív, než všechno spojí do jednoho čistého řádku. Vynecháš-li tenhle krok, kvalifikuješ leady jen podle názvu firmy a odhadu.
Krok za krokem: jak najít B2B leady pomocí Thunderbit
Projdu to tak, jak bych to dělal sám — sedl bych si k cílovému adresáři a kafe po ruce.
Krok 1: Nainstaluj Thunderbit a otevři cílový adresář
Stáhni si rozšíření Thunderbit pro Chrome a přejdi na povolený veřejný zdroj — seznam vystavovatelů, oborový adresář, kariérní nástěnku, cokoli, co odpovídá tvému ICP. Než půjdeš dál, ověř si, že podmínky webu takové použití umožňují; zabere to dvě minuty a ušetří ti to spoustu starostí později.
Krok 2: Klikni na „AI Suggest Fields“
Místo toho, abys ručně klikal stránkou a definoval sloupce, nech AI, ať se podívá na strukturu stránky a navrhne pole jako název firmy, web, lokaci a kategorii. Můžeš je upravit nebo doplnit vlastní pomocí běžné řeči — třeba instrukce typu „vytáhni obor, který tato firma obsluhuje“ funguje jako zadání pole bez problémů.
Krok 3: Spusť scraping
Spusť extrakci a nech ji proběhnout přes seznamovací stránku, případně i přes stránkování, pokud je adresář rozdělený na více stránek. Tohle je „surový“ pull — jen identifikátory na úrovni firmy, nic, co bys ještě považoval za soukromý kontakt.
Krok 4: Obohať data pomocí scrapingu podstránek
U řádků, které vypadají slibně, použij scraping podstránek a nech každý odkaz vést na web nebo detail firmy, odkud vytáhneš hlubší údaje jako co dělají, kde sídlí a jaký veřejný kontakt uvádějí. Tohle je krok, který z prostého řádku v adresáři udělá skutečný kvalifikovaný záznam účtu.
Krok 5: Ověř a vyčisti
Než se cokoli dostane do CRM, udělej náhodnou kontrolu vzorku. Ověř, že domény fungují, že důvod kvalifikace opravdu sedí, a vše nejasné označ jako needs_review místo odhadu. Tady také můžeš nechat e-maily validovat přes službu jako Hunter, pokud jsi našel legitimní veřejný kontaktní kanál — jen měj na paměti, že „platná“ e-mailová adresa ještě neznamená souhlas s marketingovým oslovováním.
Krok 6: Exportuj a pushni do CRM
Thunderbit exportuje zdarma do formátů jako CSV, Excel, Google Sheets, Airtable a Notion. Před importem do HubSpotu nebo Salesforce sjednoť hlavní identifikátor na doménu firmy — vlastní doporučení HubSpotu říká používat pro firmy doménu a pro kontakty e-mail, a Salesforce duplicate rules ti mohou import tiše zablokovat nebo označit, pokud to přeskočíš. Malá testovací dávka 20–30 řádků před plným importem mi už několikrát ušetřila dost nepříjemný úklid.
Tipy a časté chyby
Několik věcí, které bych dnes řekl každému, kdo s tím začíná. Nepovažuj nascrapovanou pracovní pozici nebo roli za důkaz nákupního záměru — je to nápověda, ne zelená karta. Nepředpokládej, že AI-extrahované pole je automaticky správně; před škálováním workflow si vždy něco náhodně zkontroluj. Jména kontaktů a přímé e-maily drž v oddělené, přísněji řízené části dat než firemní výzkum, protože B2B automaticky nevyjímá osobní údaje z pravidel ochrany soukromí. A nenech se ukolébat logikou „nástroj to technicky umí“ — compliance není o tom, co jde, ale co je povolené; kontroluj podmínky zdroje pokaždé, ne jen poprvé.
Web scraping vs. nákup databáze leadů
Oba přístupy mají své místo a tvrdit, že jeden je univerzálně lepší, by bylo trochu nepoctivé.
| Faktor | Web scraping (povolené zdroje) | Nákup databáze leadů |
|---|---|---|
| Čerstvost | Tak aktuální, jako byl tvůj poslední scrape | Často zastaralé během několika týdnů |
| Kvalita signálu | Vysoká — trigger i kontext máš pod kontrolou | Nízká — většinou jen statická firmografická data |
| Šíře pokrytí | Užší, závislá na zdroji | Širší, standardizovaná |
| Nákladový model | Hlavně tvůj čas + předplatné nástroje | Průběžné náklady za záznam nebo za uživatele |
| Compliance riziko | Zvladatelné, pokud pečlivě vybíráš zdroje a pole | Silně závislé na sourcing praktikách dodavatele |
| Nejlepší pro | Cílený outbound řízený signály | Široké mapování trhu, odhad velikosti TAM v rané fázi |
Upřímně: scrapuj, když potřebuješ kontext a timing — třeba seznam vystavovatelů z konkrétní akce, nově spuštěnou produktovou stránku konkurenta nebo firmu, která právě zveřejnila tři nové sales pozice. Kup nebo použij enrichment provider jako Apollo, když potřebuješ široké, standardizované pokrytí a jsi ochotný si sám ověřit čerstvost. Tyto přístupy se navzájem nevylučují; spousta týmů scrapuje kvůli signálu a teprve potom obohacuje kvalifikované účty, místo aby si navždy vybrali jen jednu cestu.
Reálný scénář
Řekněme, že prodáváš software pro fleet management a chceš najít rostoucí logistické firmy. Scraping veřejného registru dopravců od státní DOT nebo členského adresáře oborové asociace ti dá názvy firem, lokace a kategorii velikosti flotily — všechno veřejné, všechno povolené. Pak projdeš na web každé firmy a ověříš, že skutečně funguje, a vezmeš jejich obecný kontakt. To může být třeba 200 kvalifikovaných účtů místo 5 000 neověřených jmen, ale každý z nich stojí za čas SDR týmu, a to je ten skutečný cíl.
Scraping pro B2B leady funguje nejlépe tehdy, když s ním přestaneš zacházet jako se stavbou seznamu a začneš ho chápat jako výzkum s lepšími nástroji. Viděl jsem obchodní týmy, které z 150 dobře kvalifikovaných účtů dostaly víc pipeline než z 10 000 koupených kontaktů — jednoduše proto, že oslovení bylo relevantní, ne generické. Pokud přemýšlíš, kam AI scraping zapadá do širšího sales procesu, stojí za to projít si, jak AI mění lead generation a jak sales týmy AI používají v praxi — obojí jde víc do hloubky než samotný krok scrapování.
Vybudovat takový pipeline vyžaduje o něco víc nastavení než stažení seznamu kontaktů, to je pravda. Ale účty, které pak dostaneš, od tebe skutečně chtějí slyšet — a vzhledem k tomu, že jsem za roky poslal do prázdna spoustu cold e-mailů, můžu říct, že těch třicet minut navíc za to stojí.
Nejčastější dotazy
Je legální scrapovat B2B firemní data z webu?
Záleží výhradně na zdroji. Veřejné firemní weby, státní registry a adresáře, které to výslovně povolují, se obecně pro výzkumné účely scrapovat dají. Weby jako LinkedIn a Google Maps mají ve svých podmínkách scraping výslovně zakázaný, bez ohledu na to, co je technicky možné. Před scrapingem si vždy zkontroluj podmínky použití a robots.txt vnímej spíš jako instrukci pro crawlery než jako právní povolení.
Jaký je v tomto kontextu rozdíl mezi „leadem“ a „kontaktem“?
Kontakt je jen jméno a cesta, jak ho zastihnout. Lead je, pokud je udělaný správně, záznam o firmě podložený důkazy, že odpovídá tvému ideálnímu zákaznickému profilu, plus časově označený signál vysvětlující, proč ji oslovuješ právě teď. Hromadný scraping kontaktů bez tohoto kontextu je důvod, proč tolik cold outreach kampaní podává slabé výsledky.
Můžou AI scraping nástroje zaručit, že jsou data přesná?
Ne, a každý nástroj, který tvrdí opak, by měl vzbudit nedůvěru. AI extrakce je velmi dobrá ve strukturování chaotických stránek, ale stále může špatně přečíst nejednoznačná pole. Náhodná kontrola vzorku před škálováním scrapu je zvyk, který stojí za to si udržet bez ohledu na použitý nástroj.
Mám e-maily scrapovat přímo, nebo použít až potom enrichment nástroj?
Enrichment nástroje bývají spolehlivější při hledání a ověřování e-mailů konkrétních kontaktů než přímý scraping z webových stránek, a obvykle také jasně uvádějí stav ověření. Můj doporučený postup je nejdřív scrapovat kvalifikaci na úrovni firmy a teprve potom obohacovat jen ty účty, které už prošly tvými kritérii — je to efektivnější a snižuje to i compliance riziko.
Jak se vyhnu importu duplicitních leadů do CRM?
Jako hlavní identifikátor před importem používej doménu firmy, ne název firmy — názvy mají příliš mnoho variant, aby se podle nich dalo spolehlivě deduplikovat. HubSpot i Salesforce mají dokumentaci k tomu, jak fungují jejich matching rules, a malý testovací batch před ostrým importem zachytí většinu problémů dřív, než se promění v nepořádek v pipeline.
