	{"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\/de\/cases\/tech-for-precision-marketing-how-sanofi-chc-industrialised-the-deployment-of-data-driven-campaigns\/","title":{"rendered":"<span class=\"highlight\">SANOFI CHC<\/span> Pr\u00e4zisionsmarketing - Industrialisierung des Einsatzes von data-driven-Kampagnen"},"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;\">Herausforderung: Skalierung von fortschrittlichem Pr\u00e4zisionsmarketing in \u00fcber 30 M\u00e4rkten<\/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>Sanofi ist einer der Weltmarktf\u00fchrer in der Pharmaindustrie. In den letzten 3 Jahren, <a href=\"https:\/\/www.artefact.com\/de\/cases\/sanofi-driving-digital-transformation-with-precision-marketing\/\">Artefact hat geholfen<\/a> die Gesch\u00e4ftseinheit Sanofi CHC (Consumer Health Care) vermarktet ihre rezeptfreien Medikamente \u00fcber <strong>Digital-First-Taktiken und -Einrichtungen, um die richtigen Verbraucher zur richtigen Zeit mit der richtigen Botschaft zu erreichen, in mehr als 30 M\u00e4rkten<\/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>F\u00fcr seine Kategorie der saisonalen Produkte hat Sanofi CHC einen auf Prognosen basierenden Ansatz entwickelt, um die Ausgaben f\u00fcr digitale Medien entsprechend den vorhergesagten Nachfragespitzen anzupassen. <\/strong>Durch mehrere Pilotkampagnen konnte das Global Digital Transformation Team den Mehrwert dieses Ansatzes mit <strong>einen ROAS, der je nach Region mit 2 bis 4 multipliziert wird<\/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>Allerdings, <strong>das Einrichten einer neuen Kampagne blieb zeitaufwendig<\/strong>: Die Wissenschaftler von data mussten eine Reihe von manuellen, sich wiederholenden und fehleranf\u00e4lligen Aufgaben erledigen, was sie daran hinderte, sich auf andere innovative Projekte zu konzentrieren. Um seine innovativen ML-Pipelines zu skalieren, definierte das data-Wissenschaftlerteam von Sanofi seine Bed\u00fcrfnisse, um den Anwendungsfall zu industrialisieren, und bat um die Unterst\u00fctzung von Artefact, um gemeinsam eine robuste L\u00f6sung zu entwickeln und zu implementieren.<\/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;\">L\u00f6sung: ein mitgestalteter Industrialisierungsprozess auf der Grundlage von 6 Schl\u00fcssell\u00f6sungen<\/h2><\/div><div class=\"fusion-text fusion-text-4\"><blockquote>\n<p>\u201c<strong>Der Schl\u00fcssel zum Erfolg des Projekts war die enge Zusammenarbeit zwischen den Gesch\u00e4ftsexperten von Sanofi und den Wissenschaftlern von Sanofi data mit dem Artefact-Team.<\/strong>\u201d<\/p>\n<\/blockquote>\n<\/div><div class=\"fusion-text fusion-text-5 quote-baseline\"><p>- Albert Pla Planas, Data Wissenschaftlicher Teamleiter, 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>Durch eine enge Zusammenarbeit zwischen dem Artefact und dem data von Sanofi sowie den Gesch\u00e4ftsteams wurde ein umfassender Industrialisierungsprozess unter Nutzung des einheitlichen <a href=\"https:\/\/databricks.com\/\" target=\"_blank\" rel=\"noopener\">Databricks<\/a> Plattform entworfen wurde. Unsere gemeinsamen Ziele waren:<\/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>Vereinfachen Sie die durchg\u00e4ngige Einrichtung einer neuen saisonalen Kampagne<\/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>Automatisieren Sie data-Aufnahme- und Verarbeitungsaufgaben<\/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>Machen Sie die L\u00f6sung robuster, um Fehler und manuelle Wartung zu vermeiden<\/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>Verbessern Sie die Wartbarkeit und Skalierbarkeit des Projekts<\/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>Nach einem schnellen 1-w\u00f6chigen Audit, bei dem die aktuellen Prozesse und technischen Probleme erfasst wurden, konzentrierte sich das Team auf die Implementierung einer zukunftssicheren Infrastruktur auf der Grundlage von 6 Schl\u00fcssell\u00f6sungen:<\/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>Trennung der Anliegen<\/strong>:<\/p>\n<p>Eine vom Prognosemodellprozess getrennte ETL-Pipeline ist einfacher zu pflegen und zu skalieren. So konnten wir neben einem \u00dcberwachungssystem, das detaillierte reports an die zust\u00e4ndigen Teams \u00fcber den Ingestion-Status sendet, auch automatisierte Pr\u00fcfungen implementieren.<\/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>Verwendung von <a href=\"https:\/\/databricks.com\/product\/delta-lake-on-databricks\" target=\"_blank\" rel=\"noopener\">Deltasee<\/a> als data goldene Quelle<\/strong>:<\/p>\n<p>In DS-Teams, in denen die Beschaffung\/Wartung der Infrastruktur m\u00fchsam sein kann, kombiniert Delta Lake die wichtigsten Funktionen von data Warehouse- und data Lakes-L\u00f6sungen und beseitigt so die Komplexit\u00e4t der SQL database-Administration. Delta Lake verf\u00fcgt au\u00dferdem \u00fcber Versionierungsfunktionen - wichtig f\u00fcr die Reproduzierbarkeit von ML - und wird als einzige Quelle der Wahrheit f\u00fcr data dienen.<\/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>Packen Sie so viel Code wie m\u00f6glich in eine Python-Bibliothek, um Prozesse zu vereinfachen<\/strong>:<\/p>\n<p>Ein Teil des urspr\u00fcnglichen Codes war \u00fcber mehrere Notebooks innerhalb von Databricks verstreut, was die Verwaltung von Abh\u00e4ngigkeiten und die Wiederverwendbarkeit von Code erschwerte. Die Notebook-basierte Entwicklung ist f\u00fcr das Prototyping von Bedeutung, kann aber bei der Industrialisierung von ML-Projekten eine Herausforderung darstellen. Durch klar definierte Python-Bibliotheken, die auf dem Notebook implementiert wurden, und die Beibehaltung von Databricks als Einstiegspunkt f\u00fcr Compute war es einfacher, die Notebooks zu verallgemeinern und die eingehenden Kampagnen zu organisieren.<\/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>Nutzung von Spark und Databricks<\/strong>:<\/p>\n<p>Das Training des Modells mit Hyperparametersuchmethoden kann zeitaufw\u00e4ndig und anspruchsvoll sein. Hier kommen die autoskalierende Infrastruktur von Databricks und die verwaltete ML-Laufzeit mit Spark und HyperOpt ins Spiel. Die verteilte Nutzung von Speicherberechnungen \u00fcber eine Reihe von Workern beschleunigt die Leistung und verbessert die Trainingszeit erheblich.<\/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>Verwendung von ML Flow Tracking<\/strong>:<\/p>\n<p>Mit <a href=\"https:\/\/docs.databricks.com\/applications\/mlflow\/tracking.html\" target=\"_blank\" rel=\"noopener\">ML Flow Tracking<\/a> verf\u00fcgt Sanofi nun \u00fcber eine Benutzeroberfl\u00e4che, \u00fcber die Data-Wissenschaftler Modelll\u00e4ufe vergleichen und alle verwendeten Parameter (Data-Version und Modellparameter) sowie die erzielten Ergebnisse verfolgen k\u00f6nnen.<\/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>Vereinfachtes Testen und Implementieren neuer ML-Modelle<\/strong>:<\/p>\n<p>Es wurde ein generisches Modellfabrik-Framework eingerichtet, das die Implementierung neuer Modelle f\u00fcr maschinelles Lernen und deren Erprobung w\u00e4hrend einer Precision Marketing-Kampagne mit sehr geringem Aufwand erleichtert.<\/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;\">Ergebnisse und Erkenntnisse: eine durch vier geteilte Einrichtungszeit f\u00fcr data Ingestion und Konfiguration<\/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>Dank dieses Projekts war Sanofi CHC in der Lage, seine data-Pipeline erheblich zu vereinfachen und die Skalierung seines auf Prognosen basierenden Precision Marketing-Anwendungsfalls zu beschleunigen.<\/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>Verk\u00fcrzung der Einrichtungszeit f\u00fcr neue Kampagnen<\/strong>:<\/p>\n<ul>\n<li>Die Einrichtungszeit f\u00fcr die data-Ingestion und -Konfiguration wurde um bis zu einem Viertel reduziert.<\/li>\n<li aria-level=\"2\">Die Anzahl der von data-Wissenschaftlern durchgef\u00fchrten Aufgaben zur Einrichtung einer neuen Kampagne wurde um bis zu einem Drittel reduziert.<\/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>Vereinfachung der Erstellung von neuen Prognosemodellen<\/strong>:<\/p>\n<ul>\n<li>Zug\u00e4ngliche Plattform zum einfachen Testen, Verwalten und Visualisieren von Modellen.<\/li>\n<li>Generischer Prozess zur Aufnahme neuer data-Quellen.<\/li>\n<li>Automatisierte data-Pipeline.<\/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;\">Das Projekt erm\u00f6glichte es den Teams au\u00dferdem, 4 wichtige Erkenntnisse f\u00fcr zuk\u00fcnftige ML-gesteuerte Projekte zu gewinnen:<\/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>Integrieren Sie data-Technik in ML-Projekte<\/strong>:<\/p>\n<p>Beziehen Sie Data Engineers von Anfang an in ein Projekt ein, um die Industrialisierung der Pipeline zu beschleunigen, und entkoppeln Sie die verschiedenen Phasen der Pipeline klar voneinander (die gesamte data-Bearbeitung, -Umwandlung und -Kuration muss vor dem Sprung in die ML-Phasen erfolgen).<\/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>Nutzen Sie vorgefertigte Tools<\/strong>:<\/p>\n<p>Der Einsatz von Databricks mit Delta Lake und ML Flow war entscheidend f\u00fcr den Erfolg der Industrialisierung, da sie eine einfache Self-Service-Infrastruktur ohne DevOps gew\u00e4hrleisten.<\/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>Intensive Zusammenarbeit zwischen Business- und Data-Teams<\/strong>:<\/p>\n<p>Der vielleicht wichtigste Erfolgsfaktor war die enge Zusammenarbeit zwischen den Gesch\u00e4ftsexperten von Sanofi und den Wissenschaftlern des data, die das Projekt konzipiert und vorangetrieben haben, und dem Team des Artefact, das zus\u00e4tzliche Erfahrung und Know-how bei der Industrialisierung einbrachte.<\/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>Verwenden Sie agile Methoden zur Industrialisierung<\/strong>:<\/p>\n<p>Die agile Methodik (Sprints und schnelle Iterationen, gefolgt von Feedback- und Anpassungswochen) war sehr effizient, um alle Schmerzpunkte von Sanofi zu identifizieren und anzugehen und die Wertsch\u00f6pfung f\u00fcr die Sanofi-Teams sicherzustellen.<\/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;\">Artefact dankt Ayaka Yanagisawa, Albert Pla Planas, Antoine Tran-Quan-Nam, Laurent Gautier und Sergio Villordo von Sanofi f\u00fcr ihr Vertrauen und ihre Mitarbeit an diesem Projekt sowie dem Team von Databricks f\u00fcr seine reaktive Unterst\u00fctzung. Dieser Artikel wurde von den Teams von Sanofi CHC und Databricks gemeinsam mit Tristan Silhol, Maui Bar, Louise Morin und Eva Le Saux aus den B\u00fcros von Artefact in den USA und Frankreich verfasst.<\/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\/de\/wp-json\/wp\/v2\/cases\/60115","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/cases"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/cases"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/60881"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=60115"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/categories?post=60115"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}