	{"id":60115,"date":"2022-08-06T12:51:26","date_gmt":"2022-08-06T11:51:26","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=cases&#038;p=60115"},"modified":"2024-09-20T17:39:22","modified_gmt":"2024-09-20T16:39:22","slug":"tech-for-precision-marketing-how-sanofi-chc-industrialised-the-deployment-of-data-driven-campaigns","status":"publish","type":"cases","link":"https:\/\/www.artefact.com\/br\/cases\/tech-for-precision-marketing-how-sanofi-chc-industrialised-the-deployment-of-data-driven-campaigns\/","title":{"rendered":"<span class=\"highlight\">SANOFI CHC<\/span> Marketing de precis\u00e3o - Industrializando a implementa\u00e7\u00e3o de campanhas data-driven"},"content":{"rendered":"<article class=\"fusion-fullwidth fullwidth-box fusion-builder-row-1 fusion-flex-container nonhundred-percent-fullwidth non-hundred-percent-height-scrolling case-content\" style=\"--awb-border-radius-top-left:0px;--awb-border-radius-top-right:0px;--awb-border-radius-bottom-right:0px;--awb-border-radius-bottom-left:0px;--awb-padding-right-medium:5%;--awb-padding-left-medium:5%;--awb-background-color:#ffffff;--awb-flex-wrap:wrap;\" ><div class=\"fusion-builder-row fusion-row fusion-flex-align-items-flex-start fusion-flex-justify-content-space-between fusion-flex-content-wrap\" style=\"max-width:calc( 1440px + 20px );margin-left: calc(-20px \/ 2 );margin-right: calc(-20px \/ 2 );\"><div class=\"fusion-layout-column fusion_builder_column fusion-builder-column-0 fusion_builder_column_1_1 1_1 fusion-flex-column text-image-block-video-content1\" style=\"--awb-bg-size:cover;--awb-width-large:100%;--awb-margin-top-large:0px;--awb-spacing-right-large:10px;--awb-margin-bottom-large:0px;--awb-spacing-left-large:10px;--awb-width-medium:100%;--awb-order-medium:0;--awb-spacing-right-medium:10px;--awb-spacing-left-medium:10px;--awb-width-small:100%;--awb-order-small:0;--awb-spacing-right-small:10px;--awb-spacing-left-small:10px;\"><div class=\"fusion-column-wrapper fusion-column-has-shadow fusion-flex-justify-content-flex-start fusion-content-layout-column\"><div class=\"fusion-title title fusion-title-1 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:#ff0066;--awb-margin-top:40px;--awb-margin-bottom:20px;--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;font-size:1em;--fontSize:30;line-height:1.33;\">Desafio: dimensionar o marketing de precis\u00e3o avan\u00e7ado em mais de 30 mercados<\/h2><\/div><div class=\"fusion-text fusion-text-1\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p>A Sanofi \u00e9 uma das l\u00edderes mundiais do setor farmac\u00eautico. Nos \u00faltimos 3 anos, <a href=\"https:\/\/www.artefact.com\/br\/cases\/sanofi-driving-digital-transformation-with-precision-marketing\/\">Artefact tem ajudado<\/a> A unidade de neg\u00f3cios CHC (Consumer Health Care) da Sanofi comercializa seus medicamentos de venda livre por meio de <strong>t\u00e1ticas e capacitadores com prioridade digital para alcan\u00e7ar os consumidores certos, no momento certo e com a mensagem certa, em mais de 30 mercados<\/strong>.<\/p>\n<\/div><div class=\"fusion-text fusion-text-2\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p><strong>Para sua categoria de produtos sazonais, a Sanofi CHC desenvolveu uma abordagem baseada em previs\u00f5es para ajustar os gastos com m\u00eddia digital de acordo com os picos de demanda previstos. <\/strong>Por meio de v\u00e1rias campanhas piloto, a equipe de Transforma\u00e7\u00e3o Digital Global conseguiu provar o valor agregado dessa abordagem com <strong>um ROAS multiplicado por 2 a 4 de acordo com as regi\u00f5es geogr\u00e1ficas<\/strong>.<\/p>\n<\/div><div class=\"fusion-text fusion-text-3\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p>No entanto, <strong>a configura\u00e7\u00e3o de uma nova campanha continuava a consumir muito tempo<\/strong>: Os cientistas do data precisavam passar por uma s\u00e9rie de tarefas manuais, repetitivas e sujeitas a erros, o que os impedia de se concentrar em outros projetos inovadores. Para dimensionar seus pipelines de ML inovadores, a equipe cient\u00edfica do data da Sanofi definiu suas necessidades para industrializar o caso de uso e solicitou o apoio do Artefact para projetar e implementar em conjunto uma solu\u00e7\u00e3o robusta.<\/p>\n<\/div><div class=\"fusion-title title fusion-title-2 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:#ff0066;--awb-margin-top:40px;--awb-margin-bottom:20px;--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;font-size:1em;--fontSize:30;line-height:1.33;\">Solu\u00e7\u00e3o: um processo de industrializa\u00e7\u00e3o co-projetado com base em 6 solu\u00e7\u00f5es-chave<\/h2><\/div><div class=\"fusion-text fusion-text-4\"><blockquote>\n<p>\u201c<strong>A chave para o sucesso do projeto foi a estreita colabora\u00e7\u00e3o entre os especialistas em neg\u00f3cios da Sanofi e os cientistas do data da Sanofi com a equipe do Artefact.<\/strong>\u201d<\/p>\n<\/blockquote>\n<\/div><div class=\"fusion-text fusion-text-5 quote-baseline\"><p>- Albert Pla Planas, l\u00edder da equipe cient\u00edfica do Data, Sanofi<\/p>\n<\/div><div class=\"fusion-text fusion-text-6\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p>Por meio de uma estreita colabora\u00e7\u00e3o entre o Artefact e o data da Sanofi e as equipes de neg\u00f3cios, um processo de industrializa\u00e7\u00e3o abrangente que aproveita a tecnologia unificada de <a href=\"https:\/\/databricks.com\/\" target=\"_blank\" rel=\"noopener\">Databricks<\/a> A plataforma foi projetada. Nossos objetivos conjuntos eram:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-1 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>Simplifique a configura\u00e7\u00e3o de ponta a ponta de uma nova campanha sazonal<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>Automatizar as tarefas de ingest\u00e3o e processamento do data<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>Tornar a solu\u00e7\u00e3o mais robusta para evitar erros e manuten\u00e7\u00e3o manual<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p>Melhorar a capacidade de manuten\u00e7\u00e3o e o dimensionamento do projeto<\/p>\n<\/div><\/li><\/ul><div class=\"fusion-text fusion-text-7\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p>Ap\u00f3s uma r\u00e1pida auditoria de uma semana para mapear o processo atual e os pontos t\u00e9cnicos problem\u00e1ticos, a equipe se alinhou para implementar uma infraestrutura preparada para o futuro com base em seis solu\u00e7\u00f5es principais:<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-2 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Separa\u00e7\u00e3o de preocupa\u00e7\u00f5es<\/strong>:<\/p>\n<p>Ter um pipeline ETL separado do processo do modelo de previs\u00e3o facilita a manuten\u00e7\u00e3o e o dimensionamento. Isso nos permitiu implementar verifica\u00e7\u00f5es automatizadas juntamente com um sistema de monitoramento que envia reports detalhados para as equipes relevantes sobre o status da ingest\u00e3o.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Uso de <a href=\"https:\/\/databricks.com\/product\/delta-lake-on-databricks\" target=\"_blank\" rel=\"noopener\">Lago Delta<\/a> como uma fonte dourada data<\/strong>:<\/p>\n<p>Nas equipes de DS em que a infraestrutura pode ser dif\u00edcil de obter\/manter, o Delta Lake combina os principais recursos das solu\u00e7\u00f5es de armaz\u00e9m do data e de lagos do data, eliminando assim a complexidade da administra\u00e7\u00e3o do SQL database. Ele tamb\u00e9m possui recursos de controle de vers\u00e3o - importantes para a reprodutibilidade do ML - e servir\u00e1 como a \u00fanica fonte de verdade para o data.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Empacotar o m\u00e1ximo poss\u00edvel de c\u00f3digo em uma biblioteca Python para simplificar os processos<\/strong>:<\/p>\n<p>Parte do c\u00f3digo inicial estava dispersa em v\u00e1rios notebooks dentro do Databricks, complexificando o gerenciamento de depend\u00eancias e a reutiliza\u00e7\u00e3o do c\u00f3digo. O desenvolvimento baseado em notebooks \u00e9 relevante para a cria\u00e7\u00e3o de prot\u00f3tipos, mas pode criar desafios para a industrializa\u00e7\u00e3o de projetos de ML. Ter bibliotecas Python claramente definidas implementadas no notebook e manter apenas o Databricks como ponto de entrada para o Compute facilitou a generaliza\u00e7\u00e3o dos notebooks e a organiza\u00e7\u00e3o das campanhas de entrada.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Aproveitamento do Spark e do Databricks<\/strong>:<\/p>\n<p>O treinamento do modelo usando m\u00e9todos de pesquisa de hiperpar\u00e2metros pode ser demorado e exigente. \u00c9 nesse ponto que a infraestrutura de dimensionamento autom\u00e1tico do Databricks e o tempo de execu\u00e7\u00e3o de ML gerenciado com Spark e HyperOpt s\u00e3o \u00fateis. O uso de c\u00e1lculos de mem\u00f3ria de forma distribu\u00edda em um conjunto de trabalhadores acelera o desempenho e melhora consideravelmente o tempo de treinamento.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Uso do ML Flow tracking<\/strong>:<\/p>\n<p>Com <a href=\"https:\/\/docs.databricks.com\/applications\/mlflow\/tracking.html\" target=\"_blank\" rel=\"noopener\">ML Flow tracking<\/a> A Sanofi agora tem uma interface de usu\u00e1rio na qual os cientistas do Data podem comparar execu\u00e7\u00f5es de modelos e acompanhar todos os par\u00e2metros usados (vers\u00e3o do Data e par\u00e2metros do modelo) e os resultados obtidos.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Teste e implementa\u00e7\u00e3o simplificados de novos modelos de ML<\/strong>:<\/p>\n<p>Foi criada uma estrutura gen\u00e9rica de f\u00e1brica de modelos, facilitando a implementa\u00e7\u00e3o de novos modelos de aprendizado de m\u00e1quina e a experimenta\u00e7\u00e3o deles durante uma campanha de Marketing de Precis\u00e3o com muito pouco esfor\u00e7o.<\/p>\n<\/div><\/li><\/ul><div class=\"fusion-title title fusion-title-3 fusion-sep-none fusion-title-text fusion-title-size-two\" style=\"--awb-text-color:#ff0066;--awb-margin-top:40px;--awb-margin-bottom:20px;--awb-margin-bottom-small:8px;--awb-font-size:30px;\"><h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\" style=\"font-family:&quot;PT Serif&quot;;font-style:normal;font-weight:700;margin:0;font-size:1em;--fontSize:30;line-height:1.33;\">Resultados e aprendizados: um tempo de prepara\u00e7\u00e3o dividido por quatro para ingest\u00e3o e configura\u00e7\u00e3o do data<\/h2><\/div><div class=\"fusion-text fusion-text-8\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p>Gra\u00e7as a esse projeto, a Sanofi CHC conseguiu simplificar bastante seu pipeline data e acelerar o dimensionamento de seu caso de uso de marketing de precis\u00e3o baseado em previs\u00e3o.<\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-3 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Redu\u00e7\u00e3o do tempo de configura\u00e7\u00e3o de novas campanhas<\/strong>:<\/p>\n<ul>\n<li>O tempo de instala\u00e7\u00e3o para ingest\u00e3o e configura\u00e7\u00e3o do data foi reduzido em at\u00e9 um quarto.<\/li>\n<li aria-level=\"2\">O n\u00famero de tarefas realizadas pelos cientistas do data para configurar uma nova campanha foi reduzido em at\u00e9 um ter\u00e7o.<\/li>\n<\/ul>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Simplifica\u00e7\u00e3o da cria\u00e7\u00e3o de novos modelos de previs\u00e3o<\/strong>:<\/p>\n<ul>\n<li>Plataforma acess\u00edvel para testar, gerenciar e visualizar modelos com facilidade.<\/li>\n<li>Processo gen\u00e9rico para incluir novas fontes data.<\/li>\n<li>Pipeline data automatizado.<\/li>\n<\/ul>\n<\/div><\/li><\/ul><div class=\"fusion-text fusion-text-9\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p><img decoding=\"async\" class=\"lazyload aligncenter wp-image-60133 size-fusion-600\" src=\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27600%27%20height%3D%27266%27%20viewBox%3D%270%200%20600%20266%27%3E%3Crect%20width%3D%27600%27%20height%3D%27266%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" data-orig-src=\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/SANOFI_Case_Key_Achievements-600x266-1.png\" alt=\"Sanofi Client Case - Key Achievements \" width=\"600\" height=\"266\" \/><\/p>\n<\/div><div class=\"fusion-text fusion-text-10\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><p><span style=\"font-weight: 400;\">O projeto tamb\u00e9m permitiu que as equipes gerassem 4 aprendizados importantes para futuros projetos orientados por ML:<\/span><\/p>\n<\/div><ul style=\"--awb-line-height:27.2px;--awb-icon-width:27.2px;--awb-icon-height:27.2px;--awb-icon-margin:11.2px;--awb-content-margin:38.4px;\" class=\"fusion-checklist fusion-checklist-4 fusion-checklist-default type-icons\"><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon fa-arrow-alt-circle-right fas\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Integrar a engenharia do data em projetos de ML<\/strong>:<\/p>\n<p>Envolver os Data Engineers desde o in\u00edcio de um projeto para acelerar a industrializa\u00e7\u00e3o do pipeline e dissociar claramente os diferentes est\u00e1gios do pipeline (todo o manuseio, transforma\u00e7\u00e3o e curadoria de data devem ocorrer antes de passar para os est\u00e1gios de ML).<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Aproveite as ferramentas pr\u00e9-empacotadas<\/strong>:<\/p>\n<p>O uso de Databricks com Delta Lake e ML Flow foi crucial para o sucesso da industrializa\u00e7\u00e3o, garantindo uma infraestrutura de autoatendimento f\u00e1cil sem a necessidade de DevOps.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Colabora\u00e7\u00e3o profunda entre as equipes de neg\u00f3cios e Data<\/strong>:<\/p>\n<p>Possivelmente, o fator de sucesso mais importante foi a estreita colabora\u00e7\u00e3o entre os especialistas em neg\u00f3cios da Sanofi e os cientistas do data, que idealizaram e conduziram o projeto, com a equipe do Artefact, que trouxe experi\u00eancia e know-how adicionais em industrializa\u00e7\u00e3o.<\/p>\n<\/div><\/li><li class=\"fusion-li-item\" style=\"\"><span class=\"icon-wrapper circle-no\"><i class=\"fusion-li-icon awb-icon-check\" aria-hidden=\"true\"><\/i><\/span><div class=\"fusion-li-item-content\">\n<p><strong>Usar metodologias \u00e1geis para industrializar<\/strong>:<\/p>\n<p>A metodologia \u00e1gil (sprints e itera\u00e7\u00f5es r\u00e1pidas seguidas de semanas de feedback e alinhamento) foi muito eficiente para identificar e abordar todos os pontos problem\u00e1ticos da Sanofi e garantir a entrega de valor para as equipes da empresa.<\/p>\n<\/div><\/li><\/ul><div class=\"fusion-text fusion-text-11\" style=\"--awb-font-size:20px;--awb-line-height:32px;--awb-text-color:#0a1128;--awb-text-font-family:&quot;PT Serif&quot;;--awb-text-font-style:normal;--awb-text-font-weight:400;\"><hr \/>\n<p><span style=\"color: #808080;\">A Artefact gostaria de agradecer a Ayaka Yanagisawa, Albert Pla Planas, Antoine Tran-Quan-Nam, Laurent Gautier e Sergio Villordo da Sanofi por sua confian\u00e7a e colabora\u00e7\u00e3o neste projeto, bem como \u00e0 equipe da Databricks por seu apoio reativo. Este artigo foi coproduzido pelas equipes da Sanofi CHC e da Databricks, juntamente com Tristan Silhol, Maui Bar, Louise Morin e Eva Le Saux, dos escrit\u00f3rios da Artefact nos EUA e na Fran\u00e7a.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/article>","protected":false},"excerpt":{"rendered":"","protected":false},"featured_media":60881,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"categories":[3007],"class_list":["post-60115","cases","type-cases","status-publish","has-post-thumbnail","hentry","category-healthcare"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/cases\/60115","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/cases"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/cases"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/60881"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=60115"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/categories?post=60115"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}