Każdy founder, którego znam, przynajmniej raz kupił listę dziesięciu tysięcy „zweryfikowanych” kontaktów i patrzył, jak współczynnik odpowiedzi kręci się gdzieś przy zerze. Ja zrobiłem dokładnie to samo na początku kariery i szybko nauczyło mnie to jednego: garść adresów e-mail to jeszcze nie pipeline. To, co naprawdę pcha sprzedaż do przodu, to wiedza, które firmy warto w ogóle brać na rozmowę i dlaczego — a to zupełnie inny problem niż samo zbieranie nazw z internetu.
Web scraping często sprzedaje się jako skrót do „10 000 leadów do piątku”, ale narzędzia, które naprawdę działają w 2026 roku, służą do czegoś znacznie bardziej praktycznego: wyszukiwania realnych kont, popartych konkretnymi przesłankami, dokładnie wtedy, gdy pojawia się sygnał zakupowy. Spędziłem w Thunderbit sporo czasu, myśląc o tym, jak ludzie pozyskują dane do sprzedaży, i najlepsze wyniki osiągają nie zespoły, które scrapują najwięcej wierszy, tylko te, które zbierają właściwe wiersze — z kontekstem.
Co tak naprawdę znaczy znajdowanie leadów B2B za pomocą web scrapingu?
Większość osób słysząc „scrapować leady” wyobraża sobie narzędzie, które zaciąga stronę katalogu i wyrzuca CSV z nazwami, stanowiskami i e-mailami. To nie jest generowanie leadów — to zbieranie kontaktów, dlatego tak wiele zespołów sprzedażowych kończy z listami, które odbijają się od serwerów i konwertują jeszcze gorzej.
Prawdziwy rekord leada potrzebuje czegoś więcej niż imienia i nazwiska. Potrzebuje identyfikacji konta (nazwy firmy i kanonicznej domeny), dowodu, że firma faktycznie pasuje do Twojego idealnego profilu klienta, sygnału z datą, który pokazuje, dlaczego właśnie teraz warto się odezwać, dozwolonego sposobu kontaktu, informacji o źródle danych oraz statusu, do którego można wrócić później. Brzmi to jak dużo, ale sprowadza się do prostej sekwencji: zacznij od publicznego, dozwolonego źródła, potwierdź tożsamość firmy, zbierz dowody dopasowania, zanotuj zdarzenie wyzwalające, znajdź minimalną drogę kontaktu, zweryfikuj ją, usuń duplikaty, a potem wprowadź dane do CRM. Pomiń jeden krok, a skończysz z tym, czego wszyscy już nie cierpią — arkuszem z przypadkowymi nazwiskami.
Dlaczego to dziś ważniejsze niż kiedykolwiek
AI sprawiło, że rozpoczęcie scrapowania jest absurdalnie proste — i równie łatwo zrobić to źle na dużą skalę. Jeszcze kilka lat temu stworzenie scrapera wymagało programisty albo weekendu walki z selektorami XPath. Dziś każdy może wskazać AI scraperowi stronę i w kilka minut dostać uporządkowane dane. To świetne dla produktywności, ale oznacza też, że coraz więcej zespołów sprzedażowych wrzuca do CRM-ów szybciej niż kiedykolwiek dane niezweryfikowane i niekwalifikowane, a późniejsze sprzątanie kosztuje dużo więcej czasu niż zrobienie tego dobrze za pierwszym razem.
Jednocześnie otoczenie regulacyjne nie zmieniło się tylko dlatego, że narzędzia stały się mądrzejsze. Brytyjskie Information Commissioner's Office jasno wskazuje, że publicznie dostępne biznesowe dane kontaktowe nadal mogą podlegać pod UK GDPR, a sprzeciw wobec marketingu bezpośredniego trzeba respektować także w kontekście B2B. W USA wytyczne FTC dotyczące CAN-SPAM również nie robią wyjątku dla e-maili B2B — każda wiadomość komercyjna nadal musi mieć poprawne nagłówki, działający opt-out i respektowanie wypisania w ciągu 10 dni roboczych. To nie są prawnicze ciekawostki; to baza, na której działasz, niezależnie od tego, czy masz tego świadomość.
Zanim zaczniesz: sprawdź zasady gry (i regulamin)
Powiem wprost: nie każda strona nadaje się do scrapowania, bez względu na to, jak dobry jest Twój scraper. Regulamin Google Maps wprost zakazuje eksportowania lub masowego scrapowania treści z Maps. User Agreement LinkedIn zabrania scrapowania i nieautoryzowanej automatyzacji. Aktualne warunki Clutch również zakazują ręcznego i automatycznego scrapowania. To nie są ukryte klauzule — to pierwsze rzeczy, które powinieneś sprawdzić, zanim skierujesz jakiekolwiek narzędzie na daną stronę, i pisałem o tym szerzej w kontekście scrapowania LinkedIn, bo temat pojawia się cały czas.
Warto rozumieć robots.txt, ale nie należy traktować go jako zielonego światła prawnego. Zgodnie z własną specyfikacją IETF to instrukcja dla crawlerów, a nie system uprawnień czy mechanizm kontroli dostępu. Strona może pozwalać na crawling w robots.txt, a jednocześnie zakazywać scrapowania w regulaminie — i to regulamin zwykle ma większe znaczenie w sporze. Moja zasada jest prosta: jeśli do zobaczenia danych trzeba się zalogować, przed treścią stoi CAPTCHA albo regulamin wprost mówi „no scraping”, to jest to źródło do pominięcia, a nie zagadka do rozwiązania.
Publiczne źródła, które zwykle są bezpieczniejsze i bardziej przydatne w researchu B2B, to strony firmowe, rejestry urzędowe, katalogi wystawców i partnerów, jeśli użycie jest dozwolone, strony kariery i newsroomy. Na przykład API SEC EDGAR udostępnia publiczne pliki JSON i dane XBRL bez potrzeby używania klucza API — wystarczy trzymać się limitu automatycznych zapytań na poziomie nie większym niż 10 na sekundę, zgodnie z wytycznymi SEC.
Pełny proces: od surowego scrapingu do leadów gotowych do CRM
Oto sekwencja, którą naprawdę polecam — i jest to bardziej mini proces researchowy z scraperem w centrum niż samo „scrapowanie”.
Najpierw wybierz dozwolone publiczne źródło i pobierz wyłącznie pola na poziomie organizacji: nazwę firmy, domenę, URL źródła, kategorię, lokalizację oraz sygnał, który sprawił, że w ogóle zwróciłeś na tę firmę uwagę (ogłoszenie o pracę, komunikat prasowy, lista wydarzenia). Po drugie, dla kont, które wyglądają obiecująco, wejdź na ich prawdziwą stronę i potwierdź, czym się zajmują, gdzie mają siedzibę i jaki publiczny kanał kontaktu istnieje. Po trzecie, weryfikuj i wzbogacaj wyłącznie te konta, które już przeszły Twój próg kwalifikacji — nie marnuj kredytów na wzbogacanie danych na firmach, których jeszcze nie sprawdziłeś. Po czwarte, usuń duplikaty względem istniejących danych w CRM, zanim cokolwiek zostanie zaimportowane. Po piąte, wgraj dane ze statusem, aby zespół sprzedaży wiedział, co zostało przejrzane, a co nadal wymaga uwagi.
Ostatni element ma większe znaczenie, niż ludziom się wydaje. Polecam oznaczać każdy rekord czymś w rodzaju candidate_account, qualified_account, contact_ready, needs_review albo rejected. Brzmi jak przesada, dopóki zespół SDR nie zapyta: „chwila, czy ktoś w ogóle sprawdził, czy ta firma pasuje do naszego ICP?” — a Ty masz odpowiedź, zamiast wzruszenia ramionami.
Gdzie szukać kont B2B o wysokiej wartości sygnału
Najlepsze sygnały nie są ukryte — po prostu są porozrzucane po źródłach, których większość zespołów nie sprawdza systematycznie. Strony kariery firm mówią, kogo i na jakie stanowiska zatrudniają, co jest całkiem niezłym wskaźnikiem tego, w co inwestują. Newsroomy i strony z komunikatami prasowymi pokazują finansowanie, ekspansję i premiery produktów. Strony partnerów i wystawców (jeśli scraping jest dozwolony) pokazują, kto aktywnie działa w danym ekosystemie. Publiczne raporty, szczególnie dla większych firm, ujawniają kondycję finansową i priorytety strategiczne w sposób, którego nigdy nie pokaże post na LinkedIn.
Żaden z tych sygnałów sam w sobie nie dowodzi intencji zakupowej — ogłoszenie na stanowisko „VP of Sales” nie oznacza, że firma jutro kupi Twój produkt. Ale zestawione razem i dopasowane do własnych kryteriów ICP są dużo lepszym filtrem niż statyczna lista kupiona na marketplace z leadami pół roku temu, która jest już w 20% nieaktualna.
Dlaczego scraping wspierany przez AI zmienia zasady gry
To właśnie tutaj różnica względem scrapowania, które pamiętam sprzed pięciu czy sześciu lat, jest naprawdę duża. Tradycyjne scrapowanie oznaczało pisanie selektorów dla każdego układu strony, a gdy tylko witryna zmieniała HTML, scraper przestawał działać. Narzędzia AI do scrapowania czytają stronę bardziej jak człowiek — rozumieją kontekstowo, że „to jest nazwa firmy, to jest lokalizacja, to jest stanowisko”, zamiast opierać się na kruchych ścieżkach CSS.
Ta zmiana sprawia, że narzędzie takie jak Thunderbit może spojrzeć na stronę z listą i dzięki AI Suggest Fields automatycznie zaproponować właściwe kolumny, zamiast zmuszać Cię do ręcznego mapowania każdego pola. Możesz też po prostu wpisać, czego chcesz, prostym językiem — na przykład „pobierz nazwę firmy, stronę WWW, branżę i lokalizację” — a AI samo rozgryzie, jak to wyciągnąć. Rozmawiałem z zespołami, które kiedyś spędzały pół dnia na jednym serwisie, tworząc konfigurację scrapera; dziś robią to kilkoma kliknięciami i jednym przeglądem wyników. To nie dlatego, że zmieniły się zasady zgodności — nie zmieniły się — tylko dlatego, że techniczna bariera robienia tego dobrze spadła ogromnie. Jeśli chcesz zobaczyć, jak ta zmiana wygląda szerzej w obszarze AI scrapingu, warto zajrzeć do naszego omówienia AI web scrapingu i porównania z dawnym podejściem opartym na regułach.
Problem z podstronami (dlaczego sama strona listy zostawia Cię w połowie drogi)
Jest coś, co potyka prawie każdego na starcie: strona listy nigdy nie opowiada całej historii. Katalog może dać nazwę firmy i link, ale rzeczywiste dowody, których potrzebujesz — czym firma się zajmuje, gdzie ma siedzibę, jaką branżę obsługuje — zwykle są o jeden klik głębiej, na własnej podstronie szczegółów albo stronie firmowej.
Widziałem zespoły, które scrapowały setki wierszy z katalogu, a potem odkrywały, że połowie „leadów” brakuje jedynego pola, które faktycznie miało znaczenie dla kwalifikacji. Właśnie dlatego subpage scraping istnieje jako osobna kategoria funkcji, a nie miły dodatek. Dobry scraper powinien umieć wejść na stronę listy, zebrać link do podstrony każdej firmy, a następnie automatycznie przejść dalej i pobrać głębsze pola, po czym połączyć wszystko w jeden czysty wiersz. Pomiń ten krok, a kwalifikujesz leady na podstawie nazwy firmy i zgadywania.
Krok po kroku: znajdowanie leadów B2B z Thunderbit
Przejdę przez to tak, jak zrobiłbym to sam, siadając z docelowym katalogiem i kubkiem kawy.
Krok 1: Zainstaluj Thunderbit i otwórz docelowy katalog
Pobierz rozszerzenie Thunderbit do Chrome i przejdź do dozwolonego publicznego źródła — listy wystawców, branżowego katalogu, tablicy ofert pracy, czegokolwiek, co pasuje do Twojego ICP. Zanim pójdziesz dalej, potwierdź, że regulamin strony pozwala na takie użycie; ten krok zajmuje dwie minuty i oszczędza nerwy później.
Krok 2: Kliknij „AI Suggest Fields”
Zamiast ręcznie klikać po stronie i definiować kolumny, pozwól AI przyjrzeć się jej strukturze i zaproponować pola, takie jak nazwa firmy, strona internetowa, lokalizacja i kategoria. Możesz je edytować albo dodać własne, używając prostego języka — coś w stylu „wyciągnij branżę, którą obsługuje ta firma” działa dobrze jako instrukcja pola.
Krok 3: Uruchom scraping
Rozpocznij ekstrakcję i pozwól jej przejść przez stronę listy oraz paginację, jeśli katalog obejmuje kilka stron. To jest „surowy” pobór — tylko identyfikatory na poziomie firmy, nic, co uznałbyś jeszcze za prywatny kontakt.
Krok 4: Wzbogacaj dane przez subpage scraping
Dla wierszy, które wyglądają obiecująco, użyj subpage scrapingu, aby przejść linkiem do strony każdej firmy lub jej podstrony szczegółowej, pobierając głębsze dane, takie jak czym się zajmują, gdzie mają siedzibę i jaki publiczny kanał kontaktu został podany. To właśnie ten krok zamienia surowy wiersz z katalogu w realny, zakwalifikowany rekord konta.
Krok 5: Zweryfikuj i oczyść dane
Zanim cokolwiek trafi do CRM, sprawdź próbkę ręcznie. Potwierdź, że domeny działają, że powód kwalifikacji faktycznie się broni, i wszystko niejednoznaczne oznacz jako needs_review zamiast zgadywać. To też moment, w którym możesz zweryfikować e-maile przez usługę taką jak Hunter, jeśli znalazłeś legalny publiczny kanał kontaktu — pamiętaj tylko, że „prawidłowy” adres e-mail nie oznacza zgody na marketing do tej osoby.
Krok 6: Eksportuj i wgraj do CRM
Thunderbit eksportuje dane za darmo do formatów takich jak CSV, Excel, Google Sheets, Airtable i Notion. Zanim zaimportujesz dane do HubSpot lub Salesforce, ujednolić domenę firmy jako główny identyfikator — własne wytyczne HubSpot przy imporcie rekomendują domenę dla firm i e-mail dla kontaktów, a reguły duplikatów w Salesforce mogą po cichu zablokować lub oznaczyć import, jeśli to pominiesz. Mała testowa partia 20–30 wierszy przed pełnym importem nie raz oszczędziła mi dużo trudniejszego sprzątania.
Wskazówki i najczęstsze błędy
Kilka rzeczy, które powiedziałbym każdemu, kto zaczyna dziś ten proces. Nie traktuj zeskrobanej nazwy stanowiska ani roli jako dowodu zamiaru zakupu — to wskazówka, nie zielone światło. Nie zakładaj, że pole wyciągnięte przez AI jest automatycznie poprawne; sprawdź próbkę, zanim skalujesz jakikolwiek workflow. Trzymaj imienne kontakty i bezpośrednie adresy e-mail w osobnej, dużo lepiej kontrolowanej części zbioru danych niż badania na poziomie firm, bo B2B nie zwalnia automatycznie danych osobowych z przepisów prywatności. I nie pozwól, żeby „narzędzie technicznie potrafi” stało się Twoją polityką zgodności — sprawdzaj regulamin źródła za każdym razem, nie tylko pierwszy.
Web scraping kontra kupowanie bazy leadów
Oba podejścia mają swoje miejsce i udawanie, że jedno jest zawsze lepsze, byłoby trochę nieuczciwe.
| Czynnik | Web scraping (dozwolone źródła) | Kupowanie bazy leadów |
|---|---|---|
| Aktualność | Tak aktualne, jak ostatni scraping | Często nieaktualne już po kilku tygodniach |
| Jakość sygnału | Wysoka — kontrolujesz wyzwalacz i kontekst | Niska — zwykle tylko statyczne dane firmograficzne |
| Szerokość pokrycia | Węższa, zależna od źródła | Szersza, bardziej ustandaryzowana |
| Model kosztów | Głównie Twój czas + subskrypcja narzędzia | Stały koszt za rekord lub stanowisko |
| Ryzyko zgodności | Do opanowania, jeśli źródła i pola są dobrze dobrane | Silnie zależy od praktyk pozyskiwania danych przez dostawcę |
| Najlepsze zastosowanie | Celowany outbound oparty na sygnałach | Szerokie mapowanie rynku, wczesne szacowanie TAM |
Szczerze mówiąc: scrapuj, kiedy potrzebujesz kontekstu i odpowiedniego timingu — listę wystawców z konkretnego wydarzenia, nowo uruchomioną stronę produktu konkurenta, firmę, która właśnie opublikowała trzy oferty pracy w sprzedaży. Kupuj dane albo korzystaj z providerów enrichment, takich jak Apollo, kiedy potrzebujesz szerokiego, ustandaryzowanego pokrycia i jesteś gotów samodzielnie sprawdzać aktualność. Te dwa podejścia się nie wykluczają; wiele zespołów scrapuje sygnały, a potem wzbogaca tylko zakwalifikowane konta, zamiast wybierać jedną ścieżkę na zawsze.
Przykład z prawdziwego świata
Załóżmy, że sprzedajesz oprogramowanie do zarządzania flotą i chcesz znaleźć rozwijające się firmy logistyczne. Scrapowanie publicznego rejestru przewoźników stanowego DOT albo branżowego katalogu członków daje Ci nazwy firm, lokalizacje i kategorie wielkości floty — wszystko publiczne, wszystko dozwolone. Następnie wchodzisz na strony tych firm, aby potwierdzić, że działają aktywnie, i pobierasz główny kontakt. To może być 200 zakwalifikowanych kont zamiast 5000 niezweryfikowanych nazw, ale każde z nich jest warte czasu SDR-a, a to właśnie jest prawdziwy cel.
Scraping do leadów B2B działa najlepiej wtedy, gdy przestajesz traktować go jak budowanie listy, a zaczynasz jak research z lepszymi narzędziami. Widziałem zespoły sprzedażowe, które wygenerowały więcej pipeline’u z 150 dobrze zakwalifikowanych kont niż z 10 000 kupionych kontaktów, po prostu dlatego, że outreach był trafny, a nie generyczny. Jeśli zastanawiasz się, gdzie AI scraping wpisuje się w szerszy proces sprzedaży, warto przeczytać, jak AI zmienia generowanie leadów i jak zespoły sprzedażowe faktycznie używają AI na co dzień — oba tematy idą głębiej niż sam krok scrapowania.
Zbudowanie takiego pipeline’u wymaga trochę więcej konfiguracji niż pobranie listy kontaktów, to prawda. Ale konta, które finalnie otrzymujesz, naprawdę chcą od Ciebie usłyszeć wiadomość — a to, mówię to jako ktoś, kto przez lata wysłał wiele zimnych maili w próżnię, jest warte tych dodatkowych trzydziestu minut przygotowania.
FAQ
Czy scrapowanie danych o firmach B2B z internetu jest legalne? To zależy wyłącznie od źródła. Publiczne strony firmowe, rejestry urzędowe i katalogi, które wyraźnie to dopuszczają, zwykle można scrapować w celach badawczych. Serwisy takie jak LinkedIn i Google Maps wprost zabraniają scrapowania w regulaminie, niezależnie od tego, co technicznie da się zrobić. Zawsze sprawdzaj regulamin strony przed scrapingiem i traktuj robots.txt jako instrukcję dla crawlera, a nie jako zgodę prawną.
Jaka jest różnica między „leadem” a „kontaktem” w tym kontekście? Kontakt to po prostu nazwisko i sposób dotarcia do osoby. Lead, zrobiony poprawnie, to rekord firmy poparty dowodami, że pasuje do Twojego idealnego profilu klienta, plus sygnał z datą, wyjaśniający, dlaczego kontaktujesz się właśnie teraz. Scrapowanie samych kontaktów bez tego kontekstu to główny powód, dla którego wiele kampanii cold outreach wypada słabo.
Czy narzędzia do scrapowania z AI mogą zagwarantować dokładność danych? Nie, i każde narzędzie, które twierdzi inaczej, powinno wzbudzić ostrożność. Ekstrakcja AI bardzo dobrze radzi sobie z porządkowaniem chaotycznych stron, ale nadal może błędnie odczytać niejednoznaczne pola. Sprawdzenie próbki przed skalowaniem scrapingu to nawyk, który warto zachować niezależnie od narzędzia.
Czy lepiej scrapować e-maile bezpośrednio, czy później użyć narzędzia do wzbogacania danych? Narzędzia do enrichmentu zwykle lepiej sprawdzają się przy znajdowaniu i weryfikacji imiennych adresów e-mail niż próba wyciągania ich bezpośrednio ze stron, a status weryfikacji jest zwykle lepiej udokumentowany. Moja rekomendacja jest taka: najpierw scrapuj i kwalifikuj na poziomie firmy, a dopiero potem wzbogacaj tylko te konta, które już przeszły Twoje kryteria dopasowania — to bardziej efektywne i zmniejsza ekspozycję na ryzyko zgodności.
Jak uniknąć importowania duplikatów leadów do CRM? Przed importem oprzyj się na domenie firmy jako głównym identyfikatorze, a nie na nazwie firmy — nazwy mają zbyt wiele wariantów, żeby dało się je wiarygodnie deduplikować. Zarówno HubSpot, jak i Salesforce mają dokumentację dotyczącą reguł dopasowania, a mała testowa partia przed pełnym importem wyłapie większość problemów, zanim staną się bałaganem w pipeline.
