Prediktiv analyse: Hvordan marketingfolk kan forbedre fremtidige aktiviteter: Social Media Examiner

Vil din markedsføring være mere effektiv?

Spekulerer på, hvordan forudsigelse af dine marketingcyklusser kan hjælpe?

For at undersøge, hvordan marketingfolk kan komme i gang med forudsigende analyse, interviewer jeg Chris Penn.

Mere om dette show

Det Social Media Marketing podcast er et on-demand talkshows fra Social Media Examiner. Det er designet til at hjælpe travle marketingfolk, virksomhedsejere og skabere med at opdage, hvad der fungerer med social media marketing.

I denne episode interviewer jeg Chris Penn, medstifter og chefinnovator hos Brain + Trust Insights. Han er også co-vært for Marketing over kaffe podcast og den ledende analyseekspert for Social Media Marketing World.

Chris forklarer, hvordan man sikrer kvaliteten af ​​de underliggende data, der bruges i forudsigende analyse.

Du finder også datakilder og værktøjer, der bruges til at forudsige forudsigelser.

Del din feedback, læs shownoterne, og få de links, der er nævnt i denne episode nedenfor.

Lyt nu

Hvor skal du abonnere?: Apple Podcast | Google Podcasts | Spotify | RSS

Rul til slutningen af ​​artiklen for links til vigtige ressourcer, der er nævnt i denne episode.

Her er nogle af de ting, du finder ud af i dette show:

Forudsigende analyse

Chris's Story

Chris kom i gang med analytics gennem sin baggrund i IT. I 2003 begyndte han at arbejde som it-direktør for en studielånstart, hvor hans rolle udvidede sig ud over det traditionelle it-ansvar. Ud over at køre web- og e-mail-serverne opdaterede han også webstederne og sendte den ugentlige e-mail.

Chris udførte dette arbejde, før Google Analytics eksisterede, så da administrerende direktør for hans firma spurgte, hvordan webstederne og e-mails klarer sig, havde Chris ikke noget svar. For at finde ud af det begyndte Chris og hans team at udvikle deres egne værktøjer til at forstå det grundlæggende, ligesom hvor mange mennesker besøgte hjemmesiden hver dag.

Over tid blev analytics praksis et centralt fokus for Chris. Han forsøgte ikke kun at lære, hvad der skete, men hvorfor det skete, og hvordan virksomheden kunne reagere.

Lyt til showet for at høre Chris diskutere sin uddannelsesmæssige baggrund.

Hvad er forudsigelig analyse?

Forudsigende analyse bruger statistik og maskinlæring til at analysere data og forudsige. Mennesker er meget forudsigelige. Vi følger alle rutiner, såsom at børste tænder og derefter tage et bad eller tage hvert tøj på i en bestemt rækkefølge hver morgen.

Fordi mennesker er forudsigelige på både mikro- og makroskala, kan marketingfolk for det meste forudsige, hvad der vil ske. For eksempel i Nordamerika, hvis du er en B2C-marketingmedarbejder, ved du stort set, at du har travlt fra 1. november til 26. december, fordi det er en spids tid for produktsalg.

Tilsvarende, hvis du er en B2B-marketingmedarbejder, er din travle tid 1. januar til omkring slutningen af ​​maj. Derefter tager forretningen op lige efter Labor Day i USA og Canada og fortsætter gennem U.S. Thanksgiving. Uden for disse tidspunkter er det meget sværere at være en marketingmedarbejder, uanset om du fokuserer på digital, social eller betalt.

Lyt til showet for at høre flere eksempler på forudsigelig menneskelig adfærd.

Hvad kan forudsigende analyse gøre?

Fordi vi kender disse ting generelt, kan maskiner hjælpe os med at gøre disse forudsigelser mere specifikke. Værdien af ​​prædiktiv analyse er deres specificitet. Hvis du ved, hvilken uge du skal gøre mere Facebook Live eller bruge mindre på annoncer, kan du være mere effektiv og effektiv i din markedsføring. Hvis du ved, hvordan du kan forudsige, kan du tjene penge, spare penge, spare tid og ikke blive fyret.

Prediktiv analyse fokuserer specifikt på at prøve at finde ud af, hvad der sker næste gang. For den gennemsnitlige marketingmedarbejder er forudsigelser af tidsserier (eller når der sker noget) den mest konventionelle og nyttige anvendelse. For at illustrere, hvis du er marketingmedarbejder på sociale medier, vil du vide, hvornår du skal bemande dit kundeserviceteam for at besvare kundehenvendelser.

Prediktiv analyse kan også finde ud af ting som når nogen køber en ny bil, eller om de er forventningsfulde forældre. Disse applikationer er imidlertid mere nuancerede end forudsigelser af tidsserier.

Lyt til showet for at høre om mine erfaringer med forudsigende analyse, da jeg var B2B-forfatter.

Sådan fungerer forudsigelig analyse

Prædiktiv analyse er sandsynligvis tæt på 70 år gammel nu. Folk er overraskede over at høre, hvor gammel disciplinen er, fordi de mener, at maskinlæring er noget nyt. Teorierne og de matematiske formler har dog eksisteret i meget lang tid.

Hvad der er ændret, er beregningskraften til laptops, desktops og cloud-servere. De kan knuse større antal på kortere tid. Teoretisk kan du lave forudsigende analyser på papir, men det vil kræve meget papir og tid.

For at gøre forudsigende analyse godt skal du have tre evner. For det første har du brug for nogen med udviklingsevner til at udtrække data fra dine datakilder, såsom Google Analytics, Facebook Insights, Twitter og andre former for sociale data. Dataene kan være i systemer, du ejer eller tredjepartssystemer. Den, der har dataene, skal du være i stand til at få dem ud.

Chris kan lide udtrykket "Data er den nye olie", for hvis du nogensinde har set råolie, er det et modbydeligt rod. Du kan ikke gøre meget med det, før du trækker det ud af jorden, forfiner det og derefter giver det til folk, der kan bruge det i biler eller til at fremstille plastskåle, der ikke går i stykker, når de falder på gulvet. Med forudsigende analyse er det meget det samme.

Raffinaderierne er dataforskere, der renser dataene til noget, du kan bruge. Derefter gør marketingteknologer, som er rollen for mange marketingmedarbejdere i dag, noget med disse data. De fortolker ikke kun dataene; de handler på det.

Chris understreger vigtigheden af ​​at handle på de data, du får. Hvis du ved, hvilken uge du skal promovere din begivenhed, men ikke gør noget med disse oplysninger, er der ingen mening i at forudsige.

Nøjagtigheden af ​​forudsigelserne afhænger af de underliggende data og den algoritme, du bruger til at foretage forudsigelserne. På et eller andet tidspunkt vil næsten alle løbe ind i et problem med datakvalitet. Måske har du ikke oprettet Google Analytics rigtigt, du har ikke sat dine mål rigtigt, du har glemt at tænde din Facebook-pixel; nogen af ​​disse ting.

Lyt til showet for at høre Chris diskutere en populær type teknisk aktieanalyse.

Praktiske markedsføringsapplikationer til forudsigelig analyse

Når Chris foretager en forudsigende prognose, er det typisk en linjediagram på 52 uger. For hver uge viser diagrammet en forudsigelse for, hvad dataserien er. Det meste af tiden bruger Chris søgedata, fordi folk skriver ting i Google, som de ikke ville fortæl et andet menneske, gør søgedata til en meget god indikator for, hvad der faktisk er på nogen sind.

Mange søgedata er tilgængelige, og du kan få adgang til noget af det gratis gennem værktøjer som f.eks AdWords søgeordsplanlægning eller Google Trends. Når du har dataene, kan du forudsige en tendens af en slags, som er en dataserie, og derefter identificere toppe og dale. Chris anbefaler at have alt fra 1 til 5 års data som grundlag for din forudsigelse.

Sig, at du udtrækker 5 års søgningsdata om markedsføring på sociale medier, fordi du spekulerer på, hvornår folk i det næste år vil søge efter "sociale medier" markedsføring. ” Hvis du tilfældigvis ved, at det bliver 20. marts, 19. april, 27. maj, 4. juli, 10. september og 21. oktober i det kommende år, er det dine højvandsmærker.

Med disse datoer kan du også se, hvad der sker 2 til 3 uger før hver dato. Typisk er der en op til det højdepunkt. Så en social mediemarkedsfører skal øge deres annonceudgifter. En organisk marketingmedarbejder skal sende en masse og fordoble antallet af Instagram-historier, de laver. En PR-person skal tonehøjde måneder i forvejen for at blive vist i publikationer på disse datoer.

Du ved også, hvornår dalene vil ske, så du kan planlægge at banke indhold, mens der ikke sker meget. Du kan muligvis optage podcasts, være vært på andre websteder, skrive en masse blogindlæg og lagre indhold. Derefter, når den næste top kommer, kan du ramme den kadence, du skal ramme, uden at udbrænde.

På denne måde hjælper forudsigelser dig med at tjene penge på toppe og spare penge på dypene. Du kan planlægge og opbygge din strategi baseret på, hvornår ting sandsynligvis vil ske. Denne applikation fungerer for både B2C- og B2B-virksomheder, fordi folk skriver ting i Google hele dagen, hver dag.

Jeg spørger, hvilke andre datakilder du kan bruge til at forudsige forudsigelser. Chris siger, at enhver tidsbaseret datakilde er gyldig, og sociale mediesamtaler varierer på hvert netværk. Dine Pinterest-forudsigelser kan være anderledes end dine Facebook- og Twitter-forudsigelser. Lav forudsigelser baseret på alle disse data.

For at gøre det er et virkelig godt værktøj CrowdTangle. Det er fantastisk, fordi det giver dig tidsseriedata ned til det enkelte postniveau. En PR-person kan hente nyhedsomtaler og nyhedsdækning. En annoncør kan trække pay-per-click beløb, byde priser, alle disse ting.

Tredjeparts datakilder er gode, fordi du som virksomhed ikke kan ødelægge disse data i sig selv, selvom du kan bede om de forkerte ting. En velrenommeret dataleverandør er SEMrush, som har data af god kvalitet. En anden sælger, Brand24, overvåger medier.

Du kan også se på søgedata fra SEO-værktøjer, der ikke er Googles. Disse er alle gode datakilder, fordi de er konsistente, normaliserede og regelmæssige. De er også med rimelighed rene.

Chris deler derefter et andet eksempel på, hvordan du kan anvende forudsigelig analyse til din virksomhed. Chris foretog en forudsigende løbetur for et casino baseret på 2 års daglig slotmaskineomsætning. Efter at have sat disse data i en algoritme var Chris i stand til at forudsige casinoets indtægter for det næste år.

Med disse forudsigelser kunne casinoet se, hvornår slotindtægterne ville være lave, og de havde brug for at skrue op for nogle kampagner, køre annoncer, bringe en speciel gæsteteater eller noget lignende. Dataene hjalp dem med at rette disse huller i deres indtægter.

Jeg spørger, hvordan marketingfolk undgår at påvirke dataene. Hypotetisk, sig, at vi styrker vores marketingkampagner til Social Media Marketing World på bestemte tidsplaner, der ikke nødvendigvis er baseret på forudsigelser, men dem, vi besluttede at bruge. Hvordan udelukker vi, at stammens og samfundets opførsel ikke nødvendigvis skyldes vores handlinger?

Chris siger, at Social Media Marketing World er et så stort, vellykket show, at det faktisk påvirker, når folk søger efter ting som "socialt mediemarkedsføring. ” Du kan dog forfine de data, du trækker, på et par forskellige måder for at minimere begivenheder, problemer osv. Fra at påvirke det.

For eksempel, hvis du bruger et socialt lytteværktøj, kan du ekskludere omtale af Social Media Marketing World, #socialmediaexaminer, Michael Stelzner og relaterede emner. Disse udelukkelser hjælper med at reducere de datapunkter, der ikke skal være der.

Du kan også bruge benchmarking, som etablerer en baseline uden for en bestemt sæson, der tilføjer 20.000 omtaler om dagen. Selv i sæsonen, er der noget, der er uforholdsmæssigt stort til hvad der skal være der? Du kan køre prognoser på den måde.

Den bedste måde at forfine data på er dog på dataniveau. Fjern ting, som du ved er forurenende, i mangel af et bedre ord. Derefter kan du forudsige fra de raffinerede data.

Når det er sagt, hvis du markedsførte Social Media Marketing World, ville du ikke nødvendigvis ønsker at forfine data på denne måde. Hvis du får stammen til at påvirke, hvordan folk rundt om i verden søger efter "social media marketing", er det en god ting. Det er en grund til at fejre din succes og forsøge at forårsage endnu mere adfærdsmæssige ændringer ved at komme foran trends endnu tidligere.

Lyt til showet for at høre mine tanker om forudsigelige menneskelige mønstre.

Hvad du ikke kan forudsige

Chris siger, at du ikke kan forudsige tre ting. Den første er en større omvæltning, der vil fordreje dine data, såsom politisk uro, kulturel omvæltning, naturkatastrofe, ting som det. Alle disse ting forårsager stor indblanding, der kan ødelægge en prognose. Sektorer med meget omvæltning, såsom aktiemarkedet, er næsten umulige at forudsige med nøjagtighed.

Det andet er noget, der aldrig er sket, såsom præsidentvalget i 2016. Konkurrencen mellem de to kandidater, der kørte, var aldrig sket før. Mange mennesker, der skabte forudsigelige værktøjer og prognoser for valget, baserede deres modeller på valget i 2012.

Kandidaterne i hvert parti var imidlertid meget forskellige mennesker mellem disse valgår. Så de værktøjer, som folk byggede i 2016, var baseret på noget, der var sket tidligere, men som ikke skete i øjeblikket. Du kan ikke forudsige, hvad der aldrig er sket.

Den tredje diskvalificering til forudsigende analyse er dårlige data. Hvis du har beskadigede data eller ingen data, kan du ikke komme med nøjagtige forudsigelser. Hvis du ved, at din virksomhed har datainfrastrukturproblemer, er forudsigende analyse faktisk farlig. Det ville være som at køre med en GPS, der har dårlige data og fortæller dig at køre lige ud for en klint.

Lyt til showet for at høre Chris dele endnu en periode for omvæltning.

Almindelige dataproblemer

Hvis du vil prøve forudsigende analyse, er Google Analytics en god start. De fleste marketingfolk har bestemt disse data, men det kan have problemer. Hvis du f.eks. Bruger marketingautomationssoftware, skal du placere dine Google Analytics-tags på dine destinationssider i den software. Hvis du ikke gør det, har du problemer med dataintegritet.

Jeg spørger derefter, hvordan jeg skal håndtere bots og blokkerere. Chris siger, at sociale medier, især Instagram og Twitter, er fyldte med bots. Den gode nyhed er, at botadfærden er ret forudsigelig, fordi de mennesker, der skrev disse bots, brugte meget primitive algoritmer. I dataforberedelsesprocessen er bots nemme at få øje på, og du kan fjerne dem.

For at illustrere har en bot altid en biografi, der følger nøjagtigt det samme format. Biografen begynder med forskellige ord, der er forskellige længder efterfulgt af "tjek mig ud" og derefter et link.

Blokkere er betydeligt sværere at arbejde med. Hvis du forsøger at forudsige baseret på annoncedata, og blokkeringer fjerner data, er det meget vanskeligt at rette. Dataene er ikke forkerte; du har det ikke engang. Det er ufuldstændigt.

Du kan håndtere ufuldstændige data på to måder. For det første kan du se efter noget, der er retningsbestemt, fordi de data, du har, stadig er repræsentative. Sig, at du ved, at 30% af de annoncer, der blokeres, sker på en mobilenhed, men det er en jævn 30%. Du har ikke blokeret 22% af annoncer på et websted, men 5% på et andet.

Hvis blokeringen alt sammen er relativt konsekvent, bliver du stadig retningsbestemt på den rigtige måde, fordi nogle annoncer over tid fungerer bedre eller dårligere.

Den anden mulighed er kun tilgængelig for virksomheder med en massiv database, såsom store teknologivirksomheder eller datafirmaer. Med en stor mængde data kan du gøre imputation, der bruger et eksisterende trænet datasæt og maskinindlæring til at udfylde de ufuldstændige stykker.

Et virkelig godt eksempel på imputation er sociale andele. I begyndelsen af ​​februar slukkede LinkedIn sine aktienumre, så du får ikke længere dette nummer fra noget overvågningsværktøj til sociale medier. Hvis Chris arbejdede i et overvågningsfirma for sociale medier, ville han bruge de sidste 10 års data som et træningssæt og udlede antallet af aktier.

Du kan udlede antallet af delinger, så længe du har andre parallelle datasæt, som Twitter og Pinterest. Disse aktienumre vil i det væsentlige lade en maskine udfylde tomrummet for LinkedIn-aktier.

Lyt til showet for mine tanker om bots og blockers.

Eksempler

For et velkendt kontorforsyningsfirma kørte Chris forudsigende analyser af mærkenavnet og det generiske udtryk “kontor forsyninger. ” Selvom mærkenavnet og det generiske udtryk afspejlede hinanden, var "kontorartikler" 20 dage bag mærket navn.

For eksempel havde mærkenavnet en stor stigning i slutningen af ​​august, hvilket Chris tilskrev back-to-school sæson og folk, der vendte tilbage til arbejde. Men så 20 dage senere fulgte søgeudtrykket efter "kontorartikler" nøjagtigt samme spids og nøjagtigt det samme mønster. Uanset hvad der sker der adfærdsmæssigt, ser folk efter mærket og søger derefter efter det generiske udtryk 20 dage senere.

Baseret på resultaterne foreslog Chris, at virksomheden skulle oprette en retargeting-kampagne, der var tidsindstillet til 19 dage. Retarget alle, der går til dit websted 19 dage senere med en annonce, der minder dem om at vende tilbage for mere kontorartikler. Med retargeting-annoncen kunne virksomheden genvinde noget af denne efterspørgsel.

På denne måde kan forudsigende analyse tilbyde et stort investeringsafkast. Nogen kunne antage, at alt, hvad de laver, ikke fungerer mere og bare stoppe. Med forudsigende analyser kan du se, at din sociale marketing simpelthen ikke er synkroniseret med kundernes mønstre.

Dernæst deler Chris et eksempel fra sin egen virksomhed. Han benchmarkede baseret på, hvornår folk søger efter Outlook out-of-office-indstillinger, for når nogen er når du leder efter det, ved du, at de gør sig klar til at tage på ferie, hvilket betyder, at de ikke læser deres e-mail. Efter at have kørt dette benchmark i oktober 2017 forventede Chris fremad i første kvartal.

Chris forventede, at søgevolumenet var lavest, hvilket betyder, at de fleste mennesker var på kontoret, ugen den 18. januar 2018. I den uge kørte Chris den samme kampagne for sin bog til den samme liste og med det samme tilbud som han kørte i 2017.

Ved at forfine sin timing til 2018-forfremmelsen øgede Chris bogsalget med 40%. Hans kampagne i 2017 var slukket med ca. 2 uger, og Chris lærte, at det var en enorm forskel at være ude af synkronisering med sit publikum.

Jeg spørger, hvordan en virksomhed, der offentliggør oplysninger, kan bruge forudsigende analyser til at forbedre sin strategi. For dette eksempel siger Chris, at en af ​​hans yndlingsapplikationer er indholdsstrategi. Sig, at du regelmæssigt dækker visse emner. Du kan køre en hel kombination af disse forudsigelser.

De mest effektive 10% kan føre din redaktionelle kalender, fordi hvis du kender de måneder, hvor folk vil være mest interesserede i et emne, kan du planlægge månedlige funktioner omkring dette emne. Du ved endda ned til ugen, hvornår du skal offentliggøre indhold om et bestemt emne. På denne måde kan du ramme den høje tone hver måned.

Prediktiv analyse kan også informere din reklamekalender. Hvis du ved, at du udgiver om et bestemt emne, kan du indstille dine satskort baseret på dette emne. I den måned, du ved, at publikums efterspørgsel efter et emne er høj, kan du opkræve fuld pris for annoncører, der er interesserede i dette emne. Når du ved, at interessen for annoncørernes målemne er lav, tilbyder du muligvis 40% rabat.

Lyt til showet for at høre Chris diskutere, hvordan Social Media Examiner muligvis anvender forudsigende analyser på dets indhold.

Værktøjer

Chris siger, at de bedste værktøjer er gratis. De programmerer sprog (som f.eks R og Python) samt bibliotekerne (som f.eks SIDEKIT, NumPy, tidsplan) den tilbudskode, du kan bruge til bestemte opgaver. For at bruge disse gratis værktøjer har du dog brug for en masse teknisk erfaring. Programmeringssprogene og bibliotekerne er som motordele. For at få en bil skal du bygge den selv.

Til den teknisk dygtige forretning af enhver størrelse, hvis du har nogen eller flere mennesker, der kan udfylde rollerne som udvikler, dataforsker og marketingteknolog, kan du bruge forudsigende analyse til at oprette dine egne prognoser for ledig.

Men hvis du ikke har tid eller viden til at bruge disse værktøjer, men du har penge, er dit bedste valg at outsource prognoser. Ansæt et datavidenskabsfirma.

Hvis du er interesseret i at lære, hvordan datalogi fungerer, anbefaler Chris kraftigt bloggen på KDnuggets.com og IBM datavidenskab blog. Det IBM Data Science Experience er også fremragende. Du bør også følge udviklerblogs for de store teknologivirksomheder som f.eks Microsoft, Amazon, Googleog IBM.

Du finder dog de bedste oplysninger om datavidenskab i akademiske papirer. Hvis du kan læse disse papirer uden at falde i søvn og udtrække oplysningerne, finder du noget ægte guld. Du lærer teknikker, som du kan prøve på dine data.

Denne forudsigelige algoritme, som vi har talt om, har eksisteret i 70 år. Det er et værktøj som en spatel. Hvis alt hvad du nogensinde gør er at vende et stykke skål, har du en meget dyr skålflipper.

Men hvis du tænker på at grille, stege og alle de ting, du kan gøre med en spatel, bliver mulighederne uendelige. Det samme gælder datavidenskabsværktøjer og algoritmer. Du kan bruge din kreativitet og nysgerrighed til at prøve dem på alle disse forskellige måder.

I fremtiden bliver brugen af ​​disse værktøjer lige så let som at køre en Facebook-annonce, fordi en masse forudsigende analyser allerede er meget mekaniserede. Det vil dog tage længere tid at ske den del, der involverer menneskelig vurdering og kontekst. Maskiner kan ikke forstå, hvordan virksomheder fungerer, og kan derfor ikke se disse muligheder.

Men efter at du har kortlagt den store strategi, vil du snart kunne klikke på en knap, stryge dit kreditkort, betale dit månedlige gebyr på $ 99, og værktøjet spytter diagrammer. Chris mener, at denne mulighed vil være tilgængelig inden for de næste 5 år.

Længere nede ad vejen, når kunstig intelligens til generelle formål forbedres, kan du muligvis fortælle en maskine, du vil optimere dit Facebook-forbrug baseret på efterspørgsel. Derefter foretager maskinen automatisk forudsigelsen, finder ud af, hvornår toppe og dale opstår, og dybest set kører dit budget og annoncer for dig. Det er sandsynligvis 5 til 10 år ude.

Lyt til showet for at høre Chris fortælle mere om, hvad maskiner ikke kan.

Ugens opdagelse

Reshot er et lagerfotoside, der undgår kliché-stockbilleder.

Fotos på Reshot afspejler fotografens unikke perspektiv. På denne måde er fotos af højere kvalitet end dem på mange andre lagerfotosider.

Webstedet bruger en enkel licens og vilkår der giver dig en masse fleksibilitet til at bruge fotos.

Reshot-fotos er gratis, selvom du også kan finde fotos til salg fra Reshot-partnere. Besøg webstedet for at gennemse billederne eller lære mere.

Lyt til showet for at lære mere, og fortæl os, hvordan Reshot fungerer for dig.

Vigtigste takeaways nævnt i denne episode:

• Lær mere om Chris's forretning, Brain + Trust Insights.
• Følg Chris videre Twitter.
• Læs Chris's blog.
• Lyt til Chris's podcast, Marketing over kaffe.
• Få adgang til søgedata med AdWords søgeordsplanlægning eller Google Trends.
• Få mere at vide om CrowdTangle.
• Tjek tredjepartsdataleverandører SEMrush og Brand24.
• Lær om statistik imputation.
• Oplev mere om R og Python og biblioteker som SIDEKIT, NumPyog tidsplan.
• Besøg KDnuggets.com, IBM datavidenskab blogog IBM Data Science Experience.
• Følg udviklerblogs for Microsoft, Amazon, Googleog IBM.
• Find fotos til dit indhold via Reshot.
• Se vores ugentlige sociale medier Marketing Talk Show på fredage kl. 10 Pacific på Crowdcast eller tune ind på Facebook Live.
• Download 2017 Social Media Marketing Industry Report.

Hvad synes du? Hvad er dine tanker om forudsigende analyse? Del dine kommentarer nedenfor.