Tanıdığım her kurucu bir noktada, on binlerce “doğrulanmış” kişilik bir liste satın alıp yanıt oranının sıfıra yakınlarda gezdiğini görmüştür. Kariyerimin başlarında ben de aynısını yaptım ve bunu bana hızlıca öğretti: bir yığın e-posta bir satış hattı değildir. Asıl fark yaratan şey, hangi şirketlerle konuşmaya değer olduğunu ve neden değer olduğunu bilmektir — bu da internetteki isimleri toplamakla kıyaslanamayacak kadar farklı bir problemdir.
Web scraping çoğu zaman “Cuma gününe kadar 10.000 lead çıkar” gibi bir kestirme yol olarak pazarlanır. Ancak 2026’da gerçekten işe yarayan araçlar daha faydalı bir şeye odaklanır: gerçek satın alma sinyali gösterdiği anda, gerçek kanıtlarla desteklenen doğru hesapları bulmak. Thunderbit’te satış için veri toplama konusunu epey düşündüm ve en iyi sonuçları alan ekipler en çok satır kazıyanlar değil — doğru satırları, bağlamla birlikte toplayanlar.
Web Scraping ile B2B Lead Bulmak Tam Olarak Ne Demek?
İnsanların çoğu “lead scrape etmek” denince, bir dizin sayfasını çekip ad, unvan ve e-posta içeren bir CSV döken bir araç hayal eder. Bu lead generation değildir — bu, iletişim toplama işlemidir ve pek çok satış ekibinin bounce oranı yüksek, dönüşümü düşük listelerle kalmasının nedeni de budur.
Gerçek bir lead kaydı yalnızca bir isimden ibaret olamaz. Şunları içermelidir: hesap kimliği (şirket adı ve kanonik alan adı), şirketin ideal müşteri profilinize gerçekten uyduğuna dair kanıt, neden şimdi iletişime geçmenin anlamlı olduğunu gösteren zaman damgalı bir sinyal, iletişime geçmek için izinli bir yöntem, verinin nereden geldiğine dair kayıt ve sonra yeniden gözden geçirilebilecek bir durum bilgisi. Uzun bir liste gibi görünüyor ama özünde süreç basit: herkese açık ve izinli bir kaynaktan başla, şirketin kimliğini doğrula, uyum kanıtlarını topla, tetikleyici olayı not et, en az müdahaleci iletişim yolunu bul, bunu doğrula, yinelenenleri ayıkla ve ardından CRM’e aktar. Bu adımlardan birini atlarsanız, herkesin zaten nefret ettiği şeye dönüşür: yabancıların isimlerini içeren bir tablo.
Bu Neden Her Zamankinden Daha Önemli?
AI, scraping’i başlatmayı inanılmaz kolay, ama yanlış yapmayı da ölçekte inanılmaz kolay hale getirdi. Birkaç yıl önce scraper geliştirmek için ya bir geliştirici tutmanız ya da hafta sonu XPath selector’larıyla uğraşmanız gerekirdi. Şimdi herkes bir AI scraper’ı bir sayfaya yöneltip dakikalar içinde yapılandırılmış veri alabiliyor. Bu, üretkenlik açısından harika; ama aynı zamanda daha fazla satış ekibinin niteliksiz ve doğrulanmamış veriyi CRM’lerine eskisinden daha hızlı boşaltması anlamına geliyor. Sonradan bunu temizlemek, ilk seferde düzgün yapmak kadar kolay değil; hatta çoğu zaman çok daha fazla zaman alıyor.
Aynı anda, düzenleyici çerçeve de araçlar akıllandı diye değişmiş değil. Birleşik Krallık Bilgi Komiserliği Ofisi, kamuya açık iş iletişim bilgilerinin hâlâ UK GDPR kapsamına girebileceğini ve doğrudan pazarlama itirazlarının B2B bağlamında bile dikkate alınması gerektiğini açıkça belirtti. ABD’de ise FTC’nin CAN-SPAM rehberi B2B e-postalar için bir istisna tanımıyor — her ticari mesajın doğru başlıklara, çalışan bir çıkış seçeneğine ve 10 iş günü içinde işlenmiş abonelikten çıkma taleplerine sahip olması gerekiyor. Bunların hiçbiri egzotik bir hukuk detayı değil; farkında olsanız da olmasanız da uyum içinde çalıştığınız temel kurallar bunlar.
Başlamadan Önce: Ortamı ve Kullanım Şartlarını Okuyun
Açık konuşayım: scraper’ınız ne kadar iyi olursa olsun her site serbest bölge değildir. Google Maps kullanım şartları, Maps içeriğini dışa aktarmayı veya toplu şekilde scrape etmeyi açıkça yasaklar. LinkedIn Kullanıcı Sözleşmesi scraping’i ve yetkisiz otomasyonu doğrudan yasaklar. Clutch’ın mevcut şartları da manuel veya otomatik scraping’i engeller. Bunlar gizli maddeler değil — herhangi bir araca yönelmeden önce kontrol etmeniz gereken ilk şeyler. Bu konu hakkında özellikle LinkedIn scraping üzerine daha fazla yazdım, çünkü bu soru sürekli gündeme geliyor.
Robots.txt’yi anlamak önemlidir, ama bunu hukuki bir yeşil ışık gibi görmek doğru değildir. IETF’nin kendi tanımına göre bu bir tarama talimatıdır; izin sistemi veya erişim kontrol mekanizması değildir. Bir site robots.txt’de taramaya izin verip kullanım şartlarında scraping’i yine de yasaklayabilir — ve bir uyuşmazlıkta genellikle şartlar üstün gelir. Benim temel kuralım şu: Bir site veriyi görmek için giriş istiyorsa, önünde CAPTCHA varsa ya da kullanım şartlarında herhangi bir yerde açıkça “no scraping” diyorsa, bu bir veri kaynağı değil, atlanması gereken bir kaynaktır.
B2B araştırması için daha güvenli ve daha kullanışlı olan herkese açık kaynaklar arasında şirket web siteleri, devlet kayıtları, izin verilen katılımcı ve iş ortaklığı dizinleri, kariyer sayfaları ve basın odaları yer alır. Örneğin SEC’nin EDGAR API’leri, API anahtarı gerektirmeden ücretsiz kamu JSON kayıtları ve XBRL verisi sağlar — sadece otomatik isteklerinizi SEC’nin kendi oran sınırı rehberliğine göre saniyede 10 isteğin altında tutun.
Tam Akış: Ham Scrape’den CRM’e Hazır Lead’lere
Benim gerçekten önereceğim sıra şu olurdu; bu aslında “scraping”den çok, merkezinde scraper olan küçük bir araştırma sürecidir.
Önce, izin verilen bir herkese açık kaynak seçin ve yalnızca organizasyon seviyesindeki alanları toplayın: şirket adı, alan adı, kaynak URL’si, kategori, konum ve ilk etapta dikkat etmenize neden olan sinyal (bir iş ilanı, basın bülteni, etkinlik listesi gibi). İkinci olarak, umut vadeden hesaplar için asıl web sitelerine gidip ne yaptıklarını, nerede faaliyet gösterdiklerini ve hangi herkese açık iletişim yolunun bulunduğunu doğrulayın. Üçüncü olarak, yalnızca nitelik barajınızı geçmiş hesapları doğrulayın ve zenginleştirin — henüz incelemediğiniz şirketler için enrichment kredilerini harcamayın. Dördüncü olarak, herhangi bir şey içe aktarılmadan önce mevcut CRM verilerinizle yinelenenleri ayıklayın. Beşinci olarak, satış ekibinizin neyin incelendiğini ve neyin hâlâ gözden geçirilmesi gerektiğini bilmesi için bir durum alanıyla içeri aktarın.
Son kısım, insanların düşündüğünden daha önemlidir. Her kaydı candidate_account, qualified_account, contact_ready, needs_review veya rejected gibi etiketlerle işaretlemenizi öneririm. SDR ekibiniz “bir dakika, bu şirketin ICP’mize uyduğunu gerçekten biri kontrol etti mi?” diye sorduğunda, omuz silkmek yerine cevap verebilene kadar bu gereksiz bir detay gibi görünebilir.
Yüksek Sinyalli B2B Hesapları Nerede Bulursunuz?
En iyi sinyaller gizli değil — sadece çoğu ekibin sistematik olarak bakmadığı kaynaklara dağılmış durumda. Şirket kariyer sayfaları, hangi pozisyonlar için işe alım yaptıklarını gösterir; bu da neye yatırım yaptıklarına dair iyi bir işaret olabilir. Basın odaları ve haber sayfaları; fonlama, genişleme ve ürün lansmanlarını ortaya koyar. Ortaklık ve katılımcı sayfaları (scraping’e izin verildiğinde), belirli bir ekosistemde kimlerin aktif olduğunu gösterir. Kamu kayıtları ise, özellikle büyük şirketlerde, finansal sağlık ve stratejik önceliklere LinkedIn gönderilerinin asla vermeyeceği şekilde ışık tutar.
Bu sinyallerin hiçbiri tek başına satın alma niyetini kanıtlamaz — “Satış Direktörü” ilanı veren bir şirket yarın ürününüzü almaya hazır demek değildir. Ama bunları bir araya getirip kendi ICP kriterlerinizle eşleştirdiğinizde, altı ay önce bir lead marketplace’ten alınmış ve artık yüzde 20 eskimiş statik bir listeden çok daha iyi bir filtre elde edersiniz.
AI Destekli Scraping Denklemı Nasıl Değiştiriyor?
Burada işler, beş-altı yıl önce yaptığım scraping’den gerçekten farklılaşıyor. Eski usul scraping, her sayfa düzeni için ayrı ayrı selector yazmayı gerektirirdi; site HTML’ini yeniden tasarladığı an scraper bozulurdu. AI destekli scraping araçları sayfayı bir insan gibi okur — CSS path’lerin kırılganlığına bel bağlamak yerine, bağlama göre “bu şirket adı, bu konum, bu iş unvanı” diye anlayabilir.
Bu değişim sayesinde Thunderbit gibi bir araç, bir liste sayfasına bakıp AI Suggest Fields ile doğru sütunları otomatik olarak önerebilir; sizin tek tek alan eşleştirmeniz gerekmez. Hatta düz İngilizceyle ne istediğinizi yazabilirsiniz — örneğin “şirket adı, web sitesi, sektör ve konumu getir” — AI bunu nasıl çekeceğini çözer. Eskiden bir site için scraper yapılandırması hazırlamaya yarım gün harcayan ekiplerle konuştum; şimdi birkaç tık ve bir gözden geçirme adımı yetiyor. Bunun nedeni uyum kurallarının değişmiş olması değil — değişmedi — teknik bariyerin ciddi şekilde düşmüş olması. AI scraping alanındaki bu dönüşümün daha geniş resmine bakmak isterseniz, AI web scraping ve eski kural tabanlı yaklaşımla karşılaştırmasını anlattığımız yazımıza göz atmanızı öneririm.
Alt Sayfa Problemi (Neden Sadece Liste Sayfası Yeterli Değil?)
Yeni başlayan hemen herkesi yakalayan bir nokta var: liste sayfası hiçbir zaman tüm hikâye değildir. Bir dizin sayfası size şirket adını ve bir bağlantıyı verebilir; ama gerçekten ihtiyacınız olan kanıt — şirketin ne yaptığı, nerede merkezlendiği, hangi sektöre hizmet verdiği — genellikle bir tık daha derinde, şirketin kendi detay sayfasında veya web sitesinde bulunur.
Yüzlerce satırı bir dizinden çekip sonra “lead”lerin yarısında niteliklendirme için kritik olan tek alanın eksik olduğunu fark eden ekipler gördüm. Alt sayfa scraping özelliğinin ayrı bir kategori olarak var olmasının tam sebebi bu. İyi bir scraper, liste sayfasına gidip her şirketin detay sayfası bağlantısını alabilmeli, sonra bu bağlantıyı otomatik olarak takip edip daha derin alanları çekmeli ve her şeyi tek, temiz bir satırda birleştirmelidir. Bu adımı atlarsanız, lead’leri şirket adı ve tahmine göre nitelendiriyorsunuz demektir.
Adım Adım: Thunderbit ile B2B Lead Bulma
Bunu, gerçekten kendim yapıyormuşum gibi, hedef bir dizin ve bir fincan kahveyle oturup anlatacağım.
1. Adım: Thunderbit’i Kurun ve Hedef Dizininizi Açın
Thunderbit Chrome Extension’ı indirin ve izin verilen bir herkese açık kaynağa gidin — bir katılımcı listesi, sektör dizini, kariyer panosu; ICP’nize ne uyuyorsa. Devam etmeden önce sitenin şartlarının bu kullanım türüne izin verdiğini doğrulayın; bu adım iki dakika sürer ve sonra başınız ağrımaz.
2. Adım: “AI Suggest Fields”e Tıklayın
Sütunları elle tek tek tanımlamak yerine, AI’nin sayfa yapısını inceleyip şirket adı, web sitesi, konum ve kategori gibi alanlar önermesine izin verin. Bunları düzenleyebilir veya kendi isteğinizi düz metinle ekleyebilirsiniz — örneğin “bu şirketin hizmet verdiği sektörü çıkar” gibi bir alan talimatı gayet işe yarar.
3. Adım: Scrape’i Başlatın
Çekimi başlatın ve listenin üzerinde çalışmasına izin verin; eğer dizin birden fazla sayfaya yayılıyorsa sayfalandırmayı da kapsasın. Bu, “ham” çekimdir — yalnızca şirket düzeyi tanımlayıcılar; henüz özel iletişim bilgisi sayılmaz.
4. Adım: Alt Sayfa Scraping ile Zenginleştirin
Umut vadeden satırlar için alt sayfa scraping kullanarak her şirketin bağlantısını kendi sitesine veya detay sayfasına takip edin; ne yaptıkları, nerede oldukları ve listelenmiş herkese açık iletişim yolu gibi daha derin alanları çekin. Bu adım, sade bir dizin satırını gerçek bir nitelikli hesap kaydına dönüştürür.
5. Adım: Doğrulayın ve Temizleyin
CRM’e dokunmadan önce küçük bir örnek üzerinde kontrol yapın. Alan adlarının çözüldüğünü, niteliklendirme nedeninin gerçekten geçerli olduğunu doğrulayın ve belirsiz olan her şeyi tahmin etmek yerine needs_review olarak işaretleyin. Eğer meşru bir herkese açık iletişim yolu belirlediyseniz, Hunter gibi bir servisle e-posta doğrulaması da burada yapılır — ama “geçerli” bir e-posta adresinin o kişiye pazarlama izni anlamına gelmediğini unutmayın.
6. Adım: Dışa Aktarın ve CRM’e Gönderin
Thunderbit, CSV, Excel, Google Sheets, Airtable ve Notion gibi formatlara ücretsiz dışa aktarım yapar. HubSpot veya Salesforce’a aktarmadan önce, ana anahtar olarak şirket alan adı üzerinde standardize olun — HubSpot’un kendi içe aktarma rehberi şirketler için alan adını, kişiler için e-postayı önerir; Salesforce’un yinelenen kayıt kuralları da bunu atladığınızda içe aktarmanızı sessizce engelleyebilir veya işaretleyebilir. Tam içe aktarmadan önce 20-30 satırlık küçük bir test paketi, beni birden fazla kez daha dağınık temizlik işlerinden kurtardı.
İpuçları ve Sık Yapılan Hatalar
Bu sürece bugün başlayan herkese söyleyeceğim birkaç şey var. Scrape edilmiş bir iş unvanını ya da rolü satın alma niyetinin kanıtı gibi görmeyin — bu sadece bir ipucudur, yeşil ışık değil. AI’nın çıkardığı bir alanın otomatik olarak doğru olduğunu varsaymayın; ölçeği büyütmeden önce örnek kontrolü yapın. Adı geçen kişiler ve doğrudan e-postalar, şirket düzeyindeki araştırmanızdan daha dikkatli yönetilmesi gereken ayrı bir veri alanında tutulmalı; çünkü B2B olması, kişisel veriyi gizlilik kurallarından otomatik olarak muaf kılmaz. Ve “araç teknik olarak bunu yapabiliyor” cümlesinin uyum politikanız haline gelmesine izin vermeyin — kaynağın şartlarını ilk seferde değil, her seferinde kontrol edin.
Web Scraping mi, Lead Veritabanı Satın Almak mı?
Her iki yaklaşımın da yeri var ve birinin her durumda daha iyi olduğunu iddia etmek biraz dürüst olmaz.
| Faktör | Web Scraping (İzin Verilen Kaynaklar) | Lead Veritabanı Satın Almak |
|---|---|---|
| Güncellik | Son scrape’iniz kadar güncel | Çoğu zaman haftalar içinde bayatlar |
| Sinyal kalitesi | Yüksek — tetikleyici ve bağlamı siz kontrol edersiniz | Düşük — genelde yalnızca statik firma verileri |
| Kapsam genişliği | Daha dar, kaynağa bağlı | Daha geniş, standartlaştırılmış |
| Maliyet modeli | Çoğunlukla zamanınız + araç aboneliği | Sürekli kayıt başı veya kullanıcı başı maliyet |
| Uyum riski | Kaynaklar ve alanlar dikkatle seçilirse yönetilebilir | Sağlayıcının kendi veri toplama pratiklerine çok bağlı |
| En iyi kullanım | Hedefli, sinyal odaklı outbound | Geniş pazar haritalama, erken aşama TAM boyutlandırma |
Benim dürüst görüşüm şu: bağlama ve zamana ihtiyaç duyduğunuzda scrape edin — örneğin belirli bir etkinliğin katılımcı listesi, rakibin yeni yayınlanan ürün sayfası, ya da üç yeni satış ilanı açmış bir şirket. Geniş, standartlaştırılmış kapsama ihtiyaç duyduğunuzda ve güncelliği kendiniz doğrulamayı göze aldığınızda Apollo gibi satın alınmış ya da enrichment sağlayıcılarını kullanın. Bu ikisi birbirinin alternatifi olmak zorunda değil; pek çok ekip sinyal için scrape yapıp, ardından nitelikli hesapları zenginleştiriyor.
Gerçek Dünya Senaryosu
Diyelim ki filo yönetimi yazılımı satıyorsunuz ve büyüyen lojistik şirketlerini bulmak istiyorsunuz. Bir eyaletin DOT kamu taşıyıcı kaydı ya da bir sektör birliğinin üye dizinini scrape etmek size şirket adları, konumlar ve filo büyüklüğü kategorileri verir — hepsi kamuya açık, hepsi izinli. Sonra her şirketin kendi sitesine alt sayfa ile girip gerçekten faal olup olmadığını doğrular ve genel iletişim hattını alırsınız. Bu belki 5.000 doğrulanmamış isim yerine 200 nitelikli hesap demektir; ama her biri bir SDR’ın zamanına değerdir, asıl hedef de budur.
B2B lead için scraping, onu liste oluşturma gibi değil de daha iyi araçlarla yapılan bir araştırma olarak görmeye başladığınızda en iyi sonucu verir. Satış ekiplerinin 10.000 satın alınmış kontak yerine 150 iyi nitelikli hesaptan daha fazla pipeline çıkardığını gördüm; çünkü ulaşım genel değil, ilgiliydi. AI scraping’in geniş satış sürecinizde nereye oturduğunu düşünüyorsanız, AI’nin lead generation’ı nasıl dönüştürdüğünü ve satış ekiplerinin AI’yı gün içinde gerçekten nasıl kullandığını anlatan içeriklerimize de bakmaya değer — ikisi de scraping adımının ötesindeki iş akışlarını daha derin anlatıyor.
Bu tür bir pipeline kurmak, bir iletişim listesini indirip kullanmaktan biraz daha fazla kurulum ister; doğru. Ama sonunda elinizdeki hesaplar sizinle gerçekten konuşmak ister. Yıllar içinde boşluğa atılmış bolca soğuk e-posta göndermiş biri olarak söylüyorum: o ekstra otuz dakikalık kurulum buna kesinlikle değer.
SSS
Web’den B2B şirket verisi scrape etmek yasal mı?
Tamamen kaynağa bağlıdır. Kamuya açık şirket web siteleri, devlet kayıtları ve bunu açıkça izin veren dizinler genellikle araştırma amaçlı scrape etmek için uygundur. LinkedIn ve Google Maps gibi siteler, teknik olarak mümkün olan ne olursa olsun, şartlarında scraping’i açıkça yasaklar. Scrape etmeden önce mutlaka sitenin kullanım şartlarını kontrol edin ve robots.txt’yi hukuki izin değil, tarama talimatı olarak değerlendirin.
Bu bağlamda “lead” ile “contact” arasındaki fark nedir?
Contact, yalnızca bir isim ve ona ulaşma yoludur. Lead ise doğru yapıldığında, ideal müşteri profilinize uyduğunu kanıtlayan verilerle desteklenmiş bir şirket kaydı ve neden şimdi iletişime geçtiğinizi açıklayan zaman damgalı bir sinyal içerir. Bu bağlam olmadan toplu contact scraping yapmak, pek çok soğuk erişim kampanyasının neden zayıf kaldığını açıklar.
AI scraping araçları verinin doğru olduğunu garanti edebilir mi?
Hayır; aksi yönde iddia eden her araca şüpheyle bakmak gerekir. AI çıkarımı karmaşık sayfaları yapılandırmada çok iyidir, ancak belirsiz alanları yine de yanlış okuyabilir. Hangi aracı kullanırsanız kullanın, ölçeklendirmeden önce örnek kontrolü yapmak alışkanlık olarak korunmalıdır.
E-postaları doğrudan mı scrape etmeliyim, yoksa sonra bir enrichment aracı mı kullanmalıyım?
Named contact e-postalarını doğrudan sayfalardan çekmeye çalışmak yerine, enrichment araçları bunları bulma ve doğrulamada genellikle daha güvenilirdir ve doğrulama durumunu daha net belgeleyebilir. Benim önerim, önce şirket düzeyinde niteliklendirme yapmak; ardından yalnızca uygunluk kriterlerinizi geçmiş hesapları zenginleştirmektir — daha verimlidir ve uyum riskinizi azaltır.
CRM’e yinelenen lead aktarmayı nasıl önlerim?
İçe aktarmadan önce birincil tanımlayıcı olarak şirket adını değil, şirket alan adını baz alın — isimlerde güvenilir deduplikasyon için çok fazla varyasyon vardır. HubSpot ve Salesforce’un eşleştirme kurallarının nasıl çalıştığına dair dokümantasyonu vardır ve tam içe aktarma öncesi küçük bir test paketi çalıştırmak, sorunların çoğunu daha pipeline’ınız kirlenmeden yakalar.
