{"id":11109,"date":"2024-12-08T07:39:40","date_gmt":"2024-12-08T02:09:40","guid":{"rendered":"https:\/\/www.jobberx.in\/blog\/?p=11109"},"modified":"2025-10-29T11:45:03","modified_gmt":"2025-10-29T06:15:03","slug":"maitrise-avancee-de-la-segmentation-precise-techniques-processus-et-optimisations-pour-une-personnalisation-e-mail-experte","status":"publish","type":"post","link":"https:\/\/www.jobberx.in\/blog\/maitrise-avancee-de-la-segmentation-precise-techniques-processus-et-optimisations-pour-une-personnalisation-e-mail-experte","title":{"rendered":"Ma\u00eetrise avanc\u00e9e de la segmentation pr\u00e9cise : techniques, processus et optimisations pour une personnalisation e-mail experte"},"content":{"rendered":"<h2 style=\"font-size: 1.5em; font-weight: bold; margin-top: 40px; margin-bottom: 20px; color: #34495E;\">1. Comprendre en profondeur la m\u00e9thodologie de segmentation pr\u00e9cise pour la personnalisation avanc\u00e9e des campagnes e-mail<\/h2>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">a) Identification des objectifs sp\u00e9cifiques de segmentation : comment d\u00e9finir des KPIs clairs et mesurables<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">Pour atteindre une segmentation \u00e0 la fois pr\u00e9cise et pertinente, il est imp\u00e9ratif de commencer par d\u00e9finir des objectifs op\u00e9rationnels clairs. Cela implique de d\u00e9terminer pr\u00e9cis\u00e9ment quels r\u00e9sultats vous souhaitez optimiser : taux d\u2019ouverture, taux de clics, conversion, ou encore r\u00e9activation. Chaque objectif doit \u00eatre associ\u00e9 \u00e0 des KPIs quantifiables, par exemple : <em>augmentation du taux d\u2019ouverture de 15 % sur un segment sp\u00e9cifique<\/em> ou <em>r\u00e9duction du taux de d\u00e9sabonnement de 10 % dans le segment des inactifs<\/em>. La d\u00e9marche consiste \u00e0 \u00e9tablir une hi\u00e9rarchie claire des priorit\u00e9s, puis \u00e0 d\u00e9finir des seuils de succ\u00e8s pour chaque KPI, afin de guider l\u2019impl\u00e9mentation de la segmentation avec une orientation mesurable.<\/p>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">b) Analyse des donn\u00e9es clients : quelles sources, quels types de donn\u00e9es (comportementales, d\u00e9mographiques, transactionnelles) et comment les collecter efficacement<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">L\u2019analyse fine des donn\u00e9es clients n\u00e9cessite une approche multi-sources rigoureuse. Commencez par cartographier toutes les sources internes : CRM, plateforme d\u2019e-commerce, outils de marketing automation, et syst\u00e8mes de support client. Ensuite, identifiez trois types principaux de donn\u00e9es :<\/p>\n<ul style=\"margin-left: 20px; line-height: 1.6;\">\n<li><strong>Donn\u00e9es d\u00e9mographiques :<\/strong> \u00e2ge, sexe, localisation, statut professionnel. Collectez-les via formulaires d\u2019inscription, campagnes de questionnaires ou int\u00e9grations avec des r\u00e9seaux sociaux.<\/li>\n<li><strong>Donn\u00e9es comportementales :<\/strong> clics, taux d\u2019ouverture, navigation sur site, temps pass\u00e9, interactions avec le contenu. Impl\u00e9mentez des balises de suivi (tracking pixels, UTM, cookies) pour r\u00e9colter ces donn\u00e9es en temps r\u00e9el.<\/li>\n<li><strong>Donn\u00e9es transactionnelles :<\/strong> historique d\u2019achats, paniers abandonn\u00e9s, montants d\u00e9pens\u00e9s. Synchronisez ces informations avec votre CRM via API ou extraction r\u00e9guli\u00e8re de bases de donn\u00e9es.<\/li>\n<\/ul>\n<p style=\"line-height: 1.6;\">L\u2019impl\u00e9mentation efficace repose sur l\u2019automatisation de la collecte : utilisez des outils ETL (Extract, Transform, Load) pour centraliser et nettoyer ces donn\u00e9es, puis alimentez une base analytique robuste (ex. Data Warehouse) pour une exploitation avanc\u00e9e.<\/p>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">c) Construction d\u2019un mod\u00e8le de segmentation multi-crit\u00e8res : m\u00e9thodes pour combiner plusieurs dimensions (ex. \u00e2ge, localisation, historique d\u2019achat) pour une segmentation fine<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">La segmentation multi-crit\u00e8res repose sur la cr\u00e9ation d\u2019un mod\u00e8le combin\u00e9, utilisant des techniques statistiques et de machine learning pour croiser plusieurs dimensions. Voici la d\u00e9marche :<\/p>\n<ol style=\"margin-left: 20px; line-height: 1.6;\">\n<li><strong>Normalisation des variables :<\/strong> standardisez les donn\u00e9es num\u00e9riques (ex. \u00e2ge, montant d\u00e9pens\u00e9) via z-score ou min-max scaling pour \u00e9viter que certaines variables dominent la segmentation.<\/li>\n<li><strong>Cr\u00e9ation de variables composites :<\/strong> par exemple, combiner localisation et comportement pour g\u00e9n\u00e9rer des segments g\u00e9o-comportementaux.<\/li>\n<li><strong>Utilisation d\u2019algorithmes de clustering :<\/strong> appliquez des m\u00e9thodes comme K-means, DBSCAN ou Gaussian Mixture Models, en d\u00e9terminant un nombre optimal de clusters via la m\u00e9thode du coude ou silhouette.<\/li>\n<li><strong>Validation et interpr\u00e9tation :<\/strong> v\u00e9rifiez la coh\u00e9rence des segments via des indices internes, puis interpr\u00e9tez chaque cluster pour leur assigner une signification op\u00e9rationnelle.<\/li>\n<\/ol>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">d) S\u00e9lection des variables cl\u00e9s et cr\u00e9ation de segments dynamiques : comment d\u00e9terminer les variables pertinentes et automatiser la mise \u00e0 jour des segments<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">La s\u00e9lection des variables cl\u00e9s passe par une \u00e9tape d\u2019analyse de leur pouvoir discriminant. Utilisez des techniques de s\u00e9lection telles que :<\/p>\n<ul style=\"margin-left: 20px; line-height: 1.6;\">\n<li><strong>Analyse de corr\u00e9lation :<\/strong> rep\u00e9rez celles qui ont une forte association avec les <a href=\"https:\/\/www.bytelsistemi.net\/comment-la-perception-du-temps-modifie-nos-strategies-mentales-et-decisions-quotidiennes\/\" rel=\"nofollow noopener\" target=\"_blank\">comportements<\/a> cibles.<\/li>\n<li><strong>R\u00e9gression logistique :<\/strong> identifiez les variables ayant une influence significative sur la conversion ou le churn.<\/li>\n<li><strong>Techniques de r\u00e9duction dimensionnelle :<\/strong> PCA ou t-SNE pour visualiser la contribution de chaque variable dans l\u2019espace de segmentation.<\/li>\n<\/ul>\n<p style=\"line-height: 1.6;\">Automatisez la mise \u00e0 jour dynamique via des scripts SQL ou Python : par exemple, ex\u00e9cutez un script toutes les heures qui recalculent la segmentation en int\u00e9grant les nouvelles donn\u00e9es. Utilisez des outils comme Airflow ou Prefect pour orchestrer ces processus, garantissant ainsi que chaque segment refl\u00e8te la derni\u00e8re activit\u00e9 du client.<\/p>\n<h2 style=\"font-size: 1.5em; font-weight: bold; margin-top: 40px; margin-bottom: 20px; color: #34495E;\">2. Mise en \u0153uvre technique de la segmentation : \u00e9tapes d\u00e9taill\u00e9es pour une configuration optimale<\/h2>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">a) Pr\u00e9parer l\u2019environnement technique : outils, CRM, plateformes d\u2019emailing (ex. Mailchimp, Sendinblue) et int\u00e9gration des donn\u00e9es<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">Avant de commencer la segmentation, il est crucial de pr\u00e9parer un environnement technique robuste. Cela comprend :<\/p>\n<ul style=\"margin-left: 20px; line-height: 1.6;\">\n<li><strong>Choix de la plateforme d\u2019emailing :<\/strong> optez pour un outil offrant une API flexible (ex. Sendinblue, Mailchimp, SendGrid) avec capacit\u00e9s d\u2019int\u00e9gration avanc\u00e9e.<\/li>\n<li><strong>Int\u00e9gration CRM :<\/strong> utilisez des connecteurs natifs ou developpez des API sur-mesure pour assurer une synchronisation bidirectionnelle en temps r\u00e9el.<\/li>\n<li><strong>Data Warehouse ou Data Lake :<\/strong> mettez en place une base centralis\u00e9e (ex. Snowflake, BigQuery) pour stocker et traiter les donn\u00e9es brutes.<\/li>\n<li><strong>ETL et scripts d\u2019automatisation :<\/strong> utilisez des outils comme Apache NiFi, Airflow ou scripts Python pour automatiser la collecte, la transformation et le chargement.<\/li>\n<\/ul>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">b) D\u00e9finir des r\u00e8gles pr\u00e9cises pour la cr\u00e9ation de segments : syntaxe, filtres, conditions avanc\u00e9es (ex. AND, OR, NOT)<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">L\u2019\u00e9laboration de r\u00e8gles de segmentation n\u00e9cessite une syntaxe claire et pr\u00e9cise. Par exemple, dans la plupart des plateformes, utilisez :<\/p>\n<pre style=\"background-color: #f4f4f4; padding: 10px; border-radius: 5px; font-family: monospace; font-size: 1em; line-height: 1.4; margin-bottom: 20px;\">\n(age &gt;= 25 AND age &lt;= 45) AND (localisation = '\u00cele-de-France' OR localisation = 'Provence') AND NOT (achats &gt; 5)\n<\/pre>\n<p style=\"line-height: 1.6;\">Pour des conditions complexes, privil\u00e9giez l\u2019utilisation de parenth\u00e8ses pour clarifier la logique. La syntaxe doit respecter la documentation de votre plateforme, notamment pour :<\/p>\n<ul style=\"margin-left: 20px; line-height: 1.6;\">\n<li><strong>Filtres combin\u00e9s :<\/strong> <em>ET<\/em> (AND), <em>OU<\/em> (OR), <em>Sauf<\/em> (NOT).<\/li>\n<li><strong>Operators avanc\u00e9s :<\/strong> &lt;, &gt;, =, IN, LIKE, BETWEEN, IS NULL.<\/li>\n<li><strong>Expressions conditionnelles :<\/strong> nested conditions pour des logiques complexes.<\/li>\n<\/ul>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">c) Automatiser la segmentation avec des scripts ou API : exemples concrets de scripts en SQL, Python ou via API pour actualiser les segments en temps r\u00e9el<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">Pour garantir la dynamique de la segmentation, l\u2019automatisation est incontournable. Voici deux exemples d\u2019impl\u00e9mentation :<\/p>\n<h4 style=\"font-size: 1.2em; font-weight: bold; margin-top: 20px; margin-bottom: 10px; color: #16A085;\">i) Script SQL pour mise \u00e0 jour automatique<\/h4>\n<pre style=\"background-color: #e8f5e9; padding: 10px; border-radius: 5px; font-family: monospace; font-size: 1em; line-height: 1.4; margin-bottom: 20px;\">\n-- Recalcul des segments tous les jours\nUPDATE segments\nSET last_updated = NOW()\nWHERE segment_id IN (\n    SELECT segment_id FROM clients\n    WHERE last_activity &gt;= CURRENT_DATE - INTERVAL '7 days'\n);\n<\/pre>\n<h4 style=\"font-size: 1.2em; font-weight: bold; margin-top: 20px; margin-bottom: 10px; color: #16A085;\">ii) Script Python pour segmentation avanc\u00e9e avec scikit-learn<\/h4>\n<pre style=\"background-color: #e8f5e9; padding: 10px; border-radius: 5px; font-family: monospace; font-size: 1em; line-height: 1.4; margin-bottom: 20px;\">\nimport pandas as pd\nfrom sklearn.cluster import KMeans\n\n# Chargement des donn\u00e9es depuis la base\ndata = pd.read_sql('SELECT age, localisation, historique_achats FROM clients', connection)\n\n# Normalisation\nfrom sklearn.preprocessing import StandardScaler\nscaler = StandardScaler()\ndata_scaled = scaler.fit_transform(data)\n\n# D\u00e9termination du nombre optimal de clusters\nkmeans = KMeans(n_clusters=4, random_state=42)\nclusters = kmeans.fit_predict(data_scaled)\n\n# Attribution des clusters dans la base\ndata['cluster'] = clusters\ndata.to_sql('segments_clients', con=connection, if_exists='replace')\n<\/pre>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">d) Tester la segmentation : m\u00e9thodes pour valider la coh\u00e9rence, la pr\u00e9cision, et \u00e9viter les doublons ou erreurs<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">Les tests de segmentation doivent \u00eatre syst\u00e9matiques et progressifs. Voici une proc\u00e9dure :<\/p>\n<ol style=\"margin-left: 20px; line-height: 1.6;\">\n<li><strong>V\u00e9rification syntaxique :<\/strong> utilisez des scripts ou outils de validation syntaxique int\u00e9gr\u00e9s \u00e0 votre plateforme.<\/li>\n<li><strong>Validation logique :<\/strong> assurez-vous que chaque client appartient \u00e0 un seul segment (absence de chevauchement). Par exemple, impl\u00e9mentez une requ\u00eate SQL pour d\u00e9tecter les doublons :<\/li>\n<pre style=\"background-color: #f4f4f4; padding: 10px; border-radius: 5px; font-family: monospace; font-size: 1em; line-height: 1.4; margin-bottom: 20px;\">\nSELECT client_id, COUNT(*) FROM segments GROUP BY client_id HAVING COUNT(*) &gt; 1;\n<\/pre>\n<li><strong>Analyse de coh\u00e9rence :<\/strong> comparez les segments avec des variables ind\u00e9pendantes (ex. localisation vs comportement) pour d\u00e9tecter toute incoh\u00e9rence.<\/li>\n<li><strong>Test A\/B et simulations :<\/strong> d\u00e9ployez la segmentation sur un sous-ensemble, mesurez les KPIs, puis ajustez en cons\u00e9quence.<\/li>\n<\/ol>\n<h2 style=\"font-size: 1.5em; font-weight: bold; margin-top: 40px; margin-bottom: 20px; color: #34495E;\">3. \u00c9tapes concr\u00e8tes pour une segmentation avanc\u00e9e bas\u00e9e sur le comportement utilisateur<\/h2>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">a) Segmentation par parcours utilisateur : comment tracer et segmenter selon les actions (clics, ouvertures, abandons de panier)<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">Le suivi du parcours utilisateur n\u00e9cessite l\u2019int\u00e9gration de balises de tracking avanc\u00e9es. D\u00e9finissez un mod\u00e8le de parcours (ex. visite site, ouverture e-mail, clic, ajout au panier, achat) et utilisez un syst\u00e8me de gestion d\u2019\u00e9v\u00e9nements (ex. Segment, Mixpanel) pour tracer chaque \u00e9tape. Ensuite, cr\u00e9ez des segments dynamiques bas\u00e9s sur ces parcours :<\/p>\n<ul style=\"margin-left: 20px; line-height: 1.6;\">\n<li><strong>Segment \u00ab abandonnistes \u00bb :<\/strong> clients ayant ajout\u00e9 au panier mais n\u2019ayant pas finalis\u00e9 l\u2019achat dans les 48h.<\/li>\n<li><strong>Segment \u00ab engag\u00e9s \u00bb :<\/strong> clients ayant ouvert au moins 3 e-mails dans la derni\u00e8re semaine avec clics multiples.<\/li>\n<\/ul>\n<p style=\"line-height: 1.6;\">Utilisez la capacit\u00e9 de filtrage en temps r\u00e9el de votre plateforme pour actualiser ces segments d\u00e8s qu\u2019un comportement est d\u00e9tect\u00e9, en exploitant des webhooks ou des API.<\/p>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">b) Utilisation de la mod\u00e9lisation pr\u00e9dictive : introduction aux mod\u00e8les de scoring, machine learning pour anticiper le comportement<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">Les mod\u00e8les pr\u00e9dictifs permettent d\u2019identifier en amont les clients \u00e0 risque ou susceptibles d\u2019engager une action sp\u00e9cifique. La d\u00e9marche :<\/p>\n<ol style=\"margin-left: 20px; line-height: 1.6;\">\n<li><strong>Collecte des variables pr\u00e9dictives :<\/strong> fr\u00e9quence d\u2019achat, d\u00e9lai depuis derni\u00e8re transaction, score d\u2019engagement, historique de clics.<\/li>\n<li><strong>Construction du mod\u00e8le :<\/strong> utilisez des algorithmes comme la r\u00e9gression logistique, XGBoost ou LightGBM. Par exemple, pour pr\u00e9dire le churn, vous entra\u00eenez un mod\u00e8le supervis\u00e9 avec des donn\u00e9es historiques o\u00f9 l\u2019\u00e9tiquette est \u00ab parti \u00bb ou \u00ab restant \u00bb.<\/li>\n<li><strong>Calibration et validation :<\/strong> utilisez la courbe ROC, l\u2019AUC, et la matrice de confusion pour valider la performance du mod\u00e8le.<\/li>\n<li><strong>Int\u00e9gration en temps r\u00e9el :<\/strong> d\u00e9ployez le mod\u00e8le via API pour attribuer un score \u00e0 chaque client, puis segmentez en fonction de seuils pr\u00e9d\u00e9finis (ex. risque \u00e9lev\u00e9 de d\u00e9sabonnement).<\/li>\n<\/ol>\n<h3 style=\"font-size: 1.3em; font-weight: bold; margin-top: 30px; margin-bottom: 10px; color: #3B5998;\">c) Mise en \u0153uvre de r\u00e8gles conditionnelles complexes : exemples avec des sc\u00e9narios multi-crit\u00e8res (ex. fr\u00e9quence d\u2019achat, temps \u00e9coul\u00e9 depuis la derni\u00e8re interaction)<\/h3>\n<p style=\"line-height: 1.6; margin-bottom: 20px;\">Les r\u00e8gles conditionnelles doivent refl\u00e9ter la complexit\u00e9 du comportement client. Voici un exemple avanc\u00e9 :<\/p>\n<pre style=\"background-color: #f4f4f4; padding: 10px; border-radius: 5px; font-family: monospace; font-size: 1em; line-height: 1.4;\">\nIF (fr\u00e9quence_d_achats &gt;= 2 AND temps_ecoule &lt;= 30 jours) OR (score_predicted_churn &gt; 0.7) THEN\n    segment = \u00abClients \u00e0 relancer \u00bb\nEND\n<\/pre>\n<p style=\"line-height: 1.6;\">Pour cela, utilisez la logique de filtrage avanc\u00e9e dans votre plateforme, combinant op\u00e9rateurs bool\u00e9ens et variables dynamiques, ainsi que<\/p>\n","protected":false},"excerpt":{"rendered":"<p>1. Comprendre en profondeur la m\u00e9thodologie de segmentation pr\u00e9cise pour la personnalisation avanc\u00e9e des campagnes e-mail a) Identification des objectifs sp\u00e9cifiques de segmentation : comment d\u00e9finir des KPIs clairs et mesurables Pour atteindre une segmentation \u00e0 la fois pr\u00e9cise et pertinente, il est imp\u00e9ratif de commencer par d\u00e9finir des objectifs op\u00e9rationnels clairs. Cela implique de [&hellip;]<\/p>\n","protected":false},"author":3,"featured_media":0,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[2],"tags":[],"class_list":["post-11109","post","type-post","status-publish","format-standard","hentry","category-resume-writing"],"_links":{"self":[{"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/posts\/11109","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/comments?post=11109"}],"version-history":[{"count":1,"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/posts\/11109\/revisions"}],"predecessor-version":[{"id":11110,"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/posts\/11109\/revisions\/11110"}],"wp:attachment":[{"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/media?parent=11109"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/categories?post=11109"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.jobberx.in\/blog\/wp-json\/wp\/v2\/tags?post=11109"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}