AiformleadsLead scoring: så poängsätter och kvalificerar du dina leads automatiskt från formuläret
Teamet på AiformleadsSkriven med AI-stöd20 min läsningSammanfattning
- Lead scoring är en summa av poäng, inte en gissning: varje svar i ditt formulär är värt ett tal, och totalen avgör vem du ringer först. Det svåra är inte formeln, det är att välja vilka frågor som ger poäng.
- Att poängsätta utan att etikettera lämnar jobbet halvfärdigt: en 85:a säger att leaden är bra; en etikett som
presupuesto-altoellersin-decisionsäger varför och vad du ska säga i samtalet. - Tröskelvärdena utvärderas från högsta till lägsta: det första vars minimum nås vinner. Med Aiformleads standardfördelning (Hot ≥ 80, Warm ≥ 50, Cold ≥ 0) är en lead med 80 poäng Hot och en med 79 Warm. Den gränsen bestämmer du själv, och du kommer att flytta den.
- En okalibrerad modell är sämre än ingen modell: om 70 % av dina leads blir Hot är din skala trasig. Mät det med fördelningen av klassificeringar och med det verkliga avhoppet per steg, inte med den procentsats en broschyr lovar.
- Att poängsätta personer har juridiska gränser: rättslig grund, förhandsinformation och rätt till radering är inte valfria (förordning (EU) 2016/679). Den här artikeln förklarar hur verktyget fungerar, den ersätter inte din juridiska rådgivares bedömning.
Om du tar emot formulär och sedan för hand avgör vilka som förtjänar ett samtal håller du redan på med lead scoring: du gör det bara i huvudet, för sent och utan att det registreras. Den här guiden förklarar hur du gör om det kriteriet till en modell av poäng och etiketter som tillämpas av sig själv i samma stund som formuläret skickas, och hur du vet om den fungerar. Exemplen är byggda på Aiformleads, AIsToHires miniapp för att fånga leads (presentation och demo av Aiformleads), och allt som beskrivs här är kontrollerat i versionen från oktober 2026: ingen funktion utlovas som verktyget inte har.

Vad är lead scoring egentligen?
Lead scoring innebär att tilldela varje kontakt en numerisk poäng utifrån vad den har svarat och hur den har betett sig, för att ordna vem du tar hand om först. I sin mest praktiska form har varje svarsalternativ i ditt formulär ett tillhörande antal poäng; när formuläret skickas summeras poängen för de valda alternativen och totalen hamnar i ett intervall (Hot, Warm, Cold) som avgör den kommersiella prioriteten.
Det är inte artificiell intelligens, och det behöver det inte vara. Det är aritmetik på kriterier som du redan tillämpar i huvudet:
- Den som har budget är värd mer än den som inte har det.
- Den som behöver något den här månaden är värd mer än den som "tittar på alternativ".
- Den som kan skriva under är värd mer än den som måste fråga tre personer.
Skillnaden mellan att göra det i huvudet och att göra det med en modell är att modellen tillämpas på alla leads, på sekunden, på samma sätt, och lämnar spår så att du kan granska det efteråt.
Explicit och implicit scoring: skillnaden som spelar roll
| Typ | Varifrån den kommer | Exempel | Täcks den av ett formulär? |
|---|---|---|---|
| Explicit | Det personen uppger | Budget, företagsstorlek, brådska, roll | Ja: det är precis vad ett formulär samlar in |
| Implicit | Det personen gör | Sidvisningar, öppnade e-postmeddelanden, nedladdningar | Delvis: kräver beteendespårning |
Den här artikeln fokuserar på den explicita scoringen, som är den du kan bygga i dag med ett formulär och den som går sönder minst: en uppgiven uppgift beror inte på att cookies fungerar eller på att besökaren använder samma webbläsare.
Var kommer poängen ifrån? Från de alternativ personen väljer
I Aiformleads finns poängen inuti varje alternativ i frågorna med enkelval och flerval: bredvid texten för varje alternativ finns en numerisk ruta där du skriver hur många poäng det är värt. När formuläret är slutfört går backend igenom svaren och summerar poängen för alla markerade alternativ. Resultatet sparas i leaden som score.

Tre praktiska konsekvenser av den designen, sagda utan utsmyckning:
- Bara frågor med alternativ ger poäng. Ett fritextfält, en slider eller ett datum ger inga poäng i sig. Om du vill att budgeten ska ge poäng, fråga om den i intervall (alternativ), inte med ett öppet tal.
- Poängen kan vara negativa. Att skriva
-20på alternativet "Jag är student / personligt projekt" är helt giltigt: det adderas rakt av. Att subtrahera är det renaste sättet att hindra en dålig lead från att smyga sig förbi genom ackumulering. - Vid flerval summeras alla markerade. Om en person väljer tre tjänster och var och en är värd 10 får den 30. Ta hänsyn till det eller sätt ett maxantal val i fältet.
Det som ett öppet eller numeriskt fält inte kan göra med poäng kan det göra med etiketter: etikettreglerna tillåter numeriska operatorer (större än,mindre än eller lika med…) på vilket svar som helst. En budgetslider ger inga poäng, men kan utlösa etikettenpresupuesto-alto.
Så bygger du din poängtabell i fem steg
Metoden som fungerar är omvänd mot den som verkar logisk: börja inte med frågorna, börja med de kunder du redan har. Avsätt en timme, öppna din lista över avslutade kunder från det senaste året och gör så här.
- Skriv ned de fem egenskaperna hos din bästa kund. Inte "stora företag", utan kontrollerbara saker: "omsätter mer än 2 M€", "har en marknadsansvarig anställd", "ringde oss med en deadline".
- Skriv ned de tre egenskaperna hos den kund som fick dig att förlora pengar. De du svor att aldrig upprepa. De blir dina negativa poäng.
- Gör varje egenskap till en fråga med slutna alternativ. Om du inte kan göra den till 3–5 alternativ, poängsätt den inte: fråga den ändå, men som fritext och för sammanhangets skull.
- Fördela 100 poäng mellan frågorna, inte mellan alternativen. Bestäm först hur mycket varje fråga väger (t.ex. budget 40, brådska 25, roll 20, storlek 15) och fördela sedan varje frågas vikt mellan dess alternativ. På så sätt tvingar du dig att prioritera.
- Sätt tröskelvärdena med handen på hjärtat: från hur många poäng skulle du själv ringa inom en timme? Det är din Hot.
Fem poängsatta frågor är ett bra tak att börja med. Varje extra fråga minskar sannolikheten att formuläret slutförs, och en perfekt lead som inte kommer fram ger inga poäng alls.
Ett fullständigt exempel på en modell: fyra frågor, 100 poäng
Det här är en verklig och användbar modell för en byrå eller ett B2B-konsultföretag. Kopiera den, ändra texterna och du har en försvarbar utgångspunkt.
| Fråga | Alternativ | Poäng |
|---|---|---|
| Vilken budget har du? (vikt 40) | Mer än 10.000 € | 40 |
| 5.000 – 10.000 € | 30 | |
| 1.000 – 5.000 € | 15 | |
| Mindre än 1.000 € | 0 | |
| Till när behöver du det? (vikt 25) | Den här månaden | 25 |
| Det här kvartalet | 15 | |
| Längre fram | 5 | |
| Jag undersöker bara | −10 | |
| Vilken roll har du i beslutet? (vikt 20) | Jag bestämmer | 20 |
| Jag bestämmer tillsammans med mitt team | 12 | |
| Jag rekommenderar, någon annan bestämmer | 6 | |
| Ingen, det är för en skoluppgift | −20 | |
| Hur många anställda är ni? (vikt 15) | Fler än 100 | 15 |
| 51 – 100 | 12 | |
| 11 – 50 | 8 | |
| 1 – 10 | 3 |
Med den här tabellen är det maximala spannet 100 och det minimala −30. Två exempel på hur det faller ut:
- Marknadschef på ett företag med 120 personer, 12.000 € i budget, behöver det den här månaden:
40 + 25 + 20 + 15 = 100→ Hot. - Egenföretagare med 800 € som "undersöker" och rekommenderar åt någon annan:
0 + (−10) + 6 + 3 = −1→ Cold.
Lägg märke till vad de negativa poängen gör: utan dem hade den andra leaden fått 9 poäng bara för att den fyllde i formuläret; med dem hamnar den uttryckligen under noll.
Tröskelvärden: att göra talet till ett beslut
En lös poäng är till ingen nytta; det som är till nytta är intervallet den tillhör. I Aiformleads definierar du intervall med ett namn, ett minimum, en färg och en emoji, och de utvärderas från högsta till lägsta: det första vars minimum nås vinner. De intervall som medföljer som standard är dessa:
| Intervall | Minimum | Föreslagen operativ betydelse |
|---|---|---|
| 🔥 Hot | 80 | Samtal samma dag, per telefon, av en person |
| ⚡ Warm | 50 | Personligt e-postmeddelande inom 48 h med ett konkret förslag |
| ❄️ Cold | 0 | Automatisk innehållssekvens, utan säljinsats |
Tre detaljer som är bra att känna till innan du ändrar dem:
- Det lägsta intervallet måste ha minimum
0eller negativt, annars blir leads som får lägre poäng utan klassificering och visas inte i fördelningen per klassificering. - Varje intervall kan ha en tillhörande etikett, så att klassificeringen och etiketteringen hålls synkroniserade utan att du skriver en separat regel.
- Aviseringarna tillåter en lägsta poäng: du kan konfigurera att aviseringen till teamet, meddelandet i chatten eller en webhook bara utlöses om leaden överstiger X poäng. Det är skillnaden mellan att ditt team tittar på notiserna och att det tystar dem efter en vecka.
Att poängsätta räcker inte: etiketten är det som gör en lead möjlig att agera på
Ett tal ordnar; en etikett förklarar. 92 poäng säger att du ska ringa; presupuesto-alto + urgente + competidor-actual säger med vilket argument du ska inleda samtalet. Därför är den automatiska etiketteringen inte ett tillbehör till scoringen: den är den andra halvan av samma arbete.

En etikettregel är ett OM… DÅ: om vissa villkor på svaren är uppfyllda tilldelas vissa etiketter. Villkoren grupperas med den vanliga logiken – inom en grupp måste alla vara uppfyllda (OCH), mellan grupper räcker det att en är uppfylld (ELLER) – och tillåter tio operatorer: är lika med, är inte, innehåller, innehåller inte, större än, större än eller lika med, mindre än, mindre än eller lika med, är tom, är inte tom.
Det som gör skillnaden mellan en etikettering som hjälper och en som skräpar ned inkorgen är de här fem kontrollerna:
| Kontroll | Vad den är till för | Exempel |
|---|---|---|
| Reglernas ordning | De utvärderas i den ordning du placerar dem | Att lägga avfärdningsregeln först hindrar att en student får etiketten hot |
| Stoppa om den tillämpas | Avbryter utvärderingen vid den första regel som uppfylls | En avfärdad lead fortsätter inte att samla kommersiella etiketter |
| Standardetikett | Tilldelas bara om ingen regel har tillämpats | sin-clasificar: ingen lead blir föräldralös i inkorgen |
| Uteslutningsregler | Två etiketter som inte kan samexistera | cliente-actual och lead-nuevo: om båda visas tas en bort |
| Hierarki (överordnad etikett) | När en underordnad tilldelas läggs dess överordnade till, upp till tre nivåer | madrid lägger till espana; att filtrera på espana hämtar även Madrid |
Och ett mått som nästan ingen har och som här kommer av sig självt: täckningen. Redigeraren räknar ut hur stor procentandel av alla alternativ i dina frågor som förekommer i någon regel. Om din täckning är 30 % säger sju av tio möjliga svar ingenting om leaden. Du behöver inte nå 100 %, men en mycket låg täckning betyder oftast att du ställer frågor som du sedan inte använder.
Kontaktbarhet: 90 poäng med en engångsadress är värda noll
En utmärkt lead som du inte kan ringa är ingen lead. Därför beräknar Aiformleads, utöver kvalificeringspoängen som du själv definierar, en kontaktbarhet från 0 till 100 med en fast formel som inte beror på din modell: den mäter om kontaktuppgifterna duger till något.
| Signal | Poäng |
|---|---|
| E-postadress med giltigt format | 40 |
| E-postdomänen är inte en engångsdomän | 10 |
| Domänen är inte en gratis e-posttjänst (gmail, hotmail, outlook, yahoo, icloud) | 10 |
| Telefonnummer med 9 siffror eller fler | 20 |
| Namn med fler än 2 tecken | 10 |
| Ytterligare en besvarad fråga (upp till 10 frågor) | 1 vardera |
Det är två tal med olika uppgifter och det är bra att inte blanda ihop dem:
- Poängen svarar på "är jag intresserad av den här leaden?".
- Kontaktbarheten svarar på "kan jag tala med personen?".
En lead med poäng 90 och kontaktbarhet 40 (Gmail-adress, inget telefonnummer) är ingen dålig lead: det är en lead som saknar en uppgift. Rätt åtgärd är inte att avfärda den, utan att be om telefonnumret. Båda värdena följer med varandra i leadens kort och i exporten.
Hur vet jag om min modell är dåligt kalibrerad?
En lead scoring-modell är dåligt kalibrerad när dess fördelning inte liknar verkligheten i din verksamhet. Den tydligaste signalen är fördelningen per klassificering: om mer än 25–30 % av dina slutförda leads blir Hot har du inte en fantastisk produkt, du har ett för lågt tröskelvärde. Om det på tre veckor inte har kommit ut en enda Hot har du det för högt.
Fyra varningssignaler och vad du ska titta på för var och en:
| Signal | Vad som händer | Vad du ska granska |
|---|---|---|
| Nästan alla leads är Hot | Lågt tröskelvärde eller uppblåsta poäng | Fördelning per klassificering; höj minimum för Hot |
| Ingen Hot kommer någonsin | Det teoretiska maximumet ligger under tröskelvärdet | Summera de maximala poängen i din tabell och jämför med tröskelvärdet |
| De Hot köper inte och de Cold gör det | Du poängsätter det som inte förutsäger försäljning | Svarskartan: vilket alternativ de som avslutade faktiskt valde |
| Många leads utan etikett | Ofullständiga regler | Regeltäckning och standardetikett |
För det sista beräknar panelen en svarskarta: för varje fråga med alternativ, hur många slutförda leads som valde varje alternativ och vilken procentandel det utgör. Det är det snabba sättet att upptäcka att 80 % av dina leads väljer det lägsta budgetintervallet och att den frågan därför knappt skiljer något åt.
Tro inte på procentsatserna i broschyrerna: mät din egen tratt
Den som lovar dig att ett formulär i flera steg konverterar X % mer än ett på en sida säljer dig andra företags genomsnitt. Det enda som spelar roll är var dina människor hoppar av, och det mäts med trattens data för ditt eget formulär, inte med en utomståendes studie.

Aiformleads tratt räknar, för varje steg, hur många sessioner som nådde det och beräknar avhoppet med en uttrycklig formel:
avhopp för steget = (ankomster till föregående steg − ankomster till det här steget) / ankomster till föregående steg × 100
Bredvid den procentsatsen ser du medeltiden som varje person tillbringade i steget. Kombinationen är mycket informativ:
- Högt avhopp + lång tid → frågan är svår eller obekväm (budget, telefon). Flytta den längre fram eller gör den valfri.
- Högt avhopp + kort tid → folk skräms när de ser steget. Det är oftast ett formulär som plötsligt ber om för många fält.
- Lågt avhopp + mycket lång tid → frågan är svår att förstå, men folk håller i. Skriv om formuleringen.
Om du testar två versioner av formuläret visar panelen dessutom felmarginalen vid 95 % för varje variant, beräknad som 1,96 × √(p(1−p)/n) på konverteringsgraden. Den är till för det enda som spelar roll i ett A/B-test: att veta om skillnaden du ser är verklig eller brus. Om variant A konverterar 22 % ± 6 och B 25 % ± 6 har du ännu inte vunnit något: du saknar data.
Sex misstag som förstör en lead scoring-modell
- Poängsätta avsikt i stället för passform. "Jag vill börja direkt" är gratis att säga. Budget och roll är det inte.
- Inte använda negativa poäng. Utan subtraktioner stiger poängen bara, och efter några veckor är alla Hot.
- Fråga om det du inte ska använda. Varje fråga kostar avhopp. Om en fråga inte ingår i poängen, i en etikettregel eller i säljsamtalet, ta bort den.
- Bygga det och aldrig titta på det igen. En modell granskas när erbjudandet, priset eller marknaden ändras. Minst en gång per kvartal.
- Förväxla poängen med ett löfte. Poängen ordnar en arbetskö; den förutsäger inte en försäljning och ersätter inte samtalet.
- Poängsätta utan att ha förberett den juridiska delen. Att samla in uppgifter för att klassificera personer kräver rättslig grund och förhandsinformation; det förbereds innan du publicerar, inte efteråt.
Vad måste man tänka på juridiskt när man poängsätter och etiketterar leads?
Att poängsätta och etikettera en person är att behandla dess personuppgifter, så det omfattas fullt ut av förordning (EU) 2016/679 (GDPR) och, om du skickar kommersiella meddelanden i Spanien, av artikel 21 i lag 34/2002 (LSSI-CE). I praktiken betyder det att ha en rättslig grund för behandlingen, informera om vad du samlar in uppgifterna till innan du samlar in dem och kunna tillgodose personens rättigheter. Det här är inte juridisk rådgivning: Aiformleads är ett formulärverktyg, inte en juridisk tjänst, och personuppgiftsansvaret ligger hos den som publicerar formuläret.
Det verktyget ger dig för att uppfylla den delen, kontrollerat i oktober 2026:
| Vanlig skyldighet | Vad appen erbjuder |
|---|---|
| Informerat och separerbart samtycke (art. 6.1.a och 7 GDPR) | Granulära samtycken i kontaktsteget, sparade tillsammans med leaden |
| Förhandsinformation (art. 13 GDPR) | Samtyckestext och länkar som kan konfigureras i formuläret |
| Rätt till tillgång (art. 15 GDPR) | Export av alla uppgifter om en enskild lead |
| Rätt till radering (art. 17 GDPR) | Radering av leaden och dess tillhörande uppgifter på begäran |
| Minimering och tidsfrister (art. 5.1.e GDPR) | Lagringstid som kan konfigureras i månader: de äldsta leadsen raderas av sig själva |
Angående artikel 22 i GDPR (automatiserade beslut): en poäng som bara används för att ordna en säljares samtalskö är normalt inte ett "automatiserat beslut med rättsliga följder eller liknande", eftersom det verkliga beslutet fattas av en person. Om ditt fall skulle vara det – till exempel att automatiskt neka en tjänst utifrån poängen – rådgör med din rådgivare innan du bygger det. Verktyget bestämmer ingenting åt dig: det räknar, etiketterar och lämnar det i inkorgen.
Så bygger du det här i Aiformleads, flik för flik
Det här är de verkliga stegen i appen, med de namn du kommer att se på skärmen.
- Skapa formuläret. Utgå från noll eller från en av de 10 inbyggda mallarna. Ett formulär är en förstasida, de frågesteg du behöver och ett avslutande kontaktsteg.
- Lägg till de poängsatta frågorna i fliken Steg. Det finns 13 fälttyper (kort och lång text, enkelval och flerval, skala och NPS, slider, matris, datum, telefon, adress, fil, signatur och beräkning). För scoringen använder du enkelval eller flerval och skriver poängen i den numeriska rutan för varje alternativ.
- Aktivera scoringen och definiera intervallen i avsnittet för aviseringar: namn, minimum, färg, emoji och, om du vill, en tillhörande etikett.
- Skriv etikettreglerna i fliken Etiketter. Definiera först ordlistan (namn, färg, kategori, överordnad etikett) och sedan reglerna med deras villkor. Ordna reglerna, markera "stoppa om den tillämpas" på avfärdandereglerna och sätt en standardetikett. Håll ögonen på täckningsindikatorn.
- Kontrollera det i förhandsvisningen. Det är samma renderare som den som fyller i formuläret kommer att se, så det du ser är det som finns. I förhandsvisningsläget skapas ingen session, inga e-postmeddelanden skickas och inga webhooks utlöses.
- Publicera det. Det finns sju sätt: offentlig länk, iframe, skript med automatisk höjd, modalfönster, sidopanel, flytande knapp och nedladdningsbar QR-kod för tryckt material.
- Arbeta i inkorgen. Filtrera efter etikett, efter leadens status (ny, kontaktad, pågående, kvalificerad, konverterad, avfärdad) eller efter poängintervall; sortera efter poäng; lägg till anteckningar; agera i grupp. Exportera till CSV eller Excel och välj kolumner, bland dem poäng, klassificering, kontaktbarhet, etiketter, land, enhet, referrer, utmsource, utmmedium, utm_campaign och variant.
- Granska och kalibrera om. Gå tillbaka varje månad till fördelningen per klassificering och till tratten, och flytta tröskelvärdena.
Vad Aiformleads gör och inte gör
Ärlighet här sparar besvikelser. Det här ingår och ingår inte i appens omfång, per oktober 2026.
| Gör det | Gör det inte |
|---|---|
| Poängsätta med poängen för varje alternativ i val | Beteendebaserad scoring på din webbplats (sidvisningar, tid på sidan) |
| Klassificera efter intervall och etikettera med regler när formuläret skickas | Bestämma åt dig: samtalet görs fortfarande av en person |
| Beräkna kontaktbarhet med en fast formel | Kontrollera hos operatören om ett telefonnummer finns |
| Tratt, avhopp per steg, svarskarta, källor, länder, enheter och varianter | Fullständig multikanalsattribution för din marknadsföring |
| Aviseringar till teamet, bekräftelse till leaden och villkorade e-postsekvenser | Vara ett fullständigt CRM med affärsmöjligheter och försäljningsprognos |
| Utgående webhooks och REST-API med egen nyckel | Dubbelriktad synkronisering med Google Sheets via OAuth |
| Exportera till CSV och Excel med kolumnväljare | Egen domän för det offentliga formuläret |
Vanliga frågor
Hur många poäng ska jag ge varje svar?
Det finns ingen universell tabell. Metoden som fungerar är att först fördela 100 poäng mellan dina frågor efter vad som verkligen förutsäger en försäljning i din verksamhet (till exempel: budget 40, brådska 25, roll 20, storlek 15) och sedan fördela varje frågas vikt mellan dess alternativ. Börja med runda tal, låt några veckor gå och justera genom att titta på vilka leads som slutade köpa.
Kan jag dra av poäng i stället för att lägga till?
Ja. I poängrutan för ett alternativ kan du skriva ett negativt tal och det adderas rakt av. Det är det bästa sättet att få profiler som inte intresserar dig – "det är för en skoluppgift", "jag undersöker bara" – att hamna under tröskelvärdet i stället för att samla poäng bara för att de fyllde i formuläret.
Vad händer med frågor som inte är flervalsfrågor?
De ger inga poäng: poängen beräknas bara med de alternativ som valts i frågor med enkelval eller flerval. Men vilket svar som helst, inklusive sliders, tal och texter, kan utlösa en etikettregel, eftersom villkoren tillåter numeriska och textuella operatorer. Om du behöver att något ska ge poäng, gör det till slutna alternativ.
Hur många frågor bör formuläret ha?
Så få som möjligt som ändå låter dig bestämma. Varje fråga ger mer avhopp, och det kan du mäta: tratten talar om exakt i vilket steg folk faller bort och hur lång tid de tillbringade där. Börja med fyra eller fem poängsatta frågor, titta på avhoppet per steg i ett par veckor och ta bort de som inte tillför något till poängen eller etiketterna.
När beräknas poängen, vid svar eller vid inskickning?
När formuläret slutförs. I det ögonblicket validerar backend inskickningen, summerar poängen för de valda alternativen, avgör klassificeringsintervallet, tillämpar etikettreglerna, löser den avslutande skärmen och skickar de aviseringar och webhooks som hör dit. De partiella svaren från en avbruten session sparas, men den sessionen blir varken poängsatt eller etiketterad.
Hur ofta måste man se över lead scoring-modellen?
Minst en gång per kvartal, och varje gång du ändrar erbjudande, pris eller marknad. Den snabba granskningen är två uppgifter: fördelningen per klassificering (om nästan allt blir Hot eller ingenting gör det är tröskelvärdet fel) och svarskartan (vad de leads som faktiskt köpte egentligen valde).
Kan jag avisera teamet bara när en bra lead kommer in?
Ja. Aviseringarna till teamet, meddelandet i chatten och webhooks tillåter en lägsta poäng: under den utlöses de inte. Det är sättet att få notiserna att fortsätta betyda något efter den första månaden i stället för att hamna tystade.
Går det att föra över leads till ett annat verktyg?
Ja. Du kan exportera till CSV eller Excel och välja vilka kolumner du tar med (poäng, klassificering, kontaktbarhet, etiketter, status, ursprung, UTM, variant…), skicka varje lead till dina system med utgående webhooks och hämta formulär, leads och statistik från ett REST-API med egen nyckel.
Är det lagligt att poängsätta personerna som fyller i mitt formulär?
Att klassificera leads är en behandling av personuppgifter och omfattas av GDPR: du behöver rättslig grund, informera innan du samlar in uppgifterna och kunna tillgodose rätten till tillgång och radering. Appen ger de tekniska delarna (granulära samtycken sparade med leaden, export och radering av en enskild lead, lagringstid som kan konfigureras i månader), men personuppgiftsansvaret är ditt och den konkreta konfigurationen bör gås igenom med din juridiska rådgivare.
I en mening
Aiformleads är AIsToHires miniapp som förvandlar ett formulär i flera steg till leads som redan är poängsatta och etiketterade i samma stund som de skickas, och den finns som Aiformleads — Formulär som fångar leads och klassificerar dem själva. Lead scoring är ingen magi: det är att en gång, skriftligt, bestämma vad som gör en kund bra, och låta det beslutet tillämpas av sig själv på alla som knackar på din dörr.
Bygg din lead scoring-modell i Aiformleads: skapa formuläret, sätt poängen på varje alternativ, definiera dina intervall och börja ta emot varje lead redan poängsatt och etiketterad i inkorgen.
Bygg din lead scoring-modell i Aiformleads: skapa formuläret, sätt poängen på varje alternativ, definiera dina intervall och börja ta emot varje lead redan poängsatt och etiketterad i inkorgen.Läs vidare
Visa alla inlägg →
Nästan hälften av inskicken i dina formulär är bottar: så upptäcker du falska leads 2026

Därför har din bilförsäkring stigit 2026: genomsnittspremie på 1 412 € och rekordnivå

Bråka på WhatsApp eller prata ut personligen: vad vetenskapen säger om parkonflikter via meddelanden
