{"id":9075,"date":"2020-07-15T15:25:34","date_gmt":"2020-07-15T13:25:34","guid":{"rendered":"https:\/\/www.fluentis.com\/blog\/big-data\/"},"modified":"2023-11-24T16:03:56","modified_gmt":"2023-11-24T15:03:56","slug":"big-data","status":"publish","type":"post","link":"https:\/\/www.fluentis.com\/ro\/blog\/big-data\/","title":{"rendered":"Ce po\u021bi face cu toate datele?"},"content":{"rendered":"\n

Big Data \u0219i Data Analytics: la ce se refer\u0103? <\/strong><\/h3>\n\n\n\n

Termenii \u201cbig data\u201d \u0219i \u201canaliza datelor\u201d au devenit foarte usuali \u00een ultimii ani. Dar mul\u021bi dintre cei care folosesc ace\u0219ti termeni nu \u00een\u021beleg de fapt ce \u00eenseamn\u0103, care sunt posibilit\u0103\u021bile \u0219i limit\u0103rile sau care este valoare real\u0103 a acestor informa\u021bii.<\/p>\n\n\n\n

\u00cen acest articol, vom oferi o introducere de baz\u0103 a conceptului de Big Data, precum \u0219i conceptul mai practic de analiz\u0103 a datelor. Vom argumenta, de asemenea, c\u0103 Big Data, chiar dac\u0103 este un instrument puternic, nu este neap\u0103rat vital pentru orice proiect de analiz\u0103 a datelor. Vom discuta deci despre unele dintre cele mai frecvente capcane cu care companiile se confrunt\u0103 \u00een analiza datelor. \u00cen cele din urm\u0103, vom examina procesul de baz\u0103 \u00een ce prive\u0219te structurarea optim\u0103 a unui proces de analiz\u0103 a datelor pentru a evita astfel de capcane \u0219i pentru a ob\u021bine maximul de la resursele de date disponibile.<\/p>\n\n\n\n

Ce sunt Big Data?<\/h4>\n\n\n\n

\u00cenainte de a vorbi despre cele mai corecte modalit\u0103\u021bi de a efectua \u201cData Analytics\u201d, este important s\u0103 \u00een\u021belegem adev\u0103ratul sens al Big Data. Termenul Big Data ar putea fi \u00een\u0219el\u0103tor, deoarece o traducere literar\u0103 ar duce la ideea c\u0103 pur \u0219i simplu se refer\u0103 la cantitatea uria\u0219\u0103 de date pe care le avem la dispozi\u021bie ast\u0103zi. Dar aceasta este o defini\u021bie reductiv\u0103 a termenului.<\/p>\n\n\n\n

De\u0219i este adev\u0103rat c\u0103 ast\u0103zi cantitatea de date disponibile este de neimaginat, conceptul la care ne referim atunci c\u00e2nd vine vorba de Big Data sau Big Data Revolution<\/strong> este capacitatea care exist\u0103 azi pentru procesarea, analizarea \u0219i proiectarea aplica\u021biilor obiective din toate aceste informa\u021bii, suger\u00e2nd modele de interpretare p\u00e2n\u0103 acum de neconceput<\/strong>.<\/p>\n\n\n\n

Aceast\u0103 posibilitate este dat\u0103 de algoritmi<\/strong> capabili s\u0103 proceseze o cantitate imens\u0103 de date \u00eentr-un timp scurt \u0219i cu pu\u021bine capacit\u0103\u021bi de calcul.<\/p>\n\n\n\n

Informa\u021biile care ast\u0103zi, cu un algoritm \u0219i un laptop simplu, pot fi prelucrate \u00een c\u00e2teva ore, p\u00e2n\u0103 de cur\u00e2nd ar fi necesitat o lung\u0103 perioad\u0103 de timp \u0219i calculatoare super scumpe.<\/p>\n\n\n\n

Aceasta este revolu\u021bia Big Data.<\/strong><\/p>\n\n\n\n

Exemple zilnice de Big Data<\/strong><\/h4>\n\n\n\n

Revolu\u021bia Big Data a intrat de mult timp \u00een vie\u021bile noastre, de\u0219i nu o observ\u0103m \u00een mod distinct. S\u0103 facem c\u00e2teva exemple practice.<\/p>\n\n\n\n

Utilizarea Big Data \u00een marketing se reg\u0103se\u0219te \u00een a\u0219a-numitele metode de recomandare<\/strong>, cum ar fi cele folosite de Netflix sau Amazon pentru a propune oferte de achizitii destinate<\/strong> unui anumit utilizator. Acest lucru se poate face cu precizie, deoarece toate datele de navigare ale unui utilizator, de la achizi\u021biile efectuate, la produsele c\u0103utate sau evaluate, permite s\u0103 sugereze produsele \u0219i serviciile cele mai potrivite pentru acea persoan\u0103, cele care vor atrage cu siguran\u021b\u0103 aten\u021bia lui. \u00cen acest mod algoritmii pot chiar s\u0103 \u201cdescopere\u201d dac\u0103 o femeie este \u00eens\u0103rcinat\u0103, pe baza c\u0103ut\u0103rilor ei pentru a-i propune servicii \u0219i produse care ar putea s\u0103 \u00eei fie utile.<\/p>\n\n\n\n

Big Data permite chiar g\u0103sirea asocierilor neobi\u0219nuite: potrivit unor cercet\u0103ri de data mining, persoanele care cump\u0103r\u0103 protec\u021bii de p\u00e2sl\u0103 pentru mobil\u0103 ar fi mai \u00eenclinate s\u0103 \u00ee\u0219i achite datoriile la timp, reprezent\u00e2nd clien\u021bii ideali pentru institu\u021biile de credit.<\/p>\n\n\n\n

\u00cen via\u021ba de zi cu zi g\u0103sim multe alte aplica\u021bii pentru Big Data.
S\u0103 lu\u0103m, de exemplu, desf\u0103\u0219urarea for\u021belor de poli\u021bie \u00een locuri \u0219i momente \u00een care sunt cel mai probabil s\u0103 apar\u0103 crime.
Sau studiul asocierilor dintre calitatea aerului \u0219i s\u0103n\u0103tate.
Sau analiza genomic\u0103 pentru a \u00eembun\u0103t\u0103\u021bi rezisten\u021ba la secet\u0103 a cerealelor.<\/p>\n\n\n\n

Pentru a \u00een\u021belege capacit\u0103\u021bile imense ale Big Data, este suficient s\u0103 ne reamintim c\u0103 \u00een 2008 Google a reu\u0219it s\u0103 prevad\u0103 prezen\u021ba focarelor de grip\u0103 pe teritoriile Statelor Unite, mai repede dec\u00e2t a reu\u0219it Ministerul S\u0103n\u0103t\u0103\u021bii s\u0103 fac\u0103 prin monitorizarea intern\u0103rilor \u00een spitalele publice \u0219i private.
Era doar 2008, \u0219i de atunci am mers \u00eenainte cu viteza luminii.<\/p>\n\n\n\n

ROLUL STATISTICII<\/strong><\/h4>\n\n\n\n

Merriam-Webster afirm\u0103 c\u0103 statistica \u201ceste o ramur\u0103 a matematicii care se ocup\u0103 cu colectarea, analiza, interpretarea \u0219i prezentarea maselor de date numerice.\u201d Statistica este un concept cheie care st\u0103 la baza Big Data \u0219i a analizei datelor. Ideea este de a folosi un subset al universului global de date pentru a trage concluzii despre acel univers de date. De exemplu, se pot colecta m\u0103sur\u0103tori ale greut\u0103\u021bii unor persoane \u00een \u00eencercarea de a estima greutatea medie a tuturor persoanelor. Cum vom vedea, acest exemplu aparent simplu devine mult mai complex, \u00een func\u021bie de caracteristicile datelor.<\/p>\n\n\n\n

CARACTERISTICILE DATELOR<\/strong><\/h4>\n\n\n\n

Caracteristicile datelor vor determina dac\u0103 \u0219i cum pot fi utilizate anumite date \u00eentr-un proiect de analiz\u0103 a datelor. NIST (National Institute of Standards and Technology) enumer\u0103 patru caracteristici principale pe care datele trebuie s\u0103 le aib\u0103 \u2013 volum<\/strong>, vitez\u0103<\/strong>, varietate<\/strong> \u0219i variabilitate<\/strong> \u2013 la care Cary, societatea de Data Analytics cu sediul \u00een Carolina de Nord, adaug\u0103 a 5-a caracteristic\u0103, \u0219i anume veridicitatea<\/strong>.<\/p>\n\n\n\n

VOLUM<\/strong>: aceast\u0103 caracteristic\u0103 se refer\u0103 la num\u0103rul de data points. Accesul la data points, aparent f\u0103r\u0103 sf\u00e2r\u0219it, poate \u00eensemna capacitatea de a stabili caracteristicile consumatorilor \u0219i comportamentele lor probabile cu un grad incredibil de precizie, \u00eens\u0103 costurile arhitecturii pentru prelucrarea acestor date cresc odat\u0103 cu volumul.<\/p>\n\n\n\n

RAPIDITATE<\/strong>: str\u00e2ns legat\u0103 de volum, aceast\u0103 caracteristic\u0103 ia \u00een considerare viteza cu care datele sunt sau pot fi colectate.<\/p>\n\n\n\n

VARIETATE<\/strong>: datele sunt disponibile \u00een diferite forme. De exemplu, preferin\u021bele consumatorilor pot fi m\u0103surate prin revizuirea studiilor pe consumatori, prin monitorizarea c\u0103ut\u0103rilor online sau prin monitorizarea deciziilor de cump\u0103rare.<\/p>\n\n\n\n

VARIABILITATE<\/strong>: se refer\u0103 la modific\u0103rile datelor \u00een timp. Aceste modific\u0103ri pot include viteza fluxului de date, formatul datelor sau datele \u00een sine.<\/p>\n\n\n\n

VERIDICITATE<\/strong>: datele din diferite surse pot fi mai mult sau mai pu\u021bin fiabile. De exemplu, consumatorii pot raporta preferin\u021be care nu corespund comportamentului lor real de cump\u0103rare. Datele de v\u00e2nz\u0103ri din unele surse pot fi ambigue sau chiar incorecte \u00een mod inten\u021bionat. Veridicitatea se refer\u0103 la calitatea datelor.<\/p>\n\n\n\n

Ce reprezint\u0103 analiza datelor (Data Analytics)?<\/strong><\/h4>\n\n\n\n

Analiza datelor \u00eenseamn\u0103 analizarea datelor disponibile. Acesta poate avea mai multe forme, \u00een func\u021bie de inten\u021bia analizei:<\/p>\n\n\n\n

    \n
  • Descriptiv<\/strong>: ce s-a \u00eent\u00e2mplat?<\/li>\n\n\n\n
  • Diagnostic<\/strong>: de ce s-a \u00eent\u00e2mplat?<\/li>\n\n\n\n
  • Predictiv<\/strong>: ce se va \u00eent\u00e2mpla?<\/li>\n\n\n\n
  • Prescriptiv<\/strong>: ce ar trebui f\u0103cut?<\/li>\n<\/ul>\n\n\n\n

    Complexitatea analizei cre\u0219te propor\u021bional de la descriptiv la prescriptiv, unde analiza prescriptiv\u0103 este cel mai ambi\u021bios obiectiv final de afaceri. O \u00eentrebare descriptiv\u0103 a analizei datelor ar putea fi: \u201cC\u00e2\u021bi bani cheltuie consumatorul mediu pe an pentru \u00eentre\u021binerea ma\u0219inilor?\u201d
    R\u0103spunsul poate fi ob\u021binut relativ u\u0219or prin analizarea unor date suficiente despre obiceiurile de cump\u0103rare, iar acest r\u0103spuns este util \u00een m\u0103sura \u00een care contribuie la determinarea dimensiunii pie\u021bei disponibile, dar nu este neap\u0103rat suficient pentru a ajuta \u00een procesul decizional.<\/p>\n\n\n\n

    \u00centrebarea de diagnostic relevant\u0103 ar putea fi: \u201cDe ce consumatorii cheltuiesc aceast\u0103 sum\u0103 de bani pentru \u00eentre\u021binerea ma\u0219inilor? De ce nu cheltuiesc mai mult sau mai pu\u021bin? Acest lucru necesit\u0103 un studiu mai atent al datelor \u0219i stabile\u0219te anumite conexiuni, cum ar fi obiceiurile de achizi\u021bie ale persoanelor din anumite grupuri demografice, grupuri de venit sau regiuni geografice; sau obiceiurile de achizi\u021bie \u00een anumite tipuri de \u00eentre\u021binere auto sau volumul de cheltuieli cu anumite companii \u00een compara\u021bie cu altele.<\/p>\n\n\n\n

    Monitorizarea predictiv\u0103 ar fi: \u201cCare obiceiuri de achizi\u021bie sunt de a\u0219teptat \u00een urm\u0103torii 5 ani de c\u0103tre consumatori pentru \u00eentre\u021binerea autovehiculelor?\u201d<\/p>\n\n\n\n

    \u00cen cele din urm\u0103, \u00eentrebarea prescriptiv\u0103: \u201cAv\u00e2nd \u00een vedere ceea ce credem c\u0103 este starea actual\u0103 \u0219i viitoare a pie\u021bei, ce ar trebui s\u0103 facem?\u201d<\/p>\n\n\n\n

    \u00cen analiza noastr\u0103 ipotetic\u0103, o companie de service auto care se confrunt\u0103 cu aceast\u0103 cerere poate decide s\u0103 investeasc\u0103 mai mult \u00eentr-un anumit domeniu al sectorului, s\u0103 vizeze mai direct anumite segmente de pia\u021b\u0103, s\u0103 compare \u0219i s\u0103 urmeze cele mai bune practici ale anumitor concuren\u021bi sau chiar s\u0103 abandoneze total sectorul.<\/p>\n\n\n\n

    Analiza datelor necesit\u0103 \u00eentodeauna Big Data?<\/strong><\/h4>\n\n\n\n

    Ceea ce distinge big data de un concept mai generalizat al unui e\u0219antion de date este dimensiunea \u0219i complexitatea gestion\u0103rii tuturor acestor date. Big data, prin defini\u021bie, const\u0103 \u00een cantit\u0103\u021bi uria\u0219e de date care necesit\u0103 o capacitate enorm\u0103 de procesare pentru a fi utilizate \u00een mod eficient.<\/p>\n\n\n\n

    O companie are nevoie de Big Data pentru a efectua \u00een mod eficient analiz\u0103 datelor? Nu neap\u0103rat<\/strong>, dar depinde de analiz\u0103<\/strong>. Statisticile devin mai precise pe m\u0103sur\u0103 ce dimensiunea setului de date cre\u0219te. \u0218i r\u0103spunsul precis la \u00eentreb\u0103ri complexe devine mai u\u0219or, deoarece acurate\u021bea concluziilor statistice de la baz\u0103 ei este mai precis\u0103.<\/p>\n\n\n\n

    Prin urmare, o companie care are nevoie s\u0103 analizeze procentul defectelor din procesul s\u0103u de fabrica\u021bie al saltelelor din ultimii trei ani, probabil, nu va trebui s\u0103 profite de big data. \u00cens\u0103, \u00een cazul \u00een care aceea\u0219i societate dore\u0219te s\u0103 efectueze o analiz\u0103 prescriptiv\u0103 a unui plan de afaceri pentru a intra pe pia\u021ba saltelelor high-end din Asia de Sud-Est \u00eentr-o perioad\u0103 de cinci ani, este posibil s\u0103 aib\u0103 nevoie de cantit\u0103\u021bi mari de date pentru a se asigura c\u0103 estim\u0103rile \u0219i previziunile sale sunt suficient de exacte pentru a justifica planul de ac\u021biune.<\/p>\n\n\n\n

    Probleme comune \u00een analiza datelor<\/strong><\/h4>\n\n\n\n

    Companiile care doresc s\u0103 profite de analiza datelor trebuie s\u0103 ia \u00een considerare o serie de capcane poten\u021biale, amintind c\u0103 o companie ar putea cheltui sume uria\u0219e de timp, bani \u0219i alte resurse pe un proiect de analiz\u0103 a datelor cu pu\u021bin sau deloc beneficiu, sau, chiar mai r\u0103u, s\u0103 ia \u00een final o decizie pripit\u0103. Iat\u0103 c\u00e2teva gre\u0219eli care se pot evita.<\/p>\n\n\n\n

    Nici un obiectiv clar<\/strong>: unele companii ar putea vedea big data ca pe o baghet\u0103 magic\u0103 iar analiza datelor ca pe o cur\u0103 miraculoas\u0103 pentru dificult\u0103\u021bile lor \u0219i ar putea g\u00e2ndi: \u201cDac\u0103 putem ob\u021bine date, r\u0103spunsul va fi clar.\u201d Colectarea datelor de la miliarde de data points \u0219i canalizarea lor \u00eentr-o cutie neagr\u0103, care d\u0103 informa\u021bii valoroase nu este modul corect de a valorifica analiza datelor. Companiile care decid s\u0103 fac\u0103 Data Analytics f\u0103r\u0103 un obiectiv clar risc\u0103 s\u0103 cheltuiasc\u0103 resurse semnificative f\u0103r\u0103 a aduce vreun beneficiu tangibil.<\/p>\n\n\n\n

    Obiective prea preten\u021bioase<\/strong>: aproape la fel de mult ca atunci c\u00e2nd nu exist\u0103 un obiectiv clar, \u0219i existen\u021ba unuia prea ambi\u021bios poate fi o capcan\u0103. Companiile trebuie s\u0103 ia \u00een considerare resursele \u0219i capacit\u0103\u021bile lor \u00eenainte de a-\u0219i stabili propriile obiective de analiz\u0103 a datelor. O companie cu un buget de 5.000 de dolari \u0219i un singur angajat cu norm\u0103 \u00eentreag\u0103 alocat la un proiect pilot de analiz\u0103 date, nu se poate a\u0219tepta s\u0103 prezic\u0103 tendin\u021bele \u00een preferin\u021bele consumatorilor \u00een Statele Unite ale Americii pentru anul viitor. Dar poate fi capabil s\u0103 identifice cele mai productive ore de lucru pe una din liniile sale de produc\u021bie.<\/p>\n\n\n\n

    Fondarea deciziilor pe date incorecte<\/strong>: dup\u0103 cum s-a discutat anterior, scopul final al analizei datelor este de a determina un curs corect de ac\u021biune, av\u00e2nd \u00een vedere starea actual\u0103 \u0219i prev\u0103zut\u0103 a afacerii. Dac\u0103 deciziile privind modul corect de ac\u021biune se bazeaz\u0103 pe evaluarea gre\u0219it\u0103 a situa\u021biei actuale \u0219i viitoare, aceste decizii s-ar putea dovedi dezastruoase. De aceea, analiza prescriptiv\u0103 necesit\u0103 investi\u021bii adecvate \u00een resursele necesare pentru a asigura analize descriptive, diagnostice \u0219i predictive exacte.<\/p>\n\n\n\n

    Structurarea unui proiect eficient de analiz\u0103 a datelor<\/strong><\/h4>\n\n\n\n

    Con\u0219tien\u021bi de ceea ce poate s\u0103 nu mearg\u0103 bine, haide\u021bi s\u0103 vedem cum s\u0103 facem s\u0103 func\u021bioneze un proiect de analiz\u0103 a datelor \u0219i s\u0103 consider\u0103m c\u00e2\u021biva pa\u0219i cheie pentru structurarea unui proiect eficient Data Analytics.<\/p>\n\n\n\n

    Stabilirea de obiective clare<\/strong>. Companiile care doresc s\u0103 utilizeze analiza datelor trebuie s\u0103 aib\u0103 o idee clar\u0103 despre ceea ce sper\u0103 s\u0103 ob\u021bin\u0103 din aceast\u0103 ini\u021biativ\u0103, indiferent dac\u0103 analiza este descriptiv\u0103, diagnostic\u0103, predictiv\u0103 sau prescriptiv\u0103.<\/p>\n\n\n\n

    Formularea clar\u0103 a \u00eentreb\u0103rilor<\/strong>. Fie c\u0103 este vorba despre estimarea st\u0103rii actuale a pie\u021bei sau determinarea pozi\u021biei companiei \u00een urm\u0103torul an, este important s\u0103 se formuleze \u00eentreb\u0103ri de baz\u0103 clare. De exemplu, pentru a \u0219ti de ce consumatorii prefer\u0103 un anumit brand de saltele, companiile trebuie s\u0103 afle mai \u00eent\u00e2i ce m\u0103rci prefer\u0103, care sunt caracteristicile acestor m\u0103rci, ce calit\u0103\u021bi apreciaz\u0103 consumatorii \u00een raport cu altele etc.<\/p>\n\n\n\n

    Dezvoltarea unei strategii pentru a r\u0103spunde la aceste \u00eentreb\u0103ri<\/strong>. Cum s\u0103 r\u0103spunde\u021bi la o \u00eentrebare despre preferin\u021bele consumatorilor? Strategia ar putea include efectuarea de sondaje, analizarea datelor de c\u0103utare online \u0219i a deciziilor de cump\u0103rare, dialogul cu exper\u021bii consumatorilor sau o combina\u021bie a acestor strategii \u0219i a altora.<\/p>\n\n\n\n

    Culegerea datelor<\/strong>. Faza de colectare a datelor este, \u00een esen\u021b\u0103, executarea strategiilor identificate \u00een faza anterioar\u0103: efectuarea de sondaje, colectarea datelor privind achizi\u021biile sau c\u0103ut\u0103rile online etc.<\/p>\n\n\n\n

    Analiza<\/strong>. \u00cen func\u021bie de tipul analizei datelor efectuate, acesta poate fi un pas extrem de complex. \u00cen cazul \u00een care analiza este pur \u0219i simplu descriptiv\u0103, aceasta poate fi la fel de simpl\u0103 ca num\u0103rarea sau calcularea unei medii. Ceva care implic\u0103 tragerea unor concluzii cu privire la corela\u021biile dintre date \u0219i previziunile viitoare este, evident, mult mai complicat.<\/p>\n\n\n\n

    Iterarea<\/strong>. Ca \u00een multe activit\u0103\u021bi, este destul de pu\u021bin probabil ca analiza exact\u0103 a datelor s\u0103 se fac\u0103 din prima. Este posibil ca sursele de date s\u0103 nu fie adev\u0103rate sau volumul s\u0103 fie insuficient, concluziile s-ar putea baza pe conexiuni inexacte \u00eentre date etc. Dar prin repetarea procesului, \u00eenv\u0103\u021barea din gre\u0219eli \u0219i efectuarea schimb\u0103rilor necesare, companiile pot ob\u021bine o expertiz\u0103 semnificativ\u0103 \u00een timp \u00een ceea ce prive\u0219te analiza datelor.<\/p>\n\n\n\n

    Companiile au diverse resurse la dispozi\u021bia lor, pe care le folosesc pentru a genera profit. Aceste resurse pot include bunuri materiale, cum ar fi angaja\u021bii, materiile prime, cl\u0103dirile \u0219i echipamentele. Dar acestea includ, de asemenea, active necorporale, cum ar fi proprietatea intelectual\u0103 \u0219i datele. Datele sunt un asset valoros \u0219i multe companii abia \u00eencep s\u0103 le \u00een\u021beleag\u0103.<\/strong><\/p>\n\n\n\n

    Big Data \u0219i analiza datelor par s\u0103 fie concepte complexe, doar la \u00eendem\u00e2na celor mai avansate companii din punct de vedere tehnologic, dar, \u00een realitate, ele sunt complexe numai \u00een m\u0103sura \u00een care decide\u021bi s\u0103 le utiliza\u021bi. Dac\u0103 \u00een\u021belege\u021bi aceste concepte, pute\u021bi defini cu precizie un obiectiv de analiz\u0103 a datelor \u0219i pute\u021bi ob\u021bine rezultate semnificative \u0219i eficiente.<\/p>\n\n\n\n

    Cheia este s\u0103 nu te la\u0219i cople\u0219it de cantitatea imens\u0103 de date, s\u0103 nu s\u0103 fii prea ambi\u021bios cu privire la posibilit\u0103\u021bile tale reale \u0219i s\u0103 proiectezi \u00een mod clar planul de analiz\u0103 al datelor.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Surs\u0103<\/strong>: www.bedtimesmagazine.com<\/em><\/a>, www.cloudtalk.it<\/em><\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

    Big Data \u0219i Data Analytics: la ce se refer\u0103?  Termenii \u201cbig data\u201d \u0219i \u201canaliza datelor\u201d au devenit foarte […]<\/p>\n","protected":false},"author":4,"featured_media":4287,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[34],"tags":[],"class_list":["post-9075","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tendinte-tehnologice"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/posts\/9075","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/comments?post=9075"}],"version-history":[{"count":2,"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/posts\/9075\/revisions"}],"predecessor-version":[{"id":10801,"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/posts\/9075\/revisions\/10801"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/media\/4287"}],"wp:attachment":[{"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/media?parent=9075"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/categories?post=9075"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.fluentis.com\/ro\/wp-json\/wp\/v2\/tags?post=9075"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}