	{"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\/es\/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 precisi\u00f3n - Industrializar el despliegue de campa\u00f1as 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;\">Reto: ampliar el marketing de precisi\u00f3n avanzado a m\u00e1s 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>Sanofi es uno de los l\u00edderes mundiales de la industria farmac\u00e9utica. En los \u00faltimos 3 a\u00f1os, <a href=\"https:\/\/www.artefact.com\/es\/cases\/sanofi-driving-digital-transformation-with-precision-marketing\/\">Artefact ha ayudado a<\/a> la unidad de negocio CHC (Consumer Health Care) de Sanofi comercializa sus medicamentos sin receta a trav\u00e9s de <strong>t\u00e1cticas y facilitadores \"digital-first\" para llegar a los consumidores adecuados en el momento oportuno con el mensaje adecuado, en m\u00e1s 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 su categor\u00eda de productos estacionales, Sanofi CHC ha desarrollado un enfoque basado en la previsi\u00f3n para ajustar el gasto en medios digitales en funci\u00f3n de los picos de demanda previstos. <\/strong>A trav\u00e9s de m\u00faltiples campa\u00f1as piloto, el equipo de Transformaci\u00f3n Digital Global pudo demostrar el valor a\u00f1adido de este enfoque con <strong>un ROAS multiplicado por 2 a 4 seg\u00fan las geograf\u00edas<\/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>Sin embargo, <strong>crear una nueva campa\u00f1a segu\u00eda llevando mucho tiempo<\/strong>: Los cient\u00edficos de data ten\u00edan que realizar una serie de tareas manuales, repetitivas y propensas a errores, lo que les imped\u00eda centrarse en otros proyectos innovadores. Con el fin de escalar sus innovadoras canalizaciones de ML, el equipo cient\u00edfico de Sanofi data defini\u00f3 sus necesidades para industrializar el caso de uso y solicit\u00f3 el apoyo de Artefact para dise\u00f1ar e implementar conjuntamente una soluci\u00f3n 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;\">Soluci\u00f3n: un proceso de industrializaci\u00f3n codise\u00f1ado basado en 6 soluciones clave<\/h2><\/div><div class=\"fusion-text fusion-text-4\"><blockquote>\n<p>\u201c<strong>La clave del \u00e9xito del proyecto fue la estrecha colaboraci\u00f3n entre los expertos empresariales de Sanofi y los cient\u00edficos del data de Sanofi con el equipo del Artefact.<\/strong>\u201d<\/p>\n<\/blockquote>\n<\/div><div class=\"fusion-text fusion-text-5 quote-baseline\"><p>- Albert Pla Planas, Data Jefe de equipo cient\u00edfico, 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>A trav\u00e9s de una estrecha colaboraci\u00f3n entre el Artefact y el data de Sanofi y los equipos empresariales, se ha puesto en marcha un proceso de industrializaci\u00f3n integral que aprovecha el sistema unificado de <a href=\"https:\/\/databricks.com\/\" target=\"_blank\" rel=\"noopener\">Databricks<\/a> plataforma fue dise\u00f1ada. Nuestros objetivos conjuntos eran<\/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 la configuraci\u00f3n de principio a fin de una nueva campa\u00f1a estacional<\/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 las tareas de ingesti\u00f3n y procesamiento de 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>Hacer la soluci\u00f3n m\u00e1s robusta para evitar errores y el mantenimiento 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>Mejorar la mantenibilidad y escalabilidad del proyecto<\/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>Tras una r\u00e1pida auditor\u00eda de una semana para trazar el proceso actual y los puntos d\u00e9biles t\u00e9cnicos, el equipo se aline\u00f3 para implantar una infraestructura preparada para el futuro basada en 6 soluciones clave:<\/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>Separaci\u00f3n de preocupaciones<\/strong>:<\/p>\n<p>Disponer de una canalizaci\u00f3n ETL separada del proceso del modelo de previsi\u00f3n facilita su mantenimiento y ampliaci\u00f3n. Esto nos permiti\u00f3 implementar comprobaciones automatizadas junto con un sistema de supervisi\u00f3n que env\u00eda reports detallados a los equipos pertinentes sobre el estado de la ingesti\u00f3n.<\/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 fuente de oro data<\/strong>:<\/p>\n<p>En los equipos de DS en los que la infraestructura puede ser una molestia de obtener\/mantener, Delta Lake combina las caracter\u00edsticas clave de las soluciones data warehouse y data lakes, eliminando as\u00ed la complejidad de la administraci\u00f3n de SQL database. Tambi\u00e9n cuenta con capacidades de versionado -importantes para la reproducibilidad del ML- y servir\u00e1 como \u00fanica fuente de verdad para 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>Empaquetar todo el c\u00f3digo posible en una biblioteca Python para simplificar los procesos<\/strong>:<\/p>\n<p>Parte del c\u00f3digo inicial estaba disperso entre varios cuadernos dentro de Databricks, lo que complicaba la gesti\u00f3n de las dependencias y la reutilizaci\u00f3n del c\u00f3digo. El desarrollo basado en cuadernos es pertinente para la creaci\u00f3n de prototipos, pero puede plantear dificultades para la industrializaci\u00f3n de proyectos de ML. Tener claramente definidas las bibliotecas Python implementadas en el cuaderno y mantener s\u00f3lo Databricks como punto de entrada para Compute facilit\u00f3 la generalizaci\u00f3n de los cuadernos y la organizaci\u00f3n de las campa\u00f1as entrantes.<\/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>Aprovechando Spark y Databricks<\/strong>:<\/p>\n<p>Entrenar el modelo utilizando m\u00e9todos de b\u00fasqueda de hiperpar\u00e1metros puede llevar mucho tiempo y ser muy exigente. Aqu\u00ed es donde la infraestructura de autoescalado de Databricks y el tiempo de ejecuci\u00f3n ML gestionado con Spark e HyperOpt resultan \u00fatiles. El uso de c\u00e1lculos en memoria de forma distribuida entre un conjunto de trabajadores acelera el rendimiento y mejora considerablemente el tiempo de entrenamiento.<\/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 ML Seguimiento del flujo<\/strong>:<\/p>\n<p>Con <a href=\"https:\/\/docs.databricks.com\/applications\/mlflow\/tracking.html\" target=\"_blank\" rel=\"noopener\">ML Seguimiento del flujo<\/a> en marcha, Sanofi dispone ahora de una interfaz de usuario en la que los cient\u00edficos del Data pueden comparar las ejecuciones del modelo y hacer un seguimiento de todos los par\u00e1metros utilizados (versi\u00f3n del Data y par\u00e1metros del modelo) y de los resultados obtenidos.<\/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>Simplificaci\u00f3n de la prueba y aplicaci\u00f3n de nuevos modelos de ML<\/strong>:<\/p>\n<p>Se cre\u00f3 un marco gen\u00e9rico de f\u00e1brica de modelos, lo que facilit\u00f3 la implementaci\u00f3n de nuevos modelos de aprendizaje autom\u00e1tico y la posibilidad de probarlos durante una campa\u00f1a de marketing de precisi\u00f3n con muy poco esfuerzo.<\/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 y ense\u00f1anzas: un tiempo de preparaci\u00f3n dividido por cuatro para la ingesta y configuraci\u00f3n del 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>Gracias a este proyecto, Sanofi CHC pudo simplificar en gran medida su pipeline data y acelerar el escalado de su caso de uso de marketing de precisi\u00f3n basado en la previsi\u00f3n.<\/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>Reducci\u00f3n del tiempo de preparaci\u00f3n de nuevas campa\u00f1as<\/strong>:<\/p>\n<ul>\n<li>El tiempo de preparaci\u00f3n para la ingesta y configuraci\u00f3n del data se ha reducido hasta en una cuarta parte.<\/li>\n<li aria-level=\"2\">El n\u00famero de tareas realizadas por los cient\u00edficos del data para poner en marcha una nueva campa\u00f1a se ha reducido hasta en un tercio.<\/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>Simplificaci\u00f3n de la creaci\u00f3n de nuevos modelos de previsi\u00f3n<\/strong>:<\/p>\n<ul>\n<li>Plataforma accesible para probar, gestionar y visualizar f\u00e1cilmente los modelos.<\/li>\n<li>Proceso gen\u00e9rico para incluir nuevas fuentes data.<\/li>\n<li>Tuber\u00eda automatizada data.<\/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;\">El proyecto tambi\u00e9n permiti\u00f3 a los equipos generar 4 aprendizajes importantes para futuros proyectos basados en 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 la ingenier\u00eda data en los proyectos de ML<\/strong>:<\/p>\n<p>Implique a los Data Engineer desde el principio de un proyecto para acelerar la industrializaci\u00f3n de la tuber\u00eda, y desvincule claramente las diferentes etapas de la tuber\u00eda (todo el manejo, transformaci\u00f3n y curaci\u00f3n de data debe ocurrir antes de saltar a las etapas 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>Aproveche las herramientas preconfeccionadas<\/strong>:<\/p>\n<p>El uso de Databricks con Delta Lake y ML Flow fue crucial para el \u00e9xito de la industrializaci\u00f3n, garantizando una infraestructura de autoservicio sencilla sin necesidad 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>Profunda colaboraci\u00f3n entre los equipos Business y Data<\/strong>:<\/p>\n<p>Posiblemente, el factor de \u00e9xito m\u00e1s importante fue la estrecha colaboraci\u00f3n entre los expertos empresariales de Sanofi y los cient\u00edficos del data, que idearon e impulsaron el proyecto, con el equipo del Artefact, que aport\u00f3 experiencia y conocimientos t\u00e9cnicos adicionales para la industrializaci\u00f3n.<\/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>Utilizar metodolog\u00edas \u00e1giles para industrializar<\/strong>:<\/p>\n<p>La metodolog\u00eda \u00e1gil (sprints e iteraciones r\u00e1pidas seguidas de semanas de retroalimentaci\u00f3n y alineaci\u00f3n) fue muy eficaz para identificar y abordar todos los puntos d\u00e9biles de Sanofi y garantizar la entrega de valor para los equipos de Sanofi.<\/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 desea agradecer a Ayaka Yanagisawa, Albert Pla Planas, Antoine Tran-Quan-Nam, Laurent Gautier y Sergio Villordo de Sanofi su confianza y colaboraci\u00f3n en este proyecto, as\u00ed como al equipo de Databricks su apoyo reactivo. Este art\u00edculo ha sido coproducido por los equipos de Sanofi CHC y Databricks junto con Tristan Silhol, Maui Bar, Louise Morin y Eva Le Saux de las oficinas de Artefact en Estados Unidos y Francia.<\/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\/es\/wp-json\/wp\/v2\/cases\/60115","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/cases"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/cases"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/60881"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=60115"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/categories?post=60115"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}