Hur du bygger en leadlista som faktiskt får svar (arbetsflöde för 2026)

Senast uppdaterad August 21, 2026
Hur du bygger en leadlista som faktiskt får svar (arbetsflöde för 2026)
AI-sammanfattning
Denna artikel presenterar ett arbetsflöde för 2026 för att bygga leadlistor som får svar istället för avvisningar. Den börjar med varför köpta listor ofta misslyckas: bred målinriktning, föråldrade kontakter, svag verifiering och få avsiktssignaler. Guiden går igenom hur man definierar en ideal kundprofil, bygger ett kalkylblad med företags-, kontakt-, roll-, källa-, verifierings-, avsikts- och utskicksanteckningar, samt hur man hittar leads bortom LinkedIn via kataloger, webbplatser, sociala plattformar, branschlistor och avancerade Google-sökningar. Den visar sedan hur AI-skrapning och undersideskrapning kan extrahera och berika poster innan de rensas, dedupliceras, verifieras, poängsätts och importeras till ett CRM. Slutsatsen är att listkvalitet slår liststorlek.

Förra veckan visade en av våra säljkollegor mig ett kalkylblad med 4 000 kontakter som de hade köpt från en dataleverantör. Svarsfrekvens efter två veckors outreach? 0,3 %. Studsfrekvens? Över 12 %. Den där listan kostade riktiga pengar och gav nästan ingenting tillbaka.

De flesta leadlistor 2026 är i praktiken döda redan vid leverans. Hunter's State of Email Outreach, baserad på 31 miljoner skickade mejl under 2025, rapporterar att genomsnittlig svarsfrekvens i en kall mejl-sekvens bara är 4,5 % — och det är alltså snittet, vilket betyder att många kampanjer ligger långt under det. Samtidigt säger Salesforce's 2026 State of Sales att den typiska säljaren bara lägger 40 % av arbetsveckan på faktisk försäljning; de andra 60 % går till administration, research och — gissa vad — prospektering.

Så om du ska lägga tid på att bygga en lista måste den faktiskt leda till svar. Den här guiden går igenom hela arbetsflödet för 2026: att definiera din ICP, hitta leads bortom LinkedIn, bygga en vettig mall, verifiera datan så att din studsfrekvens inte sabbar avsändarryktet, poängsätta leads innan du skickar, och hålla allt uppdaterat över tid. Och jag har delat upp det efter budget, så du kan börja för 0 kr redan i dag.

  • Svårighetsgrad: Nybörjare
  • Tidsåtgång: cirka 2–3 timmar för dina första 50–100 leads
  • Det här behöver du: Chrome-webbläsare, Thunderbit-tillägget, ett Google Sheet eller annat kalkylblad, och din ICP nedskriven

Bygg leadlistor med AI-scraping Get Started Free

Vad är en leadlista (och varför misslyckas de flesta listor)?

data-quality-dashboard.webp

En leadlista är en strukturerad datamängd med potentiella köpare — personer och företag som du vill kontakta. Den innehåller vanligtvis fält på personnivå (namn, jobbtitel, e-post, telefon, LinkedIn-URL) och på företagsnivå (bransch, storlek, intäkter, plats). Det är grunden i all outbound-försäljning.

Det som går fel för många team är att de blandar ihop en leadlista med en dump av kontakter. En användbar 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 finns." Skillnaden i resultat är enorm.

Leadlistor ingår också i en större process. En lead är någon som kan passa din marknad. En MQL (marketing qualified lead) har visat viss passform eller engagemang. En SQL (sales qualified lead) är redo för direkt uppföljning. En opportunity är en aktiv affär. Din leadlista ligger högst upp i tratten — och om toppen är full av skräp, påverkas allt längre ner negativt.

De vanligaste orsakerna till att leadlistor misslyckas:

Mallen för leadlistan: hur ditt kalkylblad faktiskt borde se ut

Jag har gått igenom dussintals guider om "hur man bygger en leadlista", och det som stör mig är att de alla säger "inkludera kontaktinfo, firmografiska uppgifter och en leadscore" — men ingen visar faktiskt hur kalkylbladet ser ut. Så här är den sak alla missar.

data-quality-comparison.webp

Rekommenderade startkolumner

Ditt kalkylblad för leadlistan bör ha följande kolumner från dag ett:

KolumnVad som ska fyllas iBra dataDålig data
Fullständigt namnPersonens riktiga namn"Jordan Lee""Sales Team"
JobbtitelSpecifik nuvarande roll"VP of Sales""Staff"
FöretagJuridiskt namn eller varumärke"Acme Logistics""Acme?"
BranschStandardiserad kategori"B2B SaaS""Tech-ish"
FöretagsstorlekAntal anställda i intervall"51-200"Tomt
E-postDirekt affärsmejl"jordan@acme.com," verifierad"info@acme.com"
TelefonDirektnummer eller huvudnummer, formateratE.164-formatBlandade lokala format
LinkedIn-URLProfil- eller företagssidaFullständig URLSökresultats-URL
LeadkällaVar posten kom ifrån"G2 category page, May 2026""Internet"
Intent-signalVarför nu"Hiring 3 SDRs," "new funding"Tomt
LeadscoreNumerisk prioritering70/100 med reglerMagkänsla
Senast kontaktadDatum för outreach"2026-05-26""Nyligen"
AnteckningarRelevant kontext"Uses Shopify Plus"Lång ostrukturerad klistra-in-text

Exempel på leadlista (anonymiserad)

Så här ser en ifylld lista faktiskt ut — 10 rader som täcker olika personas:

Fullständigt namnJobbtitelFöretagBranschStorlekE-postKällaIntent-signalScore
Alex M.VP SalesMid-market SaaS vendorSaaS201-500direct verifiedG2 categoryHiring AEs78
Priya S.Head of OpsDTC apparel brandEcommerce51-200direct verifiedShopify showcaseExpanding fulfillment72
Marcus T.FounderLocal agencyProfessional services11-50direct verifiedClutchNew reviews66
Elena R.Revenue Ops ManagerCybersecurity startupSaaS51-200catch-all flaggedConference speakersSeries A61
Ben C.OwnerHVAC contractorLocal services11-50main office emailGoogle BusinessHigh review volume48
Mina K.Director of PartnershipsMarketplace companyEcommerce201-500direct verifiedEvent agendaSponsoring event74
Diego P.Real Estate BrokerRegional brokerageReal estate11-50direct verifiedAssociation directoryNew office page58
Sarah N.Customer Support LeadB2B software companySaaS51-200role-based removedCapterraLow support reviews44
Omar A.IT ManagerManufacturing firmManufacturing501-1000direct verifiedCompany team pageERP migration mention69
Lena W.Growth Marketing LeadFintech startupSaaS51-200direct verifiedProduct HuntNew launch71

Vad varje kolumn betyder (och hur "bra" data ser ut)

Några kolumner förtjänar extra förklaring:

  • Jobbtitel: "VP of Sales" visar att personen har budget- eller beslutsmakt. "Staff" säger ingenting. Sikta alltid på specifika titlar som visar beslutsförmåga eller påverkan.
  • E-post: En personlig affärsmejl (jordan@acme.com) är guld. En rollbaserad adress (sales@acme.com) är nästan värdelös för kall outreach — den hamnar i en gemensam inkorg som ingen håller koll på.
  • Leadkälla: Det här är kolumnen de flesta hoppar över, men den är viktigast över tid. Genom att spåra var varje lead kom ifrån ser du vilka kanaler som faktiskt ger 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-tjänster eller lanserat en ny produkt är varmare än ett företag som bara ligger kvar och rullar. Om du inte hittar en intent-signal kanske leadet inte är värt att prioritera.

Hur Thunderbit's AI Suggest Fields bygger din mall åt dig

En av sakerna 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 prospekt — en kataloglista, en företagssida eller en talarlista för ett event — och klickar på "AI Suggest Fields," läser AI:n sidan och skapar automatiskt rätt kolumnnamn och datatyper. Om sidan innehåller namn, e-post, titlar och företagsinformation föreslår Thunderbit exakt de kolumnerna.

Det här är särskilt värdefullt för nybörjare som stirrar på ett tomt kalkylblad och tänker: "Vilka fält ska jag ens samla in?" Thunderbit svarar på den frågan åt dig, baserat på den faktiska data som finns på källsidan. Sedan klickar du på "Scrape," och exporterar direkt till Google Sheets, Excel, Airtable eller Notion.

Testa Thunderbit AI Suggest Fields

Hur du definierar din Ideal Customer Profile (ICP) innan du bygger en leadlista

icp-filtering-process.webp

Det absolut största misstaget jag ser team göra — och som jag själv har gjort — är att bygga en lista innan de definierat vem som hör hemma i den. Då sitter du med ett kalkylblad fullt av namn men utan någon tydlighet kring 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 värde av din produkt och stannar kvar. Det är inte en persona-övning; det är ett målgruppsfilter.

ICP-komponenter

ICP-delFrågaExempel
BranschVilka kategorier har problemet?B2B SaaS, ecommerce, professional services
FöretagsstorlekVilka intervall kan köpa nu?51-500 employees
GeografiVar kan vi sälja och stötta bra?U.S., Canada, UK
OmsättningsintervallVilket intäktsintervall passar?$5M-$100M ARR
KöptitlarVem äger problemet/budgeten?VP Sales, RevOps, Head of Ops
TriggerVad gör tajmingen akut?Hiring, funding, migration, poor reviews
SmärtpunktVilket problem känner de av?Manual list building, stale data, slow enrichment
DiskvalificerareVem ska exkluderas?Students, hobby businesses, competitors

Praktisk övning: Titta på dina 5–10 bästa nuvarande kunder. Vad har de gemensamt? Bransch? Storlek? Titeln på personen som skrev under avtalet? Skriv ner 3–5 gemensamma drag. Det är ditt ICP-utkast.

Firmographics vs. demographics: vad är viktigast?

Firmographics är företagsnivådata: bransch, storlek, omsättning, plats. Demographics (i B2B-sammanhang) är personnivådata: titel, senioritet, funktion, avdelning. För B2B-leadlistor smalnar firmographics av företaget och demographics smalnar av personen. Du behöver båda. Ett perfekt företag med fel kontakt är en bortkastad rad. En perfekt kontakt i fel företag är lika värdelös.

En annan sak som är värd att notera: Sopro's 2025 prospecting data, som analyserade 119,57 miljoner prospecting touchpoints, fann att den genomsnittliga beslutsgruppen låg på omkring 4,14 stakeholders. Så en bra leadlista innehåller ofta fler än en kontakt per target account — men inte så många att outreachen blir spamig.

Bortom LinkedIn: var du hittar leads på webbplatser, kataloger och sociala medier

Ett innehållsgap som överraskade mig när jag researchade ämnet: 5 av 6 topprankade artiklar om "hur man bygger en leadlista" leder läsaren mot LinkedIn Sales Navigator som den främsta leadkällan. Och visst, Sales Navigator är kraftfullt. Men det är också dyrt (ungefär 120 dollar/månad för Core), och riktiga användare klagar ofta på exportbegränsningar, svårnavigerade gränssnitt och problem med scraping.

ai-data-sources-table.webp

Verkligheten 2026 är att leads finns överallt — inte bara på LinkedIn. Företagswebbplatser, branschkataloger, eventsidor, recensionssajter och till och med sociala medier är rika källor till kontaktdata, ofta färskare och mer specifika än det du hittar i en betald databas.

Jämförelse av leadkällor

LeadkällaBäst förMetodKostnad
Företagswebbplatser / Om-sidorNischad B2B, lokala tjänster, byråerBesök team-/kontaktsidor, extrahera namn/e-post/telefonGratis
Branschkataloger (Clutch, G2, Yelp)Tjänstebaserade leads, vertikala ekosystemFiltrera efter kategori/plats, scrapa listorGratis till låg kostnad
Listor över eventdeltagare/talareB2B-prospekt med hög intentKonferensprogram, sponsorsidor, webinarregistreringarGratis till betalt eventåtkomst
Recensionssajter (G2, Capterra, Google Business)SaaS och lokala företagBläddra bland kategorier, extrahera företagskontakterGratis
Sociala medier (Instagram, X)B2C, personliga varumärken, lokala företagOffentliga bios, företagssidorGratis
Google site:-operatorerLång svans-upptäckt, riktade kontaktsidorAvancerade sökfrågorGratis
LinkedIn (grundläggande)Professionell sökningManuell sökning, offentliga profilerGratis
LinkedIn Sales NavigatorMogna outbound-teamAvancerade filter, sparade leads, TeamLink99+ USD/mån

Bra kataloger per vertikal

VertikalKällor värda att scrapa
SaaSG2, Capterra, Product Hunt, SaaSworthy, AWS Marketplace, Chrome Web Store-kategorier
EcommerceShopify-butiker/showcases, BuiltWith-listor, Klaviyo-partnerkataloger
FastigheterMäklarkataloger, kontorssidor för mäklarfirmor, lokala MLS-offentliga sidor, handelskammarsidor
Professionella tjänsterClutch, DesignRush, UpCity, GoodFirms, lokala juridik-/redovisningskataloger
Lokala företagGoogle Business-resultat, Yelp, Yellow Pages, BBB, lokala handelskammarsidor
EventsSponsorsidor/exhibitor-sidor, talarlistor, agenda-sidor, landningssidor för webinarier

Google-sökoperatorer för leadfynd

De här är gratis och förvånansvärt kraftfulla. Några exempel:

  • site:clutch.co/agencies "B2B SaaS" "United States" — hittar byrålistor på Clutch filtrerade på kategori och plats
  • site:company.com ("email" OR "contact") "VP Sales" — hittar kontaktsidor på ett specifikt företags webbplats som nämner en VP of Sales
  • intitle:"sponsors" "SaaS" "2026" "conference" — hittar sponsorsidor för SaaS-event 2026
  • site:g2.com/categories "sales engagement" "mid-market" — hittar G2-kategorisidor för mid-market sales tools

Googles egen sökhjälp beskriver exakta citattecken och operatorer som site:, så där kan du kontrollera syntaxen.

Hur du scrapar kontakter från vilken webbplats som helst med en AI Web Scraper

Det här är där Thunderbit passar naturligt in i arbetsflödet. För alla källor ovan — en Clutch-katalog, en företagssida eller en talarlista för ett event — är processen densamma:

  1. Öppna sidan i Chrome med Thunderbit-tillägget installerat.
  2. Klicka på "AI Suggest Fields." Thunderbit's AI läser sidan och föreslår kolumner som Namn, E-post, Telefon, Titel, Företag.
  3. Granska de föreslagna fälten och lägg till eller ta bort vid behov.
  4. Klicka på "Scrape."
  5. Exportera till Google Sheets, Excel, Airtable eller Notion.

Den stora fördelen är att Thunderbit fungerar på stökiga, icke-standardiserade sajter där ingen förbyggd scraper-mall skulle passa layouten. AI:n läser varje sida på nytt och anpassar sig till den struktur den möter. Thunderbit's kostnadsfria Email Extractor and Phone Number Extractor ger 1-klicks-extraktion från vilken sida som helst — obegränsat på gratisnivån.

Använd subpage scraping 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 Thunderbit's Subpage Scraping för att besöka varje företags enskilda sida och hämta mer data — e-post, telefonnummer, antal anställda, tech stack, beskrivningar.

Detta förvandlar en enkel kataloglista till en berikad, researchklar leadlista utan manuellt klickande. Du går från "här är 50 företagsnamn" till "här är 50 företag med kontaktmejl, teamstorlekar och beskrivningar" i ett automatiserat flöde. Om du vill veta mer om web scraping utan kod har vi gått igenom det i detalj.

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 i dag.

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 bortkastad scraping.

Steg 2: välj dina leadkällor

Baserat på din ICP och budget, välj 2–3 leadkällor från jämförelsetabellen. Mitt råd: börja med gratis källor först. Om du riktar dig mot SaaS-företag, testa G2-kategorisidor och företagssidor. 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 gratisalternativet.

Steg 3: extrahera leads med AI-scraping eller manuell sökning

För varje källa ser extraheringsmetoden ut så här:

  • Webbplatser och kataloger: Använd Thunderbit's AI web scraper. Öppna sidan, klicka på "AI Suggest Fields", granska kolumnerna, klicka på "Scrape." För populära sajter har Thunderbit färdiga data scraper-mallar som konfigurerar fälten automatiskt.
  • LinkedIn: Använd Sales Navigator-sökning och export, eller Thunderbit för scraping av offentliga 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 ett eget avsnitt nedan, men kort version: ta bort rollbaserade mejl, ta bort dubbletter, kör genom ett verifieringsverktyg, flagga catch-all-domäner och verifiera igen före varje kampanj.

Steg 5: poängsätt och prioritera dina leads

Använd en enkel scoringmodell (detaljerad nedan) innan du börjar outreach. Det säkerställer att du kontaktar de mest värdefulla leads först, inte bara dem som råkar ligga högst upp i kalkylbladet.

Steg 6: exportera till ditt CRM eller outreach-verktyg

Flytta den rensade och poängsatta listan till ditt CRM (HubSpot, Salesforce, Pipedrive) eller din outreach-plattform (lemlist, Mailshake, Apollo). Thunderbit exporterar direkt till Sheets, Airtable och Notion, som kan synka med CRM via inbyggda integrationer eller Zapier.

Steg 7: kör outreach och följ upp resultat

Personalisera din outreach utifrån datan du samlat in. Nämn prospectens bransch, hänvisa till deras intent-signal ("Jag såg att ni rekryterar SDR:er"), och anpassa värdeerbjudandet efter deras smärtpunkt. Följ svarsfrekvens, studsar och konverteringar — och låt den datan mata tillbaka in i din ICP och scoringmodell inför nästa runda.

Budget först: så bygger du en leadlista från 0 kr till enterprise

Det vanligaste problemet jag hör från grundare i tidig fas och små säljteam: "Hur bygger jag en leadlista utan att betala för dyra verktyg?" Det är en rimlig fråga. ZoomInfo-kontrakt börjar på femsiffriga belopp per år. Sales Navigator kostar 99+ dollar i månaden. Apollo och Lusha har gratisnivåer men låser in det bästa bakom betalväggar.

Det ärliga svaret: du kan komma förvånansvärt långt gratis. Men skalning kräver viss investering. Så här kan du tänka tier för tier.

NivåKostnadMetoderVerktyg
Gratis (0 kr)0 krGoogle-operatorer, manuell LinkedIn, företagswebbplatser, Thunderbit gratisnivå (6 sidor + gratis email/telefon-extraktorer)Thunderbit Free, Google, LinkedIn basic
Låg kostnad (<50 USD/mån)0–50AI-scraping i skala, enkel enrichment, e-postverifieringThunderbit Starter/Pro, Hunter Starter ($34/mo), Bouncer/NeverBounce PAYG
Mellansegment (50–200 USD/mån)50–200Sales Navigator, rikare filter, CRM-integrationSales Navigator Core ($119.99/mo, $89.99 billed annually), Apollo paid, Lusha
Enterprise (200+ USD/mån)200+Intent-data, enrichment-sviter, compliance-flödenZoomInfo (offert), Cognism (offert), Clearbit

Priser enligt maj 2026 — kontrollera aktuella nivåer innan du köper.

Vad du kan åstadkomma gratis (och var gränserna går)

Med Thunderbit's gratisnivå (6 sidor AI-scraping per månad), de kostnadsfria Email Extractor och Phone Number Extractor (obegränsat, 1 klick), Google-sökoperatorer och grundläggande LinkedIn-sökning kan en ensam grundare realistiskt bygga en leadlista på 50–100 kontakter på en eftermiddag. Jag har sett folk i vårt team göra det.

Var gränserna kommer: volym (antal sidor per månad på gratisnivån), djup i enrichment (du får inte intent-data eller tech stack-info utan betalda verktyg) och e-postverifiering i skala (gratisverktyg begränsar ofta volymen). När de begränsningarna börjar kännas, är det rimligt att gå upp till lågkostnadsnivån — Thunderbit's betalda planer låser upp subpage scraping, bulk scraping, paginering och schemalagda scrapers.

Fixen för studsfrekvensen: ett verifieringsflöde som faktiskt fungerar

email-validation-workflow.webp

Jag har sett foruminlägg från användare som rapporterar nästan 70 % studsfrekvens från köpta listor. Det är inte bara slöseri med tid — det är direkt farligt. Hög studsfrekvens förstör avsändarryktet, vilket gör att även dina bra mejl börjar hamna i skräpposten.

lemlist's benchmarks säger att en frisk studsfrekvens ligger under 2 %, och under 1 % är riktigt bra. Mailshake's 2025 survey visade att nästan hälften av avsändarna rapporterar studsfrekvens på 2–5 %, medan 15 % ligger över 6 %. Om du ligger över 5 % är ditt avsändarrykte i riskzonen.

Det verifieringsflöde jag rekommenderar:

  1. Ta bort rollbaserade mejl: Radera alla info@, sales@, support@, admin@-adresser om du inte medvetet riktar dig mot delade inkorgar (sällsynt i kall outreach).
  2. Ta bort formateringsfel: Dubbletter, stavfel, saknade domäner, döda domäner. En snabb sortering och filtrering i kalkylbladet fångar det mesta.
  3. Kör igenom ett e-postverifieringsverktyg: Hunter, ZeroBounce, NeverBounce, Bouncer eller Kickbox. De här verktygen pingar mailservern för att kontrollera om inkorgen finns utan att skicka ett mejl.
  4. Flagga eller ta bort catch-all-domäner: ZeroBounce rapporterar att catch-all-adresser är en riskkategori — de accepterar mejl på servernivå utan att bekräfta att en specifik inkorg finns. Om du inte kan verifiera den enskilda inkorgen, flagga posten och behandla den som lägre säkerhet.
  5. Verifiera igen före varje kampanj: Data blir snabbt gammal. Om din lista är mer än 30–90 dagar gammal, verifiera igen innan du skickar.
  6. Skicka små batcher först: Håll koll på studsar och klagomål under de första 50–100 utskicken. Skala bara om kvaliteten håller.

Varför din leadkälla påverkar datakvaliteten

All lead-data är inte lika bra. Ett mejl hämtat från ett företags offentliga team-sida — där personen själv valt att lägga ut sin kontaktinfo — är vanligtvis färskare och mer korrekt än ett mejl från en aggregator-databas som inte uppdaterats på månader.

Det här är en av anledningarna till att jag tror på att scrapa från levande offentliga sidor snarare än att förlita mig enbart på statiska databaser. Eftersom Thunderbit's AI läser själva webbplatsen på nytt varje gång (inte en gammal databas), tenderar de extraherade mejlen och telefonnumren att vara aktuella. Phone Number Extractor formaterar dessutom om nummer till E.164-standard, vilket minskar formatfel längre fram när datan importeras till CRM.

Att scrapa färska källor ersätter inte verifiering — men det betyder att du börjar med bättre råmaterial.

Checklista före kampanj

Innan du trycker på "send" i en kampanj:

  • Alla mejl verifierade inom de senaste 30 dagarna
  • Inga rollbaserade adresser (info@, sales@) i sändlistan
  • Inga dubbletter
  • Studsfrekvens från förra kampanjen genomgången
  • Opt-out-/unsubscribe-mekanism på plats
  • Suppression-lista synkad (respektera alla tidigare opt-outs)

Bygg-och-poängsätt: en enkel leadscoringmodell för små team

Varenda guide jag läst säger "prioritera dina leads" — och går sedan vidare utan att berätta hur.

lead-scoring-list-maintenance.webp

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 kalkylbladet med en transparent formel.

Scoringramverket

SignalPoängExempel
Matchar önskad bransch i ICP+20SaaS, mid-market
Företagsstorlek passar+1051-500 anställda
Beslutsfattartitel+15VP Sales, Head of Ops
Tydlig intent-signal+15Hiring, funding, tool migration
E-post verifierad+10Passed verification
Hög kvalitet på direktkälla+10Company page, event speaker page
Har engagerat sig i ditt innehåll+10Downloaded guide, webinar attendee
Catch-all / ej verifierad e-post-10Risky verification status
Rollbaserad e-post-10info@, sales@
Generisk titel (ingen tydlig roll)-5"Staff"

Räkneexempel

Lead A: VP Sales på ett SaaS-företag med 120 anställda, rekryterar SDR:er, verifierad e-post, hämtad från företagets karriär-/teamsida.
Score: 20 (bransch) + 10 (storlek) + 15 (titel) + 15 (intent) + 10 (verifierad) + 10 (källa) = 80 → Prioritera för outreach den här veckan.

Lead B: "Staff" på ett hobbyföretag med 5 personer, rollbaserad e-post, ingen intent-signal.
Score: 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 krävs.

Hur du använder AI för att märka och poängsätta leads under scraping

En funktion mitt team byggt in i Thunderbit som jag faktiskt tycker är riktigt användbar för scoring är Field AI Prompts. När du konfigurerar din scraping kan du lägga till en prompt i valfri kolumn — till exempel: "Klassificera den här leadens senioritet som Decision-Maker, Influencer eller Individual Contributor baserat på jobbtitel och sidkontext."

Thunderbit märker datan under själva extraktionen, inte efteråt. Så när du exporterar till Sheets finns senioritetsklassificering, företagstyp eller branschtagg redan där — redo att användas i din scoringformel. Det tar bort det manuella taggsteget som annars gör scoring till ett småjobb.

Du kan också använda Subpage Scraping för att berika den ursprungliga listan: scrapa först en katalog, och besök sedan varje företags sida för att hämta antal anställda, finansieringsstatus eller tech stack — allt detta matar in i din scoringmodell.

När du ska se över och uppdatera dina scores

Lead scores är inte något man sätter en gång och glömmer. Poängsätt om varje månad, eller efter en större kampanj. Om ett lead svarar positivt ändras deras score (de är nu en aktiv konversation, inte ett kallt lead). Om ett mejl studsar justeras det därefter. Om ett företag som hade rekryterat för sex månader sedan sedan dess har sagt upp personal, har intent-signalen förändrats.

Så håller du din leadlista fräsch (automation och underhåll)

En leadlista är inte ett engångsprojekt.

Jag har redan nämnt att 23 % av e-postlistor förlorar värde årligen. Kontakter byter jobb, företag ändrar riktning, mejl blir gamla. Om du bygger en bra lista i maj och inte rör den förrän i oktober är en betydande del redan död.

Underhållsrytm

| Uppgift | Frekvens | Varför | |---|---|---|---| | Verifiera e-post | 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 förändras snabbt | | Uppdatera företagsdata | Kvartalsvis eller halvårsvis | Storlek, omsättning och tech stack förändras | | Synka suppression-lista | Dagligen eller i realtid | Respektera opt-outs och minska klagomål | | Granska källornas prestation | Månadsvis | Se vilka kanaler som ger svar, inte bara rader |

Så sätter du upp en schemalagd scraping för löpande leadgenerering

Det är här Thunderbit's Scheduled Scraper kommer in. I stället för att manuellt gå tillbaka till kataloger varje månad kan du sätta upp en återkommande scraping. Upplägget är enkelt: beskriv tidsintervallet med vanliga ord (t.ex. "varje måndag klockan 8"), ange webbplatsens URL:er och klicka på "Schedule." Thunderbit's AI översätter dina ord till ett schema och kör scrapen automatiskt, med färska resultat exporterade till ditt kopplade Google Sheet eller Airtable-base.

Exempel jag sett fungera bra:

  • Ett säljteam scrapar om en Clutch-kategorisida varje månad för att fånga nya byråer som kommer in på marknaden.
  • Ett ecommerce-ops-team bevakar en konkurrenskatalog varje vecka för nya produktlistningar.
  • En SaaS-grundare uppdaterar en G2-kategorisida inför varje månadsbatch av outbound för att hitta nytillkomna företag.

Thunderbit's cloud mode kan scrapa upp till 50 sidor samtidigt, så även stora kataloger uppdateras snabbt. För mer om hur du sätter upp detta, kolla vår guide om AI lead generation.

En snabb notis om compliance och dataskydd

Jag håller det här 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 överträdande mejl kan ge böter upp till $53,088. Krav: korrekta rubriker, icke vilseledande ämnesrader, giltig postadress, tydlig opt-out och att opt-outs respekteras inom 10 arbetsdagar.
  • GDPR (EU/UK): Namngivna affärsmejl kan vara personuppgifter. ICO säger att B2B-marknadsföring inte får dölja avsändarens identitet, måste erbjuda giltig opt-out och måste respektera invändningar.
  • CCPA/CPRA (Kalifornien): Betonar information, begränsning av syfte, dataminimering och konsumenträttigheter. California Privacy Protection Agency FAQ har de senaste detaljerna.
  • Google och Yahoo:s avsändarregler: Google kräver att massavsändare håller spamfrekvensen under 0,30 %, autentiserar med SPF/DKIM/DMARC och stödjer one-click unsubscribe. Yahoo tillämpar liknande regler.

Kort sagt: scrapa bara offentligt tillgänglig data, undvik inloggningsväggar utan tillstånd, inkludera alltid opt-out, underhåll suppressionlistor och kontrollera lokala lagkrav. Thunderbit scrapar offentligt tillgängliga sidor — användaren ansvarar för hur datan används.

Slutsats och viktigaste lärdomar

Leadlist-arbetet 2026 handlar inte om att hitta fler namn — det handlar om att bygga en mindre, färskare, verifierad och källmedveten outreach-datamängd som faktiskt får svar.

Här är hela arbetsflödet i korthet:

  1. Definiera din ICP innan du rör något verktyg.
  2. Välj 2–3 leadkällor — börja gratis (kataloger, företagssidor, Google-operatorer) innan du betalar för databaser.
  3. Extrahera leads med AI-scraping — Thunderbit's 2-klicksprocess fungerar på i princip vilken offentlig sida som helst.
  4. Bygg en ordentlig mall med källspårning, intent-signaler och scoringkolumner.
  5. Verifiera och rensa — ta bort rollbaserade mejl, ta bort dubbletter, kör verifiering, flagga catch-alls.
  6. Poängsätt och prioritera — använd en transparent kalkylbladsmodell, inte magkänsla.
  7. Exportera till CRM/outreach — personalisera utifrån datan du samlat in.
  8. Följ resultaten — studsar, svar, konverteringar, per leadkälla.
  9. Uppdatera kontinuerligt — verifiera igen före kampanjer, scrapa om värdefulla källor enligt schema.

Datan stödjer detta: snävare segment slår breda utskick med nästan 3x i svarsfrekvens. En verifierad lista med 200 leads kommer nästan alltid att överträffa en gammal databas med 5 000 kontakter.

Redo att bygga din första lista? Thunderbit's gratisnivå ger dig 6 sidor AI-scraping per månad, obegränsad gratis e-post- och telefonextraktion samt export till Google Sheets eller Excel. Det räcker för att bygga dina första 50–100 leads redan i eftermiddag.

Testa AI Web Scraper för leadlistor Get Started Free

Vanliga frågor

Hur många leads bör finnas i min första leadlista?

Börja med 50–100 välriktade, verifierade leads i stället för tusentals okvalificerade kontakter. Hunter's data visar att kampanjer med mindre, mer fokuserade mottagarlistor (21–50) i snitt når 6,2 % svarsfrekvens — nästan tre gånger högre än kampanjer med 501+ mottagare. Kvalitet byggs på, volym späds ut.

Ska jag köpa en leadlista eller bygga min egen?

Att bygga själv är nästan alltid bättre. Köpta listor innebär större risk: gammal data, spamfällor, otydlig källhänvisning och compliance-risker. Egengjorda listor med AI-scraping och manuell research ger färskare och mer relevant data eftersom du hämtar från levande offentliga sidor där kontakterna faktiskt 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 sökningar) med Thunderbit's gratisnivå — 6 sidor AI-scraping per månad plus obegränsad gratis e-post- och telefonextraktion — och grundläggande LinkedIn-sökning. Den kombinationen täcker företagssidor, kataloger, eventlistor och professionella profiler utan att kosta en krona.

Hur ofta ska jag uppdatera min leadlista?

Verifiera e-post före varje kampanj, särskilt om listan är mer än 30 dagar gammal. Gör en fullständig uppdatering — scrapa om källor, uppdatera firmografisk data, ta bort döda leads — minst kvartalsvis. ZeroBounce rapporterar att minst 23 % av en e-postlista förlorar värde inom ett år, så "sätt upp och glöm" leder snabbt till ökande studsfrekvens.

Vad är en bra svarsfrekvens för kall outreach från en leadlista?

Baserat på 2025–2026-benchmarks: 3–5 % positiv svarsfrekvens är bra, 5–8 % är starkt och 8 %+ är utmärkt. Den enskilt största faktorn är listkvalitet — målgrupp, verifiering och personalisering. En välbyggd lista med verifierade mejl, tydliga intent-signaler och personliga budskap slår konsekvent en större lista med generiska kontakter och standardtext.

Läs mer

Shuai Guan
Shuai Guan
VD på Thunderbit | Expert på AI-driven dataautomatisering Shuai Guan är VD för Thunderbit och alumn från University of Michigan Engineering. Med nästan tio års erfarenhet inom teknik och SaaS-arkitektur är han specialiserad på att omvandla avancerade AI-modeller till praktiska, kodfria verktyg för datautvinning. På den här bloggen delar han raka, beprövade insikter om webbskrapning och automatiseringsstrategier som hjälper dig att bygga smartare, datadrivna arbetsflöden. När han inte optimerar dataflöden ägnar han samma detaljblick åt sin passion för fotografi.
Topics
Web Scraping ToolsAI Web Scraper
Innehållsförteckning
Thunderbit · AI-agent för webbdata

Extrahera data från vilken sida som helst på 1 klick

Betrodd av över 250 000 användare
gratis plan tillgänglig
Från webbsida till kalkylark
Beskriv vad du behöver — Thunderbits AI-agent samlar in det och exporterar till Excel, Google Sheets, Airtable eller Notion. Gratis att börja med.
Chrome Store Rating
PRODUCT HUNT#1 Product of the Week