Einblick

Scrape Data from Twitter (X.com) mit Python

aktualisiert am 13. Mai 2026

Social-Media-Plattformen wie X.com setzen strenge Anti-Scraping-Verteidigungsmechanismen ein, darunter CAPTCHA, Ratenbegrenzungen und IP-Blockaden. Diese Sicherheitsmaßnahmen machen den Aufbau eines benutzerdefinierten Scrapers von Grund auf sowohl schwierig als auch anfällig für häufige Unterbrechungen.

Dieser Leitfaden verwendet den Twitter-Scraper API, der eine zuverlässige und konforme Erfassung von Twitter-Daten ermöglicht, indem er Proxy-Rotation und ethische Datenerfassung verwaltet.

So scrapen Sie Twitter-Daten mit Python

Schritt 1: Richten Sie Ihre Umgebung für das Twitter-Web-Scraping ein

Bevor Sie mit dem Scrapen von Twitter-Daten beginnen, müssen Sie Ihre Python-Umgebung vorbereiten.

In diesem Schritt importieren Sie die notwendigen Bibliotheken, fügen Ihre API Anmeldedaten hinzu (wir haben die Bright Data Twitter-Scraper API verwendet), konfigurieren einen Proxy und definieren Ihre Suchparameter.

1import requests
2import urllib.parse
3import re
4import time
5import json
6import pandas as pd
7import urllib3
8
9urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)
10
11API_TOKEN = "YOUR_BRIGHTDATA_API_TOKEN"
12X_DATASET_ID = "DATASET_ID_YOU_GET_FROM_BRIGHTDATA"
13
14proxy = {
15    "http": "YOUR_PROXY_ADDRESS',
16    "https": 'YOUR_PROXY_ADDRESS"
17}
18
19KEYWORD = "ai agent optimizing"
20NUM_POSTS = 5

Sie bereiten Ihren Arbeitsbereich vor, damit Ihr Twitter-Scraping-Python-Skript reibungslos ausgeführt werden und eine Verbindung zum Scraper herstellen kann.

Importieren Sie die Bibliotheken, die Sie für Anfragen, Datenanalyse und das Speichern von Ergebnissen verwenden werden.
Fügen Sie Ihre Anmeldedaten hinzu, Sie finden das API-Token und die Dataset-ID in Ihrem Dashboard.
Konfigurieren Sie einen Proxy, um Ihren Datenverkehr sicher zu leiten und IP-Blockaden beim Web-Scraping von Twitter-Inhalten zu vermeiden.
Legen Sie Ihr Keyword und Limit fest. In diesem Beispiel verfolgen Sie „KI agent optimizing“ und sammeln fünf Beiträge, aber Sie können NUM_POSTS erhöhen, um den Umfang Ihres Twitter-Daten-Scrapings zu erweitern.

Schritt 2: Finden Sie X-Post-URLs zum Scrapen

In diesem Schritt verwenden Sie Google Search, um öffentliche X-Post- (Tweet-) Links zu sammeln, die Ihrem Keyword entsprechen. Dieser einfache Trick ermöglicht es Ihnen, Twitter ohne API-Zugriff zu scrapen, indem Sie X/Twitter-URLs abfragen.

1all_urls = []
2start = 0
3max_pages = 5
4
5while len(all_urls) < NUM_POSTS and start < max_pages * 10:
6    query = f"site:x.com OR site:twitter.com {KEYWORD}"
7    encoded_query = urllib.parse.quote(query)
8    url = f"https://google.com/search?q={encoded_query}&start={start}&gl=us&hl=en&num=20"
9    
10    headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'}
11    
12    try:
13        response = requests.get(url, headers=headers, proxies=proxy, verify=False, timeout=30)
14        html = response.text
15    except Exception as e:
16        break
17
18    patterns = [
19        r'https://x.com/[^/]+/status/[0-9]+',
20        r'https://twitter.com/[^/]+/status/[0-9]+',
21    ]
22
23    found_urls = []
24    seen_urls = set()
25
26    for pattern in patterns:
27        matches = re.findall(pattern, html)
28        for match in matches:
29            clean_url = match.split("?")[0].split("#")[0]
30            clean_url = clean_url.replace('twitter.com', 'x.com')
31
32            if clean_url not in seen_urls:
33                seen_urls.add(clean_url)
34                found_urls.append(clean_url)
35
36    if not found_urls:
37        break
38
39    for found_url in found_urls:
40        if found_url not in all_urls:
41            all_urls.append(found_url)
42        if len(all_urls) >= NUM_POSTS:
43            break
44
45    if len(all_urls) >= NUM_POSTS:
46        break
47
48    start += 10
49    time.sleep(2)
50
51x_urls = all_urls[:NUM_POSTS]
52
53if not x_urls:
54    print("No X posts found!")
55    exit()

Dieses Skript erstellt eine Google-Abfrage, wie z. B. „site:x.com OR site:twitter.com “, um X/Twitter-Beiträge zurückzugeben. Es extrahiert Tweet-URLs, bereinigt sie, konvertiert alte twitter.com-Links in x.com und entfernt Duplikate.

Ein 2-Sekunden-Verzögerung ist zwischen den Anfragen enthalten, um die Server von Google zu respektieren, während genügend eindeutige URLs für Ihren Twitter-Daten-Scraping-Workflow gesammelt werden.

Schritt 3: Twitter-Scraping auslösen

Senden Sie die gesammelten URLs an den Scraper.

1trigger_url = "BRIGHTDATA_API_TRIGGER_ENDPOINT"
2headers = {
3    "Authorization": f"Bearer {API_TOKEN}",
4    "Content-Type": "application/json",
5}
6
7params = {
8    "dataset_id": X_DATASET_ID,
9    "include_errors": "true",
10}
11
12data = [{"url": u} for u in x_urls]
13
14try:
15    response = requests.post(trigger_url, headers=headers, params=params, json=data)
16
17    if response.status_code == 200:
18        result = response.json()
19        snapshot_id = result.get("snapshot_id")
20    else:
21        print("Could not start BrightData scraping")
22        exit()
23
24except Exception as e:
25    print("Could not start BrightData scraping")
26    exit()

Sobald wir alle X-Post-URLs gesammelt haben, müssen wir sie an den Web-Scraper zur Datenextraktion senden. Dieser Abschnitt stellt eine POST-Anfrage an den Trigger-Endpunkt von Bright Data mit unserem Authentifizierungstoken und der Dataset-ID. Dieselbe Methode, die viele Twitter-Web-Scraping-Pipelines bei der Verwaltung externer Datenerfassung verwenden.

Die URLs werden als Liste von JSON-Objekten formatiert, wobei jedes Objekt eine einzelne Post-URL enthält. Wenn die API diese Anfrage erfolgreich empfängt, gibt sie eine Snapshot-ID zurück, die als Referenz für diesen bestimmten Scraping-Job dient.

Falls der API-Aufruf aus irgendeinem Grund fehlschlägt, beendet das Skript mit einer Fehlermeldung. Dieser Schritt bildet die Grundlage des Twitter-Daten-Scrapings, eines skalierbaren und konformen Ansatzes für jeden, der lernen möchte, wie man Twitter-Daten sicher und effizient scrapen kann, ohne sich auf die offizielle API zu verlassen.

Schritt 4: Vollständiger Code und Speichern der gescrapten X.com-Daten

1snapshot_url = f"BRIGHTDATA_API_SNAPSHOT_ENDPOINT/{snapshot_id}"
2headers = {"Authorization": f"Bearer {API_TOKEN}"}
3
4start_time = time.time()
5max_wait_seconds = 15 * 60
6
7while True:
8    elapsed = time.time() - start_time
9    if elapsed > max_wait_seconds:
10        print("Timeout!")
11        exit()
12
13    try:
14        response = requests.get(snapshot_url, headers=headers)
15
16        try:
17            data = response.json()
18            status = data.get("status")
19
20            if status == "ready" or status == "done":
21                download_url = data.get("download_url")
22                if download_url:
23                    download_response = requests.get(download_url)
24
25                    items = []
26                    for line in download_response.text.strip().split('\n'):
27                        if line.strip():
28                            try:
29                                items.append(json.loads(line))
30                            except:
31                                pass
32
33                    if items:
34                        break
35
36                items = data.get("items", [])
37                break
38
39            elif status == "failed":
40                print("Scraping failed")
41                exit()
42
43        except json.JSONDecodeError:
44            items = []
45            for line in response.text.strip().split('\n'):
46                if line.strip():
47                    try:
48                        items.append(json.loads(line))
49                    except:
50                        pass
51
52            if items:
53                break
54
55            time.sleep(10)
56
57    except Exception as e:
58        time.sleep(10)
59
60if not items:
61    print("No data received")
62    exit()
63
64print(f"\n{'='*80}")
65print(f"RESULTS: {len(items)} X POSTS")
66print(f"{'='*80}\n")
67
68for i, item in enumerate(items[:5], 1):
69    url = item.get('url', 'N/A')
70    description = item.get('description', 'N/A')
71
72    try:
73        likes = int(item.get('likes', 0))
74    except (ValueError, TypeError):
75        likes = 0
76
77    try:
78        views = int(item.get('views', 0))
79    except (ValueError, TypeError):
80        views = 0
81
82    try:
83        reposts = int(item.get('retweets', 0))
84    except (ValueError, TypeError):
85        reposts = 0
86
87    try:
88        replies = int(item.get('replies', 0))
89    except (ValueError, TypeError):
90        replies = 0
91
92    hashtags = item.get('hashtags', [])
93
94    print(f"POST #{i}")
95    print(f"  URL: {url}")
96    print(f"  Description: {description}")
97    print(f"  Likes: {likes}")
98    print(f"  Views: {views}")
99    print(f"  Reposts: {reposts}")
100    print(f"  Replies: {replies}")
101    print(f"  Hashtags: {hashtags}")
102    print()
103
104csv_data = []
105for item in items:
106    try:
107        likes = int(item.get('likes', 0))
108    except (ValueError, TypeError):
109        likes = 0
110
111    try:
112        views = int(item.get('views', 0))
113    except (ValueError, TypeError):
114        views = 0
115
116    try:
117        reposts = int(item.get('retweets', 0))
118    except (ValueError, TypeError):
119        reposts = 0
120
121    try:
122        replies = int(item.get('replies', 0))
123    except (ValueError, TypeError):
124        replies = 0
125
126    hashtags = item.get('hashtags', [])
127    hashtags_str = ','.join(hashtags) if isinstance(hashtags, list) else str(hashtags)
128
129    csv_data.append({
130        'description': item.get('description', 'N/A'),
131        'url': item.get('url', 'N/A'),
132        'likes': likes,
133        'views': views,
134        'reposts': reposts,
135        'replies': replies,
136        'hashtags': hashtags_str
137    })
138
139df = pd.DataFrame(csv_data)
140df.to_csv('x_ai_agent_optimizing_posts.csv', index=False, encoding='utf-8-sig')
141
142print(f"\n{'='*80}")
143print("SAVED TO: x_ai_agent_optimizing_posts.csv")
144print(f"{'='*80}")

Der letzte Abschnitt wartet darauf, dass der Scraper fertig ist, und ruft dann die Ergebnisse für Ihren Twitter-Web-Scraping-Workflow ab. Da das Scrapen Zeit in Anspruch nehmen kann, fragt Ihr Skript den Snapshot-Status alle 10 Sekunden mit einem 15-Minuten-Timeout ab. Wenn der Status „ready“ oder „done“ wird, lädt es das Dataset über die bereitgestellte URL herunter.

Die Antwort kommt als NDJSON, sodass jede Zeile in ein Python-Wörterbuch geparst wird. Nachdem alle Daten gesammelt wurden, gibt das Skript die URL, Beschreibung und Engagement-Metriken (Likes, Views, Reposts, Replies, Hashtags) jedes Beitrags aus. Schließlich wird alles in einem pandas DataFrame organisiert und zur Berichterstellung oder Modellierung nach CSV exportiert.

Die try/except-Blöcke stellen sicher, dass numerische Felder sicher konvertiert werden (Behandlung unerwarteter Formate), was diesen Ansatz für Scraping-Twitter-Daten-Pipelines und Tutorials zum Scrapen von Twitter-Daten ohne die offizielle API zuverlässig macht.

Benchmark: Leistung & Zuverlässigkeit (kostenpflichtiges Tool vs. Open-Source)

Wir haben drei Konfigurationen mit denselben Themen durchgeführt:

Ein kostenpflichtiges Tool (verwalteter Scraping-Anbieter)
SN-Scraper (Open-Source)
Ein benutzerdefiniertes Headless-Browser-Skript. Jeder sammelte öffentliche Beiträge, analysierte das Engagement und speicherte die Daten in einer CSV.

Was wir beobachtet haben:

Durchsatz (Tweets/Min.): kostenpflichtige Twitter-Scraper > Headless-Browser > SN-Scraper.
Erfolgsrate: Das kostenpflichtige Tool bewältigte Layout-/Auth-Änderungen am konsistentesten.
Ingenieurszeit: Open-Source-Optionen benötigten die meisten Patches nach Seitenänderungen.

Für das laufende Twitter-Daten-Scraping können kostenpflichtige Web-Scraping-Tools Ausfälle und versteckte Kosten reduzieren, insbesondere wenn Sie Twitter-Daten kontinuierlich oder über viele Themen hinweg scrapen müssen.

Best Practices für das Twitter-Scraping

Die folgenden Punkte stabilisieren Ihre Twitter-Scraping-Python-Läufe und reduzieren Blockaden.

Pacing: Halten Sie eine 2-Sekunden-Verzögerung bei der Google-Entdeckung ein und erhöhen Sie schrittweise die Timeout-Dauer (10→20→40s) bei nachfolgenden Timeouts.
Identitäten rotieren: Verwenden Sie rotierende IPs/User-Agents (ein kostenpflichtiges Tool automatisiert dies normalerweise) für das Scraping von Twitter-Daten im großen Maßstab.
Concurrency begrenzen: Starten Sie 3–5 Worker; erhöhen Sie, wenn die Fehlerrate niedrig bleibt.
Cache & Dedupe: Laden Sie denselben Beitrag nicht erneut herunter; speichern Sie IDs und den letzten gesehenen Zeitstempel.
Zeitpläne verteilen: Verteilen Sie Läufe über den Tag.

Twitter-Aggregator (Planung + Dashboards)

Sobald Ihr Python-Twitter-Scraper läuft, können Sie ihn leicht zu einem Twitter-Aggregator weiterentwickeln, der kontinuierlich öffentliche X.com-Beiträge zu bestimmten Themen, Hashtags oder Influencern sammelt und visualisiert. Ein Aggregator ist ein automatisiertes System, das:

Beiträge sammelt aus mehreren Quellen oder Keywords
Daten bereinigt und speichert regelmäßig (stündlich oder täglich)
Einblicke anzeigt in einem Dashboard für schnelle Analysen

Ihr 4-Schritte-Tutorial führt alle Kernfunktionen aus: Entdeckung, Scraping und Export, was es zu einer geeigneten Grundlage für einen automatisierten Aggregator macht.

So bauen Sie Ihren Twitter-Aggregator

Regelmäßige Läufe planen: Verwenden Sie einen Cron-Job oder Workflow-Scheduler, um Ihr Skript automatisch auszuführen (z. B. jede Stunde). Rotieren Sie jedes Mal durch eine Liste von Themen oder Hashtags.
Deduplizieren und neue Daten anhängen: Nach jedem Lauf prüfen Sie auf Duplikate anhand von URL oder ID und hängen Sie frische Beiträge an Ihre CSV oder Datenbank an. Organisieren Sie Ergebnisse nach Tag (/data/x_posts/JJJJ-MM-TT/), damit sie später leicht abgefragt werden können.
Für Dashboards transformieren: Laden Sie Ihre CSVs in Google Data Studio, Tableau oder Python Notebooks, um Folgendes zu visualisieren:
- Anzahl der Beiträge pro Stunde/Tag
- Top-Autoren oder Hashtags
- Engagement-Trends (Likes, Views, Reposts)

Lassen Sie unser Team einen Ihrer Geschäftsprozesse kostenlos mit KI-Agenten automatisieren.

Einen Prozess automatisieren

Verwenden Sie Abfragemuster als Twitter-Finder (Personen & Beiträge)

Ihr Entdeckungsschritt kann mehr als nur Beiträge finden. Er kann Ihnen helfen, Personen, Influencer und wichtige Konten auf X.com mithilfe von Google-Suchoperatoren zu finden. Dies macht Ihren Scraper zu einem Twitter-Finder sowohl für Benutzerprofile als auch für themenbezogene Tweets.

Was ist ein Twitter-Finder?

Ein Twitter-Finder ist ein Suchworkflow, der identifiziert:

Personen oder Profile basierend auf Jobtitel, Bio oder Branchen-Keywords
Tweets oder Beiträge basierend auf bestimmten Themen, Hashtags oder Zeiträumen

Sie werden sich weiterhin auf den Google-site:x.com-Operator verlassen, um öffentliche Seiten zu finden, die Ihren Keywords entsprechen, ohne die Twitter-API zu benötigen.

Abfragemuster zum Finden von Profilen:

Diese Muster helfen Ihnen, Autorenseiten (keine Tweets) zu sammeln. Füttern Sie diese URLs in Ihren Scraper, um Felder wie user_posted, name, followers, is_verified und biography zu extrahieren. Um Profile zu finden, versuchen Sie:

1site:x.com "@<name>" -inurl:/status
2site:x.com "<role>" "<company>" -inurl:/status
3site:x.com "bio keyword" -inurl:/status
4

Dies verwandelt Ihr Projekt in einen einfachen Twitter-Profil-Scraper, ideal für Influencer-Entdeckung, Rekrutierung oder Marketingforschung.

Abfragemuster zum Finden von Beiträgen:

Für den Fokus auf Tweets oder Beiträge verwenden Sie:

1site:x.com "<keyword>" OR "<hashtag>"
2site:x.com "<topic>" after:2025-01-01
3

Diese Techniken verbessern sowohl die Recall (durch Anzeige relevanterer Tweets) als auch die Präzision (durch Reduzierung der Anzahl irrelevanter Ergebnisse). Durch die Anwendung dieser Abfrage-Tricks wird Ihr Scraper zu einem genauen Twitter-Finder.

Fehlerbehebung bei fehlenden Vorschauen mit einem Twitter-Debugger (Metadaten-Tipps)

Nutzer von Twitter-Debuggern möchten oft Link-Vorschauen (Twitter Cards/Open Graph) reparieren. Obwohl es sich nicht um Scraping handelt, ist es naheliegend und hilfreich.

Sorgen Sie dafür, dass Zielseiten og:title, og:description, og:image und das korrekte twitter:card-Meta enthalten.
Überprüfen Sie, ob Bilder HTTPS, zugänglich und innerhalb der Größenlimits sind.
Teilen Sie nach Metadaten-Updates erneut.

Ist das Scrapen von Twitter/X legal?

Xs Nutzungsbedingungen verbieten das Crawlen oder Scrapen des Dienstes ohne schriftliche Zustimmung. Öffentlich sichtbare Inhalte auf X sind nicht automatisch für die automatisierte Sammlung verfügbar. Unternehmen sollten Xs Nutzungsbedingungen, Datenschutzgesetze und Urheberrechtsvorschriften prüfen, bevor sie Daten außerhalb offizieller Kanäle sammeln.

Das rechtliche Risiko hängt von der Art und dem Volumen der gesammelten Daten ab. Es hängt auch davon ab, ob Login- oder Zugriffskontrollen umgangen werden, ob personenbezogene Daten beteiligt sind, wie Daten gespeichert oder geteilt werden und ob der Sammler eine Erlaubnis hat.

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

Als bevorzugte Quelle hinzufügen

Offizielle X-API vs. Web-Scraping

Die X-API v2 verwendet ein nutzungsabhängiges Preismodell, wobei die Kosten durch die Ressourcen bestimmt werden, die über API-Aufrufe abgerufen werden. Laut der X-Dokumentation hat jeder Lesevorgang, Beitrag, Benutzer, Follower, Liste, Medieninhalt und Trend einen spezifischen Preis. Zum Beispiel kostet das Lesen eines Beitrags 0,005 $, während das Lesen eines Benutzers oder Followers/Followings 0,010 $ pro Ressource kostet.¹

Es kann jedoch für den groß angelegten Einsatz kostspielig werden, hat Limits für einige Endpunkte und erfüllt möglicherweise nicht alle historischen oder Entdeckungsbedürfnisse.

Aktuelle Trends für das Twitter-Web-Scraping

KI-native Scraping (MCP-Integration)

Ein großer Trend im Jahr 2026 ist der Wechsel von traditionellen Codierungstools wie Python und BeautifulSoup zum Model Context Protocol (MCP). Anstatt Skripte zu schreiben und zu aktualisieren, fragen Benutzer die benötigten Daten ab, und das MCP-Tool übernimmt Extraktion, Bereinigung und Formatierung.

Wechsel zum vollständigen Browser

Einfache Headless-Browser wie Puppeteer oder Selenium werden schnell von Xs fortschrittlicher TLS-Fingerprinting erkannt. Daher verwenden Top-Unternehmen Stealth-Browser und Playwright mit Plugins, die vollständige Browsersitzungen ausführen.

Diese Tools kopieren menschliche Aktionen, wie das zufällige Bewegen der Maus und das Ändern von Timing, um Xs maschinellen Lern-Anti-Bot-Systemen zu entgehen.

FAQs

Ja. Ihre Ausgabe enthält Medienfelder (z. B. photos, videos, external_*). Speichern Sie diese URLs und laden Sie später herunter, wenn Ihr Anwendungsfall dies erfordert. Für den Maßstab speichern Sie Links zusammen mit Metadaten (Größe und Typ), um die Speicherkosten niedrig zu halten.

Verwenden Sie rotierende Residential- oder ISP-Proxies. Sie bieten einen besseren Ruf als grundlegende Datacenter-Pools und reduzieren Soft-Blocks. Wenn Sie ein kostenpflichtiges Tool verwenden, ist eine hochwertige Rotation normalerweise enthalten, praktisch für langlaufende Twitter-Scraping-Jobs.

Wenn Ihr Fokus auf Medien liegt, wird derselbe Ablauf zu einem Twitter-Media-Scraper, der Bild/Video-Links im großen Maßstab erfasst. So passen Sie Ihren Pipeline an:

* Behalten Sie Schritt 2 Keyword-Entdeckung bei, aber neigen Sie Abfragen zu medienreichen Beiträgen: „topic“ (photo OR video) site:x.com. In Ihren Ergebnissen lesen Sie photos, videos, external_image_urls und external_video_urls.

* Speichern Sie URLs, keine Binärdateien. Das Herunterladen von Medien kann ein zweiter, ratenbegrenzter Job sein (parallele Warteschlange, Prüfsumme, Wiederholungen).

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

Cem Dilmegani (2026) - "Scrape Data from Twitter (X.com) mit Python". Online veröffentlicht auf AIMultiple.com. Abgerufen am 13. Mai 2026, von: https://aimultiple.com/twitter-web-scraping [Online-Ressource]

Dilmegani, C. (2026, 13. Mai). Scrape Data from Twitter (X.com) mit Python. AIMultiple. https://aimultiple.com/twitter-web-scraping

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Scrape Data from Twitter (X.com) mit Python}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/twitter-web-scraping}},
  note   = {AIMultiple. Abgerufen am 13. Mai 2026}
}

Referenzlinks

Pricing - X

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Kommentare 1

Teilen Sie Ihre Gedanken

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Jones

Sep 20, 2023 at 12:10

You cannot access tweets for free using the API. Twitter (X) charges developers at minimum $100/month to use the API to access tweets. The free developer option is limited to posting only, which is not what you'd want to scrape Twitter for anyway.