{"id":11891,"date":"2025-01-08T18:00:02","date_gmt":"2025-01-08T21:00:02","guid":{"rendered":"https:\/\/www.mlonquimay.cl\/web\/2025\/01\/wie-genaue-nutzerinteraktionen-bei-chatbot-dialogen-fur-eine-tiefgehende-personalisierung-genutzt-werden-ein-praxisorientierter-leitfaden\/"},"modified":"2025-01-08T18:00:02","modified_gmt":"2025-01-08T21:00:02","slug":"wie-genaue-nutzerinteraktionen-bei-chatbot-dialogen-fur-eine-tiefgehende-personalisierung-genutzt-werden-ein-praxisorientierter-leitfaden","status":"publish","type":"post","link":"https:\/\/www.mlonquimay.cl\/web\/2025\/01\/wie-genaue-nutzerinteraktionen-bei-chatbot-dialogen-fur-eine-tiefgehende-personalisierung-genutzt-werden-ein-praxisorientierter-leitfaden\/","title":{"rendered":"Wie genaue Nutzerinteraktionen bei Chatbot-Dialogen f\u00fcr eine tiefgehende Personalisierung genutzt werden: Ein praxisorientierter Leitfaden"},"content":{"rendered":"<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nIn der heutigen digitalen Landschaft ist die F\u00e4higkeit von Chatbots, Nutzerinteraktionen pr\u00e4zise zu analysieren und <a href=\"https:\/\/devu08.testdevlink.net\/tracy\/wie-kulturelle-symbole-unseren-blick-auf-zufall-und-schicksal-pragten\/\">daraus<\/a> gezielt personalisierte Inhalte abzuleiten, entscheidend f\u00fcr den Erfolg im Kundenservice und E-Commerce. W\u00e4hrend allgemein bekannt ist, dass Daten f\u00fcr Personalisierung essenziell sind, bleiben konkrete technische Methoden und Umsetzungsstrategien oft unklar. Dieser Artikel vertieft sich in die spezifischen Techniken, um Nutzerinteraktionsdaten auf tiefgehender Ebene zu erfassen und zu nutzen, speziell im deutschsprachigen Raum, wo Datenschutz und kulturelle Erwartungen besondere Herausforderungen darstellen.\n<\/p>\n<div style=\"margin-bottom: 30px;\">\n<h2 style=\"font-family: Arial, sans-serif; font-size: 1.5em; margin-top: 30px;\">Inhaltsverzeichnis<\/h2>\n<ul style=\"list-style: decimal inside; font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; padding-left: 20px;\">\n<li><a href=\"#analyse-der-nutzerinteraktionsdaten\" style=\"text-decoration: none; color: #007BFF;\">Detaillierte Analyse der Nutzerinteraktionsdaten zur Verbesserung der Personalisierung in Chatbot-Dialogen<\/a><\/li>\n<li><a href=\"#technische-methoden\" style=\"text-decoration: none; color: #007BFF;\">Technische Methoden zur genauen Analyse von Nutzerinteraktionen im Chatbot-Umfeld<\/a><\/li>\n<li><a href=\"#anwendung-der-daten\" style=\"text-decoration: none; color: #007BFF;\">Konkrete Anwendung von Nutzerinteraktionsdaten zur Feintuning-Optimierung des Chatbots<\/a><\/li>\n<li><a href=\"#vermeidung-fehler\" style=\"text-decoration: none; color: #007BFF;\">Vermeidung h\u00e4ufiger Fehler bei der Analyse und Nutzung von Nutzerinteraktionen<\/a><\/li>\n<li><a href=\"#praxisbeispiele\" style=\"text-decoration: none; color: #007BFF;\">Praxisbeispiele: Erfolgreiche Nutzung von Nutzerinteraktionsdaten f\u00fcr individualisierte Chatbot-Erlebnisse<\/a><\/li>\n<li><a href=\"#umsetzungsschritte\" style=\"text-decoration: none; color: #007BFF;\">Umsetzungsschritte f\u00fcr eine datengest\u00fctzte Personalisierungsstrategie im Chatbot-Design<\/a><\/li>\n<li><a href=\"#rechtliche-besonderheiten\" style=\"text-decoration: none; color: #007BFF;\">Rechtliche und kulturelle Besonderheiten im deutschsprachigen Raum bei der Nutzung von Nutzerinteraktionen<\/a><\/li>\n<li><a href=\"#zusammenfassung\" style=\"text-decoration: none; color: #007BFF;\">Zusammenfassung: Der konkrete Mehrwert durch pr\u00e4zise Nutzerinteraktionsanalyse f\u00fcr personalisierte Chatbots<\/a><\/li>\n<\/ul>\n<\/div>\n<h2 id=\"analyse-der-nutzerinteraktionsdaten\" style=\"font-family: Arial, sans-serif; font-size: 1.5em; margin-top: 40px;\">Detaillierte Analyse der Nutzerinteraktionsdaten zur Verbesserung der Personalisierung in Chatbot-Dialogen<\/h2>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">a) Erhebung und Erfassung relevanter Nutzerdaten im Kontext der Dialoge<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nDie Grundlage f\u00fcr eine tiefgehende Personalisierung bildet die systematische Erfassung relevanter Nutzerdaten w\u00e4hrend der Interaktion. Hierbei empfiehlt sich der Einsatz strukturierter Protokolle, die neben klassischen Eingaben auch Meta-Informationen wie Verweildauer, Klickmuster und Kontextdaten (z.B. Standort, Ger\u00e4tetyp) erfassen. Um eine hohe Datenqualit\u00e4t sicherzustellen, sollten Dialoge in Echtzeit geloggt und mit Zeitstempeln versehen werden. Besonders im deutschen Raum ist die Einhaltung der DSGVO bei der Speicherung und Verarbeitung dieser Daten oberstes Gebot. Das bedeutet, nur explizit eingeholte Einwilligungen zu nutzen und die Daten nur f\u00fcr klar definierte Zwecke zu speichern.<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">b) Einsatz von Tracking-Tools und analytischen Plattformen zur Datenvisualisierung<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nZur Analyse der Nutzerinteraktionen empfiehlt sich der Einsatz spezialisierter Tracking-Tools wie Matomo, OpenSource-Analytikplattformen oder propriet\u00e4re L\u00f6sungen wie Google Analytics 4. Diese Tools erlauben die Visualisierung komplexer Interaktionsmuster, z.B. Heatmaps f\u00fcr Klickverhalten oder Flussdiagramme f\u00fcr Dialogpfade. Durch die Integration in das Chatbot-Backend kann man KPIs wie Verweildauer, Abbruchraten oder Conversion-Points in Echtzeit monitoren. F\u00fcr den deutschsprachigen Markt ist es essenziell, die datenschutzrechtlichen Vorgaben strikt zu ber\u00fccksichtigen und datenschutzfreundliche Alternativen zu verwenden.<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">c) Datenschutz- und DSGVO-konforme Datensammlung: Was ist zu beachten?<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 40px;\">\nDie datenschutzrechtlichen Anforderungen in Deutschland und der EU verlangen eine transparente Datenverarbeitung. Das bedeutet, Nutzer m\u00fcssen vorab \u00fcber die Art der erhobenen Daten, den Zweck und die Dauer der Speicherung informiert werden und aktiv zustimmen (Opt-in). Zudem sollte eine Dokumentation der Einwilligungen erfolgen, und Nutzer m\u00fcssen jederzeit ihre Einwilligung widerrufen k\u00f6nnen. Anonymisierungstechniken wie Pseudonymisierung oder Datenminimierung sind empfehlenswert, um das Risiko bei Datenpannen zu minimieren. Nur so l\u00e4sst sich eine datenschutzkonforme Analyse der Nutzerinteraktionen gew\u00e4hrleisten.<\/p>\n<h2 id=\"technische-methoden\" style=\"font-family: Arial, sans-serif; font-size: 1.5em; margin-top: 40px;\">Technische Methoden zur genauen Analyse von Nutzerinteraktionen im Chatbot-Umfeld<\/h2>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">a) Einsatz von Natural Language Processing (NLP) zur Erkennung spezifischer Nutzerabsichten<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nNLP-Modelle, wie BERT oder GPT-basierte Ans\u00e4tze, erm\u00f6glichen die automatische Erkennung von Nutzerabsichten und Entit\u00e4ten. F\u00fcr deutsche Dialoge empfiehlt sich die Verwendung von speziell trainierten Modellen wie German BERT oder DeepL\u2019s NLP-Tools. Durch die Klassifizierung von Nutzeranfragen in Kategorien (z.B. Produktinformationen, Beschwerde, Support) k\u00f6nnen Chatbots ihre Reaktionen gezielt anpassen. Praktisch umgesetzt bedeutet dies, dass Sie f\u00fcr h\u00e4ufige Absichten eine Reihe von Intent-Modelle trainieren, die kontinuierlich anhand neuer Interaktionen verbessert werden.<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">b) Verwendung von Sentiment-Analyse zur Einsch\u00e4tzung der Nutzeremotionen in Echtzeit<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nDie Sentiment-Analyse, basierend auf deutschen Sprachmodellen, erlaubt die Bewertung der Nutzeremotionen w\u00e4hrend des Dialogs. Tools wie TextBlob-DE oder auf Deep-Learning basierende Ans\u00e4tze k\u00f6nnen in Echtzeit positive, negative oder neutrale Stimmungen erkennen. Dies erlaubt es, die Dialogstrategie dynamisch anzupassen, beispielsweise durch empathischere Reaktionen bei negativer Stimmung oder durch proaktive Probleml\u00f6sung bei Krisensituationen. Die Herausforderung liegt in der Feinabstimmung der Modelle, um kulturelle Nuancen korrekt zu erfassen.<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">c) Entwicklung und Einsatz von Mustererkennungsalgorithmen f\u00fcr typische Interaktionsmuster<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 40px;\">\nMustererkennung erfolgt durch maschinelle Lernverfahren wie Random Forests, Support Vector Machines oder Deep Learning, um wiederkehrende Interaktionsmuster zu identifizieren. Ein Beispiel: Das Erkennen von h\u00e4ufigen Abbruchmustern bei bestimmten Fragetypen erm\u00f6glicht die Optimierung der Dialogf\u00fchrung. F\u00fcr deutsche Nutzer empfiehlt sich die Verwendung von Clustering-Methoden, um segmentierte Nutzerprofile zu erstellen, die wiederum das Modell-Feintuning steuern. Praktisch bedeutet dies, dass Sie regelm\u00e4\u00dfig Ihre Modelle mit neuen Interaktionsdaten retrainieren, um die Erkennungsgenauigkeit zu erh\u00f6hen.<\/p>\n<h2 id=\"anwendung-der-daten\" style=\"font-family: Arial, sans-serif; font-size: 1.5em; margin-top: 40px;\">Konkrete Anwendung von Nutzerinteraktionsdaten zur Feintuning-Optimierung des Chatbots<\/h2>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">a) Schritt-f\u00fcr-Schritt-Anleitung zum Training personalisierter Modelle anhand gesammelter Daten<\/h3>\n<ul style=\"list-style: decimal inside; font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; padding-left: 20px;\">\n<li style=\"margin-bottom: 10px;\"><strong>Schritt 1:<\/strong> Datenaggregation: Sammeln Sie alle relevanten Interaktionsdaten, inklusive Nutzerfragen, Reaktionszeiten, Emotionen und Abbruchpunkte.<\/li>\n<li style=\"margin-bottom: 10px;\"><strong>Schritt 2:<\/strong> Datenbereinigung: Entfernen Sie Duplikate, korrigieren Sie fehlerhafte Eingaben und anonymisieren Sie sensible Informationen.<\/li>\n<li style=\"margin-bottom: 10px;\"><strong>Schritt 3:<\/strong> Labeln der Daten: Klassifizieren Sie Daten nach Nutzerabsichten, Stimmung und Interaktionsmustern.<\/li>\n<li style=\"margin-bottom: 10px;\"><strong>Schritt 4:<\/strong> Modelltraining: Nutzen Sie Frameworks wie TensorFlow oder PyTorch, um NLP-Modelle auf Ihren Daten zu trainieren.<\/li>\n<li style=\"margin-bottom: 10px;\"><strong>Schritt 5:<\/strong> Validierung: Testen Sie die Modelle mit separaten Datens\u00e4tzen, um \u00dcberfitting zu vermeiden.<\/li>\n<li style=\"margin-bottom: 10px;\"><strong>Schritt 6:<\/strong> Deployment: Implementieren Sie das Modell in den Produktionsdialog, wobei kontinuierliche \u00dcberwachung und Feinjustierung erfolgen sollten.<\/li>\n<\/ul>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">b) Nutzung von Benutzerfeedback zur kontinuierlichen Verbesserung der Dialogf\u00fchrung<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nNutzen Sie systematisch Nutzerbewertungen, Feedback-Formulare und automatische Feedback-Analysen, um Schwachstellen im Dialogdesign zu identifizieren. Implementieren Sie eine Feedback-Schleife, bei der Nutzer direkt nach Abschluss eines Dialogs um eine Bewertung gebeten werden. Diese Daten flie\u00dfen in die Modellanpassung ein, was eine kontinuierliche Verbesserung der Personalisierung erm\u00f6glicht. F\u00fcr den DACH-Raum empfiehlt sich, die Nutzer mit klaren, verst\u00e4ndlichen Fragen zu motivieren, z.B.: \u201eWar Ihre Frage zufriedenstellend beantwortet?\u201c<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">c) Implementierung adaptiver Antwortgenerierung basierend auf Nutzungsprofilen<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 40px;\">\nDurch die Erstellung von Nutzerprofilen, die auf Interaktionsdaten basieren, kann der Chatbot seine Antworten dynamisch anpassen. Zum Beispiel kann ein Nutzer, der h\u00e4ufig nach technischen Details fragt, k\u00fcnftig pr\u00e4zisere und technische Antworten erhalten, w\u00e4hrend ein Nutzer mit Fokus auf Produktinformationen eine intuitive, werbliche Ansprache bekommt. Hierf\u00fcr empfiehlt sich der Einsatz von kontextsensitiven Modellarchitekturen wie Transformer-Modelle, die auf Nutzerhistorie zugreifen und Antworten in Echtzeit modifizieren. Wichtig ist, diese Profile regelm\u00e4\u00dfig zu aktualisieren und die Anpassung auf Datenschutzkonformit\u00e4t zu pr\u00fcfen.<\/p>\n<h2 id=\"vermeidung-fehler\" style=\"font-family: Arial, sans-serif; font-size: 1.5em; margin-top: 40px;\">Vermeidung h\u00e4ufiger Fehler bei der Analyse und Nutzung von Nutzerinteraktionen<\/h2>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">a) Fehlerquellen bei der Dateninterpretation: Was sollte vermieden werden?<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nEin h\u00e4ufiger Fehler besteht darin, Korrelationen f\u00e4lschlicherweise als Kausalit\u00e4ten zu interpretieren. Beispielsweise kann eine hohe Verweildauer auf eine positive Nutzererfahrung hindeuten, doch manchmal resultiert sie auch aus Unsicherheit oder Verwirrung. Daher sollten Analysemodelle stets mit qualitativen Bewertungen erg\u00e4nzt werden. Zudem ist die Gefahr der \u00dcberinterpretation kleiner Datenmengen gro\u00df: Daten sollten immer in gr\u00f6\u00dferen Stichproben validiert werden, um zuverl\u00e4ssige Schl\u00fcsse zu ziehen.<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">b) Risiken der \u00dcberpersonalisation: Wie l\u00e4sst sich \u00dcberfitting verhindern?<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\n\u00dcberm\u00e4\u00dfige Personalisierung kann zu Overfitting f\u00fchren, bei dem der Chatbot nur noch auf spezifische Nutzerprofile reagiert und dadurch unflexibel wird. Um dies zu vermeiden, sollten Sie Modelle regelm\u00e4\u00dfig auf neuen, ungekannten Daten testen und eine Balance zwischen Spezialisierung und Generalisierung wahren. Zudem empfiehlt sich der Einsatz von Dropout-Methoden und Cross-Validation, um die Robustheit der Modelle zu erh\u00f6hen.<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">c) Umgang mit inkonsistenten oder unvollst\u00e4ndigen Nutzerdaten<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 40px;\">\nUnvollst\u00e4ndige Daten sind in der Praxis unvermeidlich. Hier empfiehlt sich die Nutzung von Datenimputationstechniken und die Fokussierung auf robuste Modelle, die auch bei l\u00fcckenhaften Informationen stabile Ergebnisse liefern. Zudem sollten Sie klare Regeln definieren, welche Daten zwingend erforderlich sind, und inaktive oder inkonsistente Profile regelm\u00e4\u00dfig bereinigen, um die Datenqualit\u00e4t auf hohem Niveau zu halten.<\/p>\n<h2 id=\"praxisbeispiele\" style=\"font-family: Arial, sans-serif; font-size: 1.5em; margin-top: 40px;\">Praxisbeispiele: Erfolgreiche Nutzung von Nutzerinteraktionsdaten f\u00fcr individualisierte Chatbot-Erlebnisse<\/h2>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">a) Case Study: Personalisierte Produktempfehlungen im E-Commerce<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nEin f\u00fchrender Online-H\u00e4ndler im deutschsprachigen Raum nutzt Nutzerinteraktionsdaten, um personalisierte Produktempfehlungen in Echtzeit zu generieren. Durch die Analyse vorheriger Suchanfragen, Klickverhalten und Kaufhistorie werden Nutzerprofile erstellt. Der Chatbot greift auf diese Profile zu und passt seine Empfehlungen dynamisch an, was die Conversion-Rate um 25 % gesteigert hat. Die Implementierung erfolgte unter strikter Einhaltung der DSGVO, inklusive Opt-in und Datenminimierung.<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">b) Beispiel: Kundenservice-Chatbots mit adaptiver Probleml\u00f6sungsstrategie<\/h3>\n<p style=\"font-family: Arial, sans-serif; font-size: 1em; line-height: 1.6; margin-bottom: 20px;\">\nEin Telekommunikationsanbieter implementierte einen KI-gest\u00fctzten Support-Chatbot, der anhand der Nutzerinteraktionen in Echtzeit emotionale Zust\u00e4nde erkennt. Bei negativem Sentiment wird der Dialog empathischer gestaltet, bei h\u00e4ufigen Problemen werden h\u00e4ufige L\u00f6sungsmuster priorisiert. Dies f\u00fchrte zu einer deutlichen Reduktion der Eskalationen und einer h\u00f6heren Kundenzufriedenheit. Die kontinuierliche Analyse der Interaktionsmuster erm\u00f6glichte eine iterative Verbesserung der Dialogstrategie.<\/p>\n<h3 style=\"font-family: Arial, sans-serif; font-size: 1.3em; margin-top: 30px;\">c) Best Practices bei der Integration von Nutzerdaten in bestehende CRM-Systeme<\/h3>\n","protected":false},"excerpt":{"rendered":"<p>In der heutigen digitalen Landschaft ist die F\u00e4higkeit von Chatbots, Nutzerinteraktionen pr\u00e4zise zu analysieren und daraus gezielt personalisierte Inhalte abzuleiten, [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"closed","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":"","ast-disable-related-posts":"","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":"var(--ast-global-color-4)","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":[1],"tags":[],"class_list":["post-11891","post","type-post","status-publish","format-standard","hentry","category-noticias"],"_links":{"self":[{"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/posts\/11891","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/comments?post=11891"}],"version-history":[{"count":0,"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/posts\/11891\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/media?parent=11891"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/categories?post=11891"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.mlonquimay.cl\/web\/wp-json\/wp\/v2\/tags?post=11891"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}