Förra veckan visade en av våra säljteammedlemmar mig ett kalkylark med 4 000 kontakter som de hade köpt från en dataleverantör. Svarsfrekvens efter två veckors outreach? 0,3 %. Studsfrekvens? Över 12 %. Den listan kostade riktiga pengar och gav nästan ingenting tillbaka.
De flesta leadlistor år 2026 är döda redan från start. Hunter's State of Email Outreach, som bygger på 31 miljoner mejl skickade under 2025, rapporterar en genomsnittlig svarsfrekvens för kall e-postsekvens på bara 4,5 % — och det är snittet, vilket betyder att många kampanjer ligger långt under det. Samtidigt säger Salesforce's 2026 State of Sales att den genomsnittliga säljaren bara ägnar 40 % av arbetsveckan åt faktisk försäljning; resterande 60 % går till administration, research och — just det — prospektering.
Så om du ändå ska lägga tid på att bygga en lista, bör den vara en lista som faktiskt får svar. Den här guiden går igenom hela arbetsflödet för 2026: att definiera din ICP, hitta leads bortom LinkedIn, bygga en vettig mall, verifiera data så att din studsfrekvens inte sabbar avsändarryktet, poängsätta leads innan du skickar, och hålla allt uppdaterat över tid. Jag har dessutom delat upp det efter budget, så du kan komma igång för 0 kr redan idag.
- Svårighetsgrad: Nybörjare
- Tidsåtgång: Cirka 2–3 timmar för dina första 50–100 leads
- Det du behöver: Chrome-webbläsare, Thunderbit-tillägget, ett Google Sheet eller annat kalkylark, och din ICP nedskriven
Bygg leadlistor med AI-scraping Get Started Free
Vad är en leadlista egentligen, och varför misslyckas så många?
En leadlista är ett strukturerat dataset med potentiella köpare — personer och företag som du vill nå ut till. Den innehåller vanligtvis fält på personnivå (namn, jobbtitel, e-post, telefon, LinkedIn-URL) och på företagsnivå (bransch, storlek, omsättning, plats). Det är grunden i all outbound-försäljning.
Det många team gör fel är att de blandar ihop en leadlista med en dump av kontakter. En bra leadlista svarar på varför just det här företaget och varför just den här personen, just nu. En köpt lista från en slumpmässig leverantör svarar ofta bara: "här är en e-postadress som kanske fortfarande funkar". Skillnaden i resultat är enorm.
Leadlistor är också en del av en större livscykel. En lead är någon som kan passa din målmarknad. En MQL (marketing qualified lead) har visat viss relevans eller engagemang. En SQL (sales qualified lead) är redo för direkt uppföljning. En opportunity är en aktiv affär. Din leadlista är toppen av tratten — och om toppen är full av skräp, drabbas allt längre ner.
De vanligaste anledningarna till att leadlistor faller platt:
- Föråldrad data: ZeroBounce rapporterar att minst 23 % av en e-postlista förfaller inom ett år. Det betyder att nästan en fjärdedel av dina kontakter blir dåliga var tolfte månad.
- Fel kontakter: Rollbaserade adresser (info@, sales@) i stället för direkta kontakter. Otydliga titlar som "Staff" som inte säger någonting om beslutsmandat.
- Inga urvalskriterier: Volym som låtsas vara strategi. Som en forumdeltagare uttryckte det: "Ofta blandar vi ihop volym med kvalitet."
- Ingen verifiering: Validitys CRM-data-rapport för 2024 visade att 24 % av CRM-administratörer tycker att mindre än hälften av deras CRM-data är korrekt och komplett, och 31 % säger att dålig CRM-data kostar minst 20 % av årsomsättningen.
- Volym framför kvalitet: Hunters data visar att kampanjer som riktar sig till 21–50 mottagare i snitt får 6,2 % svarsfrekvens, medan kampanjer med 501+ mottagare bara når 2,4 %. Mindre och mer träffsäkert slår större och slarvigare.
Mallen för leadlistan: Hur ditt kalkylark faktiskt bör se ut
Jag har gått igenom dussintals guider om "hur man bygger en leadlista", och det som stör mig är detta: alla säger "lägg in kontaktinfo, firmografisk data och ett lead score" — men nästan ingen visar faktiskt hur kalkylarket ska se ut. Så här är det där underlaget som alla andra missar.
Rekommenderade startkolumner
Ditt kalkylark för leadlistan bör ha dessa kolumner från dag 1:
| Kolumn | Vad den ska innehålla | Bra data | Dålig data |
|---|---|---|---|
| Fullständigt namn | Personens riktiga namn | "Jordan Lee" | "Sales Team" |
| Jobbtitel | Specifik nuvarande roll | "VP of Sales" | "Staff" |
| Företag | Juridiskt namn eller handelsnamn | "Acme Logistics" | "Acme?" |
| Bransch | Standardiserad kategori | "B2B SaaS" | "Tech-ish" |
| Företagsstorlek | Antal anställda i intervall | "51-200" | Tomt |
| E-post | Direkt affärs-e-post | "jordan@acme.com", verifierad | "info@acme.com" |
| Telefon | Direkt nummer eller huvudnummer, formaterat | E.164-format | Blandade lokala format |
| LinkedIn-URL | Profil eller företagssida | Komplett URL | Sökresultats-URL |
| Källa | Var posten kommer ifrån | "G2 category page, May 2026" | "Internet" |
| Intent-signal | Varför nu | "Hiring 3 SDRs", "new funding" | Tomt |
| Lead Score | Numerisk prioritering | 70/100 med regler | Maggropskänsla |
| Senast kontaktad | Datum för outreach | "2026-05-26" | "Recently" |
| Anteckningar | Relevant kontext | "Uses Shopify Plus" | Lång ostrukturerad inklistring |
Exempel på leadlista (anonymiserad)
Så här ser en ifylld lista faktiskt ut — 10 rader som täcker olika personas:
| Fullständigt namn | Jobbtitel | Företag | Bransch | Storlek | E-post | Källa | Intent-signal | Poäng |
|---|---|---|---|---|---|---|---|---|
| Alex M. | VP Sales | Mid-market SaaS vendor | SaaS | 201-500 | direct verified | G2 category | Hiring AEs | 78 |
| Priya S. | Head of Ops | DTC apparel brand | Ecommerce | 51-200 | direct verified | Shopify showcase | Expanding fulfillment | 72 |
| Marcus T. | Founder | Local agency | Professional services | 11-50 | direct verified | Clutch | New reviews | 66 |
| Elena R. | Revenue Ops Manager | Cybersecurity startup | SaaS | 51-200 | catch-all flagged | Conference speakers | Series A | 61 |
| Ben C. | Owner | HVAC contractor | Local services | 11-50 | main office email | Google Business | High review volume | 48 |
| Mina K. | Director of Partnerships | Marketplace company | Ecommerce | 201-500 | direct verified | Event agenda | Sponsoring event | 74 |
| Diego P. | Real Estate Broker | Regional brokerage | Real estate | 11-50 | direct verified | Association directory | New office page | 58 |
| Sarah N. | Customer Support Lead | B2B software company | SaaS | 51-200 | role-based removed | Capterra | Low support reviews | 44 |
| Omar A. | IT Manager | Manufacturing firm | Manufacturing | 501-1000 | direct verified | Company team page | ERP migration mention | 69 |
| Lena W. | Growth Marketing Lead | Fintech startup | SaaS | 51-200 | direct verified | Product Hunt | New launch | 71 |
Vad varje kolumn betyder, och hur "bra" data ser ut
Några kolumner förtjänar lite extra förklaring:
- Jobbtitel: "VP of Sales" säger att personen har budgetansvar. "Staff" säger ingenting. Sikta alltid på specifika titlar som visar beslutsmakt eller påverkan.
- E-post: En personlig företagsadress (jordan@acme.com) är guld. En rollbaserad adress (sales@acme.com) är nästan värdelös för kall outreach — den landar i en gemensam inkorg som ingen bevakar.
- Källa: Det här är kolumnen de flesta hoppar över, men den är viktigast över tid. Att spåra var varje lead kom ifrån visar vilka kanaler som faktiskt genererar svar, inte bara rader. "G2 category page, May 2026" är användbart. "Internet" är det inte.
- Intent-signal: Det här är kolumnen för "varför nu". Ett företag som precis tagit in en Series A, lagt ut tre SDR-jobb eller lanserat en ny produkt är ett varmare lead än ett som bara tuffar på i tysthet. Om du inte kan hitta en intent-signal kanske leadet inte är värt att prioritera.
Hur Thunderbits AI-förslag för fält bygger din mall åt dig
En av de saker jag är mest stolt över med Thunderbit är att du inte behöver gissa vilka kolumner du ska skapa. När du öppnar Thunderbit på en sida med många potentiella leads — en katalogsida, ett teamkonto på ett företag eller en lista över talare på en konferens — och klickar på "AI Suggest Fields", läser AI:n sidan och föreslår automatiskt rätt kolumnnamn och datatyper. Om sidan har namn, e-post, titlar och företagsinfo föreslår Thunderbit exakt de kolumnerna.
Det här är särskilt användbart för nybörjare som stirrar på ett tomt kalkylark och tänker: "Vilka fält ska jag ens fånga upp?" Thunderbit svarar på den frågan åt dig, utifrån den faktiska datan som finns på källsidan. Sedan klickar du på "Scrape", och exporterar direkt till Google Sheets, Excel, Airtable eller Notion.
Testa Thunderbits AI-förslag för fält
Så definierar du din Ideal Customer Profile (ICP) innan du bygger en leadlista
Det största misstaget jag ser team göra — och som jag själv har gjort — är att bygga listan innan de bestämmer vem som faktiskt ska finnas på den. Då sitter du med ett kalkylark fullt av namn, men utan någon klarhet i varför någon av dem skulle bry sig om din produkt.
Din ICP är beskrivningen av det företag och den person som mest sannolikt köper av dig, får nytta av din produkt och stannar kvar. Det är inte en övning i att skapa personas; det är ett filter för målgruppsval.
ICP-komponenter
| ICP-del | Fråga | Exempel | |---|---|---|---| | Bransch | Vilka kategorier har problemet? | B2B SaaS, ecommerce, professional services | | Företagsstorlek | Vilka storleksintervall kan köpa nu? | 51-500 anställda | | Geografi | Var kan vi sälja och ge bra stöd? | USA, Kanada, Storbritannien | | Omsättningsspann | Vilket revenue-intervall passar? | $5M-$100M ARR | | Köptitlar | Vem äger problemet/budgeten? | VP Sales, RevOps, Head of Ops | | Trigger | Vad gör tajmingen akut? | Rekrytering, finansiering, migrering, dåliga recensioner | | Smärtpunkt | Vilket problem känner de av? | Manuellt listbygge, föråldrad data, långsam enrichment | | Diskvalificerare | Vem ska bort? | Studenter, hobbyverksamheter, konkurrenter |
Praktisk övning: Titta på dina 5–10 bästa befintliga kunder. Vad har de gemensamt? Bransch? Storlek? Titeln på personen som skrev under avtalet? Skriv ner 3–5 gemensamma egenskaper. Det är ditt första ICP-utkast.
Firmografisk data vs demografisk data: vad spelar störst roll?
Firmografisk data är företagsnivådata: bransch, storlek, omsättning, plats. Demografisk data i B2B-sammanhang är personnivådata: titel, senioritet, funktion, avdelning. För B2B-leadlistor hjälper firmografi dig att snäva in företaget och demografi att snäva in personen. Du behöver båda. Ett perfekt företag med fel kontakt är en bortkastad rad. En perfekt kontakt på fel företag är lika värdelös.
En sak till som är värd att notera: Sopro's 2025 prospecting data, som analyserade 119,57 miljoner prospecting-touchpoints, fann att den genomsnittliga beslutsenheten låg på runt 4,14 intressenter. Så en bra leadlista innehåller ofta mer än en kontakt per målaccount — men inte så många att din outreach börjar kännas som spam.
Bortom LinkedIn: Var du hittar leads på webbplatser, kataloger och sociala medier
En innehållslucka som överraskade mig när jag researchade detta ämne: 5 av 6 topprankade artiklar om "hur man bygger en leadlista" leder läsaren mot LinkedIn Sales Navigator som den primära källan. Och visst, Sales Navigator är kraftfullt. Men det är också dyrt (ungefär $99+/månad för Core), och riktiga användare klagar ofta på exportbegränsningar, överlastade gränssnitt och problem med scraping.
Verkligheten 2026 är att leads finns överallt — inte bara på LinkedIn. Företagswebbplatser, branschkataloger, event-sidor, recensionssajter och till och med sociala profiler är rika källor till kontaktdata, ofta färskare och mer specifika än vad du hittar i en betald databas.
Jämförelse av leadkällor
| Leadkälla | Bäst för | Metod | Kostnad |
|---|---|---|---|
| Företagswebbplatser / Om oss-sidor | Nischad B2B, lokala tjänster, byråer | Besök team-/kontaktsidor, extrahera namn/e-post/telefon | Gratis |
| Branschkataloger (Clutch, G2, Yelp) | Tjänstebaserade leads, vertikala ekosystem | Filtrera efter kategori/plats, scrapa listningar | Gratis till låg kostnad |
| Deltagar- och talarlistor från event | B2B-prospects med hög intent | Konferensagendor, sponsorsidor, webinarregistreringar | Gratis till betalt event-access |
| Recensionssajter (G2, Capterra, Google Business) | SaaS och lokala företag | Bläddra i kategorier, extrahera företagskontakter | Gratis |
| Sociala medier (Instagram, X) | B2C, personliga varumärken, lokala företag | Publika bios, företagssidor | Gratis |
| Google site:-operatorer | Långsvansad upptäckt, riktade kontaktsidor | Avancerade sökfrågor | Gratis |
| LinkedIn (basic) | Professionell sökning | Manuell sökning, publika profiler | Gratis |
| LinkedIn Sales Navigator | Mogna outbound-team | Avancerade filter, sparade leads, TeamLink | $99+/månad |
Användbara kataloger per vertikal
| Vertikal | Källor som är värda att scrapa |
|---|---|
| SaaS | G2, Capterra, Product Hunt, SaaSworthy, AWS Marketplace, Chrome Web Store-kategorier |
| Ecommerce | Shopify stores/showcases, BuiltWith-listor, Klaviyo-partnerkataloger |
| Fastigheter | Realtor-kataloger, mäklarbyråers kontorssidor, lokala MLS-sidor, handelskammare |
| Professionella tjänster | Clutch, DesignRush, UpCity, GoodFirms, lokala jurist-/redovisningskataloger |
| Lokala företag | Google Business-resultat, Yelp, Yellow Pages, BBB, lokala handelskammar-sidor |
| Event | Sponsorsidor, exhibitor-sidor, talarlistor, landningssidor för webinarier |
Googles avancerade sökoperatorer för leadjakt
De här är gratis och förvånansvärt kraftfulla. Några exempel:
site:clutch.co/agencies "B2B SaaS" "United States"— hittar byrålistningar på Clutch filtrerade efter kategori och platssite:company.com ("email" OR "contact") "VP Sales"— hittar kontaktsidor på ett specifikt företags webbplats som nämner en VP Salesintitle:"sponsors" "SaaS" "2026" "conference"— hittar sponsorsidor för SaaS-event 2026site:g2.com/categories "sales engagement" "mid-market"— hittar G2-kategorisidor för sales engagement-verktyg för mid-market
Googles egen hjälpsida för sökning dokumenterar exakta citattecken och operatorer som site:, så du kan dubbelkolla syntaxen där.
Så scrapar du kontakter från vilken webbplats som helst med en AI Web Scraper
Det här är där Thunderbit passar naturligt in i arbetsflödet. För vilken källa som helst ovan — en Clutch-katalog, en team-sida på ett företag, en talarlista för en konferens — är processen densamma:
- Öppna sidan i Chrome med Thunderbit-tillägget installerat.
- Klicka på "AI Suggest Fields". Thunderbits AI läser sidan och föreslår kolumner som Name, Email, Phone, Title, Company.
- Granska de föreslagna fälten och lägg till eller ta bort vid behov.
- Klicka på "Scrape".
- Exportera till Google Sheets, Excel, Airtable eller Notion.
Den stora fördelen är att Thunderbit fungerar på stökiga, icke-standardiserade sajter där ingen färdig scraper-mall skulle täcka layouten. AI:n läser varje sida på nytt och anpassar sig efter strukturen den möter. Thunderbits kostnadsfria Email Extractor och Phone Number Extractor ger 1-klicksextraktion från vilken sida som helst — obegränsat på gratisnivån.
Använd subpagescraping för att berika din leadlista
Ett arbetsflöde jag använder ofta: scrapa först en katalogsida (t.ex. en lista med företag på Clutch) och använd sedan Thunderbits Subpage Scraping för att besöka varje företags egen sida och hämta mer data — e-post, telefonnummer, antal anställda, teknisk stack, beskrivningar.
Det förvandlar en enkel kataloglista till en berikad, research-redo leadlista utan något manuellt klickande. Du går från "här är 50 företagsnamn" till "här är 50 företag med kontaktmejl, teamstorlek och beskrivningar" i ett automatiserat svep. Om du vill lära dig mer om web scraping utan kod har vi gått igenom det på djupet.
Så bygger du en leadlista steg för steg (arbetsflödet för 2026)
Nedan följer hela arbetsflödet, upplagt för en icke-teknisk sälj- eller operationsperson som vill bygga en riktig leadlista redan idag.
Steg 1: Spika din ICP
Innan du öppnar något verktyg, skriv ner dina ICP-kriterier (gå tillbaka till ICP-avsnittet ovan). Bransch, företagsstorlek, geografi, köptitlar, triggers och diskvalificerare. Det tar 15–30 minuter och sparar timmar av onödig scraping.
Steg 2: Välj dina leadkällor
Utifrån din ICP och budget väljer du 2–3 leadkällor från jämförelsetabellen. Min rekommendation: börja med gratis källor först. Om du riktar dig mot SaaS-bolag, testa G2-kategorisidor och företags team-sidor. Om du riktar dig mot lokala företag, börja med Google Business-resultat och Yelp. Lägg till betalda källor som Sales Navigator först när du har tömt det gratis alternativet.
Steg 3: Extrahera leads med AI-scraping eller manuell sökning
För varje källa är extraktionsmetoden följande:
- Webbplatser och kataloger: Använd Thunderbits AI web scraper. Öppna sidan, klicka på "AI Suggest Fields", granska kolumnerna och klicka på "Scrape". För populära sajter har Thunderbit färdiga data scraper-mallar som autokonfigurerar fälten.
- LinkedIn: Använd Sales Navigator-sökning och export, eller Thunderbit för scraping av publika LinkedIn-profiler.
- Google: Kör avancerade sökoperatorer och scrapa sedan resultatsidorna eller besök de enskilda sidorna.
Exportalternativ: Google Sheets, Excel, Airtable, Notion, CSV, JSON.
Steg 4: Verifiera och rensa datan
Det här steget är inte valfritt. Jag går igenom hela verifieringsflödet i det dedikerade avsnittet längre ner, men kortversionen är: ta bort rollbaserade mejl, avduplicera, kör igenom ett verifieringsverktyg, markera catch-all-domäner och verifiera igen före varje kampanj.
Steg 5: Poängsätt och prioritera dina leads
Använd en enkel scoringmodell (beskrivs nedan) innan du börjar outreach. Det säkerställer att du kontaktar de mest värdefulla leadsen först, inte bara den som råkar ligga högst upp i kalkylarket.
Steg 6: Exportera till ditt CRM eller outreachverktyg
Flytta den rensade och poängsatta listan till ditt CRM (HubSpot, Salesforce, Pipedrive) eller outreachplattform (lemlist, Mailshake, Apollo). Thunderbit exporterar direkt till Sheets, Airtable och Notion, som kan synka med CRM via inbyggda integrationer eller Zapier.
Steg 7: Starta outreach och följ resultaten
Personalisera din outreach utifrån datan du samlat in. Nämn prospektens bransch, referera till deras intent-signal ("Jag såg att ni rekryterar SDR:er") och anpassa värdeerbjudandet till deras problem. Följ upp svarsfrekvens, studsar och konverteringar — och mata tillbaka den datan in i din ICP och scoringmodell inför nästa omgång.
Budget först: Så bygger du en leadlista från 0 kr till enterprise-nivå
Det vanligaste problemet jag hör från grundare i tidig fas och små säljteam är: "Hur bygger jag en leadlista utan att betala för dyra verktyg?" Rätt rimlig fråga. ZoomInfo-kontrakt börjar ofta på femsiffriga belopp per år. Sales Navigator kostar $99+/månad. Apollo och Lusha har gratisnivåer men låser in det bästa bakom betalväggar.
Det ärliga svaret: du kan komma förvånansvärt långt gratis. Men för att skala krävs viss investering. Så här kan du tänka, nivå för nivå.
| Nivå | Kostnad | Metoder | Verktyg |
|---|---|---|---|
| Gratis (0 kr) | 0 kr | Google-operatorer, manuell LinkedIn, företagswebbplatser, Thunderbits gratisnivå (6 sidor + gratis email/phone-extractors) | Thunderbit Free, Google, LinkedIn basic |
| Låg kostnad (<$50/mån) | 0–50 | AI-scraping i större skala, grundläggande enrichment, e-postverifiering | Thunderbit Starter/Pro, Hunter Starter ($34/mån), Bouncer/NeverBounce PAYG |
| Mellannivå ($50–200/mån) | $50–200 | Sales Navigator, rikare filter, CRM-integration | Sales Navigator Core (~$99/mån), betald Apollo, Lusha |
| Enterprise ($200+/mån) | $200+ | Intent-data, enrichment-sviter, complianceflöden | ZoomInfo (offert), Cognism (offert), Clearbit |
Priser per maj 2026 — kontrollera aktuella priser innan köp.
Vad du kan göra gratis, och var du stöter på begränsningar
Med Thunderbits gratisnivå (6 sidor AI-scraping per månad), den kostnadsfria Email Extractor och Phone Number Extractor (obegränsat, 1-klick), Googles sökoperatorer och grundläggande LinkedIn-sökning kan en ensam grundare realistiskt bygga en lista på 50–100 leads på en eftermiddag. Jag har sett personer i vårt team göra det.
Där du stöter på gränser: volym (sidor per månad på gratisnivån), djup i enrichment (du får inte intent-data eller teknisk stack utan betalda verktyg) och e-postverifiering i större skala (gratisverktyg har små volymtak). När det börjar bli trångt där är det rimligt att gå upp till lågkostnadsnivån — Thunderbits betalda planer låser upp subpage scraping, bulk scraping, paginering och schemalagda scrapers.
Fixen för studsfrekvensen: Ett verifieringsflöde som faktiskt fungerar
Jag har sett foruminlägg där användare rapporterar nästan 70 % studsfrekvens från köpta listor. Det är inte bara bortkastat arbete — det är direkt farligt. Höga studsfrekvenser förstör ditt avsändarrykte, vilket gör att även dina bra mejl börjar hamna i skräppost.
lemlists benchmarks säger att en hälsosam studsfrekvens ligger under 2 %, och under 1 % är riktigt bra. Mailshakes enkät för 2025 visade att nästan hälften av alla avsändare rapporterar studsfrekvenser på 2–5 %, medan 15 % överstiger 6 %. Ligger du över 5 % är ditt avsändarrykte i fara.
Verifieringsflödet jag rekommenderar:
- Ta bort rollbaserade mejl: Radera alla info@, sales@, support@ och admin@, om du inte medvetet riktar dig mot gemensamma inkorgar (ovanligt vid kall outreach).
- Ta bort formateringsfel: Dubbletter, stavfel, saknade domäner, döda domäner. En snabb sortering och filtrering i kalkylarket fångar det mesta.
- Kör genom ett e-postverifieringsverktyg: Hunter, ZeroBounce, NeverBounce, Bouncer eller Kickbox. De pingar mailservern för att kontrollera om inkorgen finns utan att skicka ett mejl.
- Markera eller ta bort catch-all-domäner: ZeroBounce rapporterar att catch-all-adresser är en särskilt riskfylld kategori — de accepterar mejl på servernivå utan att bekräfta att en specifik inkorg finns. Om du inte kan verifiera den enskilda inkorgen, markera posten och behandla den som lägre tillförlitlig.
- Verifiera igen före varje kampanj: Data förfaller snabbt. Om listan är mer än 30–90 dagar gammal, kör verifiering igen innan utskick.
- Skicka små batcher först: Följ studsfrekvens och klagomål på de första 50–100 utskicken. Skala bara om kvaliteten håller.
Varför din leadkälla påverkar datakvaliteten
All leaddata är inte skapad lika. En e-postadress hämtad från ett företags publika team-sida — där personen själv valt att lista sin kontaktinfo — är vanligtvis färskare och mer korrekt än en adress från en aggregerad databas som inte uppdaterats på månader.
Det här är en av anledningarna till att jag förespråkar att scrapa från levande publika sidor snarare än att enbart förlita sig på statiska databaser. Eftersom Thunderbits AI läser den faktiska webbplatsen på nytt varje gång (inte en föråldrad databas), tenderar de extraherade mejlen och telefonnumren att vara mer aktuella. Phone Number Extractor formaterar dessutom om nummer till E.164-standard, vilket minskar formatfel när datan importeras till CRM.
Att scrapa från färska källor ersätter inte verifiering — men det betyder att du börjar med renare råmaterial.
Checklista före kampanj
Innan du trycker på "skicka" i en kampanj:
- Alla mejl verifierade inom de senaste 30 dagarna
- Inga rollbaserade adresser (info@, sales@) i sändlistan
- Inga dubbletter
- Studsfrekvensen från senaste kampanjen genomgången
- Opt-out-/avregistreringsfunktion på plats
- Suppression-listan synkroniserad (respektera alla tidigare avregistreringar)
Bygg först, poängsätt sedan: En enkel lead scoring-modell för små team
Varenda guide jag har läst säger "prioritera dina leads" — och går sedan vidare utan att berätta hur.
Om du är ensam grundare eller ett säljteam på tre personer behöver du inte Salesforce Einstein eller en prediktiv scoringmotor. Du behöver en kolumn i kalkylarket med en transparent formel.
Scoringramverket
| Signal | Poäng | Exempel | |---|---|---|---| | Matchar ICP-bransch | +20 | SaaS, mid-market | | Företagsstorlek passar | +10 | 51-500 anställda | | Titel med beslutmandat | +15 | VP Sales, Head of Ops | | Tydlig intent-signal | +15 | Rekrytering, finansiering, verktygsmigrering | | E-post verifierad | +10 | Klarade verifiering | | Högkvalitativ direkt källa | +10 | Företagssida, talarsida för event | | Engagerat sig i ditt innehåll | +10 | Laddat ner guide, deltagit i webinar | | Catch-all / overifierad e-post | -10 | Riskfylld verifieringsstatus | | Rollbaserad e-post | -10 | info@, sales@ | | Generisk titel (oklar roll) | -5 | "Staff" |
Exempel i praktiken
Lead A: VP Sales på ett SaaS-företag med 120 anställda, rekryterar SDR:er, verifierad e-post, källa från företagets karriär-/team-sida.
Poäng: 20 (bransch) + 10 (storlek) + 15 (titel) + 15 (intent) + 10 (verifierad) + 10 (källa) = 80 → Prioritera för outreach den här veckan.
Lead B: "Staff" i ett hobbyföretag med 5 personer, rollbaserad e-post, ingen intent-signal.
Poäng: 0 + 0 + 0 + 0 + 0 - 10 (rollbaserad) - 5 (generisk titel) = -15 → Hoppa över eller ta bort.
Det här kan leva som en enkel formel i Google Sheets. Något i stil med:
=IF(D2="SaaS",20,0)+IF(AND(E2>=51,E2<=500),10,0)+IF(REGEXMATCH(B2,"VP|Head|Director|Founder"),15,0)+IF(J2<>"",15,0)+IF(K2="Verified",10,IF(K2="Catch-all",-10,0))
Ingen Salesforce behövs.
Hur du använder AI för att tagga och poängsätta leads under scraping
En av funktionerna mitt team byggt in i Thunderbit som jag verkligen tycker är användbar för scoring är: Field AI Prompts. När du konfigurerar din scraping kan du lägga till en prompt i valfri kolumn — till exempel: "Klassificera detta leads senioritet som Decision-Maker, Influencer eller Individual Contributor baserat på jobbtitel och sidkontext."
Thunderbit etiketterar datan under extraktionen, inte efteråt. Så när du exporterar till Sheets finns senioritetsklassificeringen, företagstypen eller branschtaggen redan där — redo att användas i din scoringformel. Det eliminerar den manuella taggningsdelen som annars gör scoring till ett tråkigt jobb.
Du kan också använda Subpage Scraping för att berika den ursprungliga listan: scrapa först en katalog, besök sedan varje företags sida för att hämta antal anställda, finansieringsstatus eller teknisk stack — allt som kan mata in i din scoringmodell.
När du ska gå tillbaka och uppdatera dina poäng
Lead scores är inte något man sätter en gång och glömmer. Räkna om dem månadsvis, eller efter varje större kampanj. Om ett lead svarar positivt förändras deras score (de är nu en aktiv konversation, inte ett kallt lead). Om ett mejl studsar, justera därefter. Om ett företag som rekryterade för sex månader sedan sedan dess har sagt upp personal, har intent-signalen förändrats.
Så håller du din leadlista fräsch (automatisering och underhåll)
En leadlista är inte ett engångsprojekt.
Jag har redan nämnt att 23 % av e-postlistor förfaller årligen. Kontakter byter jobb, företag ändrar riktning, mejladresser blir gamla. Om du bygger en bra lista i maj och inte rör den förrän i oktober är en stor del av den redan död.
Underhållsintervall
| Uppgift | Frekvens | Varför | |---|---|---|---| | Verifiera mejl | Före varje kampanj (eller minst månadsvis) | Förhindra hårda studsar | | Ta bort dubbletter | Veckovis under aktiv prospektering | Undvik dubbla utskick | | Uppdatera intent-signaler | Månadsvis | Rekrytering/finansiering/recensioner ändras snabbt | | Uppdatera firmografisk data | Kvartalsvis eller halvårsvis | Storlek, omsättning och teknisk stack förändras | | Synka suppression-lista | Dagligen eller i realtid | Respektera avregistreringar och minska klagomål | | Granska källornas prestation | Månadsvis | Se vilka kanaler som skapar svar, inte bara rader |
Så sätter du upp en schemalagd scraping för löpande leadgenerering
Det är här Thunderbits Scheduled Scraper kommer in. I stället för att manuellt gå tillbaka till kataloger varje månad kan du ställa in en återkommande scraping. Upplägget är enkelt: beskriv tidsintervallet med vanlig text (t.ex. "varje måndag klockan 08:00"), ange webbadresserna och klicka på "Schedule". Thunderbits AI översätter dina ord till ett schema och kör scraping automatiskt, med färska resultat exporterade till ditt kopplade Google Sheet eller Airtable-baspaket.
Användningsfall jag sett fungera bra:
- Ett säljteam scrapar om en Clutch-kategorisida varje månad för att fånga nya byråer som kommit in på marknaden.
- Ett ecommerce-operations-team bevakar en konkurrentkatalog varje vecka för nya produktlistningar.
- En SaaS-grundare uppdaterar en G2-kategorisida före varje månatlig outbound-batch för att hitta nylistade bolag.
Thunderbits cloud mode kan scrapa upp till 50 sidor samtidigt, så även stora kataloger uppdateras snabbt. Vill du veta mer om hur du sätter upp detta, kolla vår guide om AI lead generation.
En snabb notis om compliance och dataskydd
Jag håller detta kort eftersom det inte är huvudfokus i guiden, men det är viktigt.
- CAN-SPAM (USA): Gäller all kommersiell e-post, inklusive B2B. FTC säger att varje enskilt regelbrott kan ge böter upp till $53,088. Kraven: korrekta headers, inte vilseledande ämnesrader, giltig postadress, tydlig opt-out och att opt-outs respekteras inom 10 arbetsdagar.
- GDPR (EU/UK): Namngivna företagse-postadresser kan vara personuppgifter. ICO säger att B2B-marknadsföring inte får dölja identitet, måste erbjuda giltig opt-out och ska respektera invändningar.
- CCPA/CPRA (Kalifornien): Betonar information, ändamålsbegränsning, dataminimering och konsumenträttigheter. California Privacy Protection Agency FAQ har de senaste detaljerna.
- Google och Yahoo-avsändarregler: Google kräver att massutskick håller spamnivåer under 0,30 %, autentiserar med SPF/DKIM/DMARC och stödjer avregistrering med ett klick. Yahoo tillämpar liknande regler.
Kort sagt: scrapa bara data som är offentligt tillgänglig, undvik inloggningsväggar utan tillstånd, inkludera alltid en opt-out-funktion, underhåll suppression-listor och kontrollera lokala lagkrav. Thunderbit scrapar offentligt tillgängliga sidor — användaren ansvarar för hur datan används.
Slutsats och viktigaste lärdomar
Arbetsflödet för leadlistor 2026 handlar inte om att hitta fler namn — det handlar om att bygga ett mindre, färskare, verifierat och källmedvetet outreach-dataset som faktiskt får svar.
Här är hela arbetsflödet i sammanfattning:
- Definiera din ICP innan du öppnar något verktyg.
- Välj 2–3 leadkällor — börja gratis (kataloger, företagssidor, Google-operatorer) innan du betalar för databaser.
- Extrahera leads med AI-scraping — Thunderbits process med 2 klick fungerar på praktiskt taget vilken offentlig sida som helst.
- Bygg en riktig mall med källspårning, intent-signaler och scoringkolumner.
- Verifiera och rensa — ta bort rollbaserade mejl, avduplicera, kör verifiering, markera catch-alls.
- Poängsätt och prioritera — använd en transparent modell i kalkylarket, inte magkänsla.
- Exportera till CRM/outreach — personalisera utifrån datan du samlat in.
- Följ upp resultaten — studsar, svar och konverteringar, per leadkälla.
- Uppdatera kontinuerligt — verifiera igen före kampanjer, scrapa om viktiga källor enligt schema.
Datan bekräftar detta: snävare segment presterar bättre än breda utskick med nästan 3 gånger högre svarsfrekvens. En verifierad lista med 200 leads slår nästan alltid en gammal databas med 5 000 kontakter.
Redo att bygga din första lista? Thunderbits gratisnivå ger dig 6 sidor AI-scraping per månad, obegränsad gratis e-post- och telefonextraktion samt export till Google Sheets eller Excel. Det räcker gott för att bygga dina första 50–100 leads i eftermiddag.
Testa AI Web Scraper för leadlistor Get Started Free
Vanliga frågor
Hur många leads bör finnas på min första leadlista?
Börja med 50–100 välriktade, verifierade leads i stället för tusentals okvalificerade kontakter. Hunters data visar att kampanjer med mindre och mer fokuserade mottagarlistor (21–50) i snitt når 6,2 % svarsfrekvens — nästan tre gånger så mycket som kampanjer med 501+ mottagare. Kvalitet bygger momentum; volym späder ut.
Ska jag köpa en leadlista eller bygga min egen?
Att bygga själv är nästan alltid bättre. Köpta listor innebär högre risk: föråldrad data, spamfällor, otydlig datainsamling och compliance-exponering. Egengjorda listor med AI-scraping och manuell research ger färskare och mer relevant data eftersom du hämtar från levande publika sidor där kontakterna är aktuella. Om du ändå köper, kräv transparens kring insamlingsdatum, verifieringsdatum, samtyckesgrund och uppdateringsprocess.
Vad är det bästa gratis sättet att bygga en leadlista?
Kombinera Googles avancerade sökoperatorer (site:, intitle:, exakta matchningar) med Thunderbits gratisnivå — 6 sidor AI-scraping per månad plus obegränsad gratis e-post- och telefonextraktion — samt grundläggande LinkedIn-sökning. Den kombinationen täcker företagssidor, kataloger, eventlistor och professionella profiler utan att kosta en krona.
Hur ofta bör jag uppdatera min leadlista?
Verifiera mejladresser före varje kampanj, särskilt om listan är äldre än 30 dagar. Gör en full uppdatering — scrapa om källor, uppdatera firmografisk data, ta bort döda leads — minst kvartalsvis. ZeroBounce rapporterar att minst 23 % av en e-postlista förfaller inom ett år, så "ställ in och glöm" är ett recept för ökande studsfrekvens.
Vad är en bra svarsfrekvens för kall outreach från en leadlista?
Utifrån 2025–2026 års benchmarks: 3–5 % positiv svarsfrekvens är bra, 5–8 % är starkt och 8 %+ är utmärkt. Den enskilt största faktorn är listkvalitet — targeting, verifiering och personalisering. En välbyggd lista med verifierade mejl, tydliga intent-signaler och personlig kommunikation slår konsekvent en större lista med generiska kontakter och standardiserad copy.
Läs mer
