{"id":715,"date":"2025-09-11T10:23:02","date_gmt":"2025-09-11T15:23:02","guid":{"rendered":"http:\/\/masterfoodpty.com\/masterfoodwp\/?p=715"},"modified":"2025-11-05T10:07:49","modified_gmt":"2025-11-05T15:07:49","slug":"optimisation-avancee-de-la-segmentation-des-audiences-methodologies-techniques-et-deploiements-pour-une-campagne-publicitaire-hyperciblee","status":"publish","type":"post","link":"http:\/\/masterfoodpty.com\/masterfoodwp\/2025\/09\/11\/optimisation-avancee-de-la-segmentation-des-audiences-methodologies-techniques-et-deploiements-pour-une-campagne-publicitaire-hyperciblee\/","title":{"rendered":"Optimisation avanc\u00e9e de la segmentation des audiences : m\u00e9thodologies, techniques et d\u00e9ploiements pour une campagne publicitaire hypercibl\u00e9e"},"content":{"rendered":"<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1.2em;\">\nDans le contexte concurrentiel de la publicit\u00e9 digitale, il ne suffit plus de segmenter \u00e0 un niveau <a href=\"https:\/\/gacor199.org\/comment-la-quete-de-fun-facon-tower-rush-revele-notre-rapport-a-la-valeur-et-a-la-patience-2025\/\">superficiel<\/a> pour atteindre efficacement ses audiences. La segmentation avanc\u00e9e, qui exploite en profondeur les donn\u00e9es comportementales, psychographiques et d\u00e9mographiques, permet de cr\u00e9er des campagnes v\u00e9ritablement personnalis\u00e9es et performantes. Cet article explore, \u00e9tape par \u00e9tape, comment ma\u00eetriser cette d\u00e9marche \u00e0 un niveau expert, en int\u00e9grant des techniques pointues de collecte, traitement, mod\u00e9lisation et d\u00e9ploiement, avec une attention particuli\u00e8re \u00e0 la pr\u00e9cision technique et \u00e0 la mise en \u0153uvre op\u00e9rationnelle.\n<\/p>\n<div style=\"margin-bottom: 2em;\">\n<h2 style=\"font-size: 1.5em; color: #34495e;\">Table des mati\u00e8res<\/h2>\n<ul style=\"list-style: none; padding-left: 0;\">\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section1\" style=\"color: #2980b9; text-decoration: none;\">1. Comprendre en profondeur la segmentation des audiences pour une campagne cibl\u00e9e<\/a><\/li>\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section2\" style=\"color: #2980b9; text-decoration: none;\">2. M\u00e9thodologie avanc\u00e9e pour la collecte et le traitement des donn\u00e9es d\u2019audience<\/a><\/li>\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section3\" style=\"color: #2980b9; text-decoration: none;\">3. D\u00e9finition et cr\u00e9ation de segments hyper cibl\u00e9s : \u00e9tapes et techniques pr\u00e9cises<\/a><\/li>\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section4\" style=\"color: #2980b9; text-decoration: none;\">4. Mise en \u0153uvre technique dans les plateformes publicitaires<\/a><\/li>\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section5\" style=\"color: #2980b9; text-decoration: none;\">5. Optimisation fine et ajustements en temps r\u00e9el<\/a><\/li>\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section6\" style=\"color: #2980b9; text-decoration: none;\">6. Automatisation, intelligence artificielle et segmentation \u00e9volutive<\/a><\/li>\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section7\" style=\"color: #2980b9; text-decoration: none;\">7. Erreurs courantes, pi\u00e8ges et bonnes pratiques avanc\u00e9es<\/a><\/li>\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section8\" style=\"color: #2980b9; text-decoration: none;\">8. Conseils d\u2019experts pour une optimisation continue et strat\u00e9gique<\/a><\/li>\n<li style=\"margin-bottom: 0.5em;\"><a href=\"#section9\" style=\"color: #2980b9; text-decoration: none;\">9. Synth\u00e8se, ressources et checklist pour une segmentation experte<\/a><\/li>\n<\/ul>\n<\/div>\n<h2 id=\"section1\" style=\"font-size: 1.5em; color: #34495e; margin-top: 2em;\">1. Comprendre en profondeur la segmentation des audiences pour une campagne cibl\u00e9e<\/h2>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">a) D\u00e9finition pr\u00e9cise des concepts cl\u00e9s : segmentation, ciblage, persona<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nLa segmentation consiste \u00e0 diviser une population en sous-groupes homog\u00e8nes en fonction de crit\u00e8res sp\u00e9cifiques, permettant d\u2019adresser des messages adapt\u00e9s \u00e0 chaque groupe. Le ciblage, quant \u00e0 lui, d\u00e9signe l\u2019action de s\u00e9lectionner et d\u2019activer ces segments dans le cadre d\u2019une campagne pr\u00e9cise. La construction de personas va plus loin : il s\u2019agit de repr\u00e9senter de fa\u00e7on d\u00e9taill\u00e9e un segment type, int\u00e9grant non seulement des donn\u00e9es d\u00e9mographiques, mais aussi psychographiques et comportementales. Pour une segmentation experte, il faut ma\u00eetriser la distinction entre segmentation statique (bas\u00e9e sur des donn\u00e9es historiques) et dynamique (\u00e9volutive, en temps r\u00e9el), ainsi que leur impact sur la performance globale.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">b) Analyse des enjeux strat\u00e9giques li\u00e9s \u00e0 la segmentation avanc\u00e9e dans le contexte publicitaire<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nUne segmentation fine permet d\u2019augmenter la pertinence des messages, d\u2019am\u00e9liorer le taux de conversion, tout en r\u00e9duisant le co\u00fbt par acquisition. Cependant, elle implique une gestion rigoureuse des donn\u00e9es, une complexit\u00e9 accrue dans le traitement et une n\u00e9cessit\u00e9 d\u2019adopter des outils sophistiqu\u00e9s. La segmentation avanc\u00e9e doit \u00e9galement prendre en compte la l\u00e9gislation locale en mati\u00e8re de protection des donn\u00e9es (RGPD en Europe), en assurant une conformit\u00e9 totale lors de la collecte et de l\u2019exploitation des donn\u00e9es personnelles.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">c) Identification des objectifs sp\u00e9cifiques pour une segmentation optimale en fonction des KPIs<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nIl est crucial de d\u00e9finir des KPIs pr\u00e9cis d\u00e8s le d\u00e9part : taux de clics (CTR), co\u00fbt par clic (CPC), co\u00fbt par acquisition (CPA), valeur vie client (LTV), taux de conversion, engagement ou encore taux de r\u00e9tention. La segmentation doit \u00eatre con\u00e7ue pour maximiser ces indicateurs, en alignant les segments avec des strat\u00e9gies d\u2019ench\u00e8res, de message et de canal. Par exemple, pour optimiser le CPA, il faudra privil\u00e9gier des segments \u00e0 forte intention d\u2019achat, identifi\u00e9s via l\u2019analyse de parcours utilisateur.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">d) \u00c9tude de cas illustrant la corr\u00e9lation entre segmentation fine et performances de campagne<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nUne grande enseigne de e-commerce en France a segment\u00e9 sa base client en combinant donn\u00e9es d\u00e9mographiques, comportementales et psychographiques. En cr\u00e9ant des groupes tels que \u00ab jeunes urbains \u00e0 forte app\u00e9tence pour la mode \u00bb ou \u00ab familles avec enfants recherchant des promotions \u00bb, elle a pu personnaliser ses campagnes. R\u00e9sultat : une augmentation de 35 % du CTR, une baisse de 20 % du CPA, et une am\u00e9lioration significative du ROI. Cet exemple illustre que la segmentation hyperfine, si ma\u00eetris\u00e9e techniquement, se traduit concr\u00e8tement par des performances accrues.<\/p>\n<h2 id=\"section2\" style=\"font-size: 1.5em; color: #34495e; margin-top: 2em;\">2. M\u00e9thodologie avanc\u00e9e pour la collecte et le traitement des donn\u00e9es d\u2019audience<\/h2>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">a) Mise en place de syst\u00e8mes d\u2019acquisition de donn\u00e9es : pixel, API, CRM<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nPour une segmentation pr\u00e9cise, la premier \u00e9tape consiste \u00e0 d\u00e9ployer une architecture robuste de collecte : int\u00e9grer des pixels de suivi (Facebook Pixel, Google Tag Manager), exploiter les API des plateformes (Google Analytics, Facebook Graph API) et synchroniser avec le CRM. La configuration doit respecter la granularit\u00e9 souhait\u00e9e : par exemple, en utilisant des \u00e9v\u00e9nements personnalis\u00e9s pour suivre des actions sp\u00e9cifiques (ajout au panier, consultation d\u2019un produit, partage social). Assurez-vous que chaque point de collecte est calibr\u00e9 pour capturer la qualit\u00e9 des donn\u00e9es et leur attribution correcte.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">b) Nettoyage, d\u00e9duplication et enrichissement des donn\u00e9es brutes : techniques et outils<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nApr\u00e8s la collecte, les donn\u00e9es brutes n\u00e9cessitent une \u00e9tape essentielle de nettoyage : suppression des doublons, correction des incoh\u00e9rences (ex : incoh\u00e9rence de g\u00e9olocalisation ou d\u2019\u00e2ge), standardisation des formats. Des outils comme Talend Data Preparation, OpenRefine ou des scripts Python (pandas, NumPy) permettent d\u2019automatiser ces processus. L\u2019enrichissement consiste \u00e0 compl\u00e9ter ces donn\u00e9es avec des sources externes : bases d\u2019int\u00e9r\u00eat public (INSEE, Open Data), enrichissement par des partenaires ou via des API tierces (par exemple, donn\u00e9es socio-d\u00e9mographiques).<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">c) Segmentation bas\u00e9e sur la mod\u00e9lisation statistique et le machine learning : choix d\u2019algorithmes et param\u00e9trages<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nPour aller au-del\u00e0 des r\u00e8gles simples, il faut exploiter des mod\u00e8les statistiques et d\u2019apprentissage automatique. Commencez par une r\u00e9duction dimensionnelle via PCA (Analyse en Composantes Principales) pour g\u00e9rer la multidimensionnalit\u00e9. Ensuite, appliquez des algorithmes de clustering tels que K-means, DBSCAN ou Gaussian Mixture Models pour identifier des groupes naturels. Pour la classification, utilisez Random Forests ou SVM afin d\u2019attribuer des labels \u00e0 de nouveaux profils. La s\u00e9lection des hyperparam\u00e8tres doit \u00eatre optimis\u00e9e via des techniques de validation crois\u00e9e, en utilisant des m\u00e9triques telles que la silhouette ou le score de Calinski-Harabasz pour \u00e9valuer la coh\u00e9rence des segments.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">d) Validation et qualification des segments : tests A\/B, analyse de coh\u00e9rence, feedbacks terrain<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nUne fois les segments form\u00e9s, leur validit\u00e9 doit \u00eatre confirm\u00e9e par des tests A\/B : en leur attribuant des campagnes pilotes, puis en comparant les KPIs. Par ailleurs, il est crucial d\u2019analyser leur coh\u00e9rence interne (ex : comportements homog\u00e8nes, profils similaires) via des analyses statistiques (ANOVA, tests de diff\u00e9rence de moyenne). Enfin, recueillez du feedback qualitatif en menant des enqu\u00eates ou interviews pour v\u00e9rifier la pertinence des segments aupr\u00e8s des \u00e9quipes terrain ou des clients.<\/p>\n<h2 id=\"section3\" style=\"font-size: 1.5em; color: #34495e; margin-top: 2em;\">3. D\u00e9finition et cr\u00e9ation de segments hyper cibl\u00e9s : \u00e9tapes et techniques pr\u00e9cises<\/h2>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">a) Utilisation de crit\u00e8res d\u00e9mographiques avanc\u00e9s : \u00e2ge, sexe, localisation, profession, revenus<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nPour une segmentation fine, il ne suffit pas de limiter aux cat\u00e9gories classiques. Int\u00e9grez des variables comme la profession \u00e0 l\u2019aide du code NAF, le niveau de revenus estim\u00e9 via la localisation ou la profession, ou encore la structure familiale. La segmentation par g\u00e9olocalisation doit exploiter la densit\u00e9 de population, la segmentation urbaine\/rurale, ainsi que des donn\u00e9es socio-spatiales issues de l\u2019INSEE ou des services de g\u00e9ocodage avanc\u00e9s (API de g\u00e9ocodage avec pr\u00e9cision au m\u00e8tre). Utilisez des outils comme SQL avanc\u00e9 ou Python pour segmenter en temps r\u00e9el ou par batch.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">b) Segmentation comportementale : parcours utilisateur, engagement, historique d\u2019achat, pr\u00e9f\u00e9rences en temps r\u00e9el<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nAnalysez le parcours utilisateur en utilisant des mod\u00e8les de Markov ou des cha\u00eenes de Markov pour mod\u00e9liser les transitions entre diff\u00e9rentes \u00e9tapes. Exploitez les donn\u00e9es d\u2019engagement (clics, dur\u00e9e de visite, interactions sociales) pour cr\u00e9er des profils d\u2019intention. Mettez en \u0153uvre des syst\u00e8mes de scoring comportemental bas\u00e9 sur des algorithmes de machine learning, tels que XGBoost ou LightGBM, pour pr\u00e9dire la propension \u00e0 acheter ou \u00e0 convertir. Les pr\u00e9f\u00e9rences en temps r\u00e9el peuvent \u00eatre captur\u00e9es via des flux de donn\u00e9es en streaming (Kafka, Spark Streaming), permettant d\u2019ajuster dynamiquement les segments.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">c) Analyse psychographique et socioculturelle : centres d\u2019int\u00e9r\u00eat, valeurs, style de vie<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nExploitez des sources comme les enqu\u00eates, les donn\u00e9es issues des r\u00e9seaux sociaux ou les analyses de contenu pour d\u00e9duire des traits psychographiques. Appliquez des m\u00e9thodes de clustering s\u00e9mantique (LDA \u2013 Latent Dirichlet Allocation) pour identifier des th\u00e8mes r\u00e9currents dans les posts ou commentaires. Utilisez des mod\u00e8les de traitement du langage naturel (NLP) pour analyser la tonalit\u00e9, les valeurs exprim\u00e9es ou les pr\u00e9f\u00e9rences en mati\u00e8re de style de vie et de consommation.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">d) Construction de segments dynamiques et adaptatifs : mise en \u0153uvre via des r\u00e8gles et algorithmes \u00e9volutifs<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nUtilisez des syst\u00e8mes de r\u00e8gles \u00e9volutives bas\u00e9s sur des seuils ou des scores pour faire \u00e9voluer automatiquement la segmentation. Par exemple, un client peut passer d\u2019un segment \u00ab occasionnel \u00bb \u00e0 \u00ab fid\u00e8le \u00bb si ses interactions d\u00e9passent un certain seuil sur une p\u00e9riode donn\u00e9e. Int\u00e9grez des algorithmes de reinforcement learning pour affiner ces r\u00e8gles en fonction des performances : par exemple, en utilisant des bandits manchots pour optimiser en continu la distribution des budgets publicitaires selon la performance des segments.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">e) Cas pratique : cr\u00e9ation d\u2019un segment personnalis\u00e9 \u00e0 partir d\u2019un cluster de clients existants<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nSupposons que vous disposiez d\u2019un cluster de clients ayant effectu\u00e9 plusieurs achats dans le secteur de la mode haut de gamme. Vous exploitez un algorithme de clustering hi\u00e9rarchique pour identifier un sous-groupe \u00ab jeunes urbains \u00e0 forte app\u00e9tence pour le luxe \u00bb. En croisant ces donn\u00e9es avec des variables comportementales (fr\u00e9quence d\u2019achat, panier moyen), vous d\u00e9finissez un segment dynamique, mis \u00e0 jour en temps r\u00e9el via un flux de donn\u00e9es. La cr\u00e9ation de ce segment repose sur une combinaison de techniques statistiques, de machine learning, et d\u2019automatisation, garantissant sa pertinence et sa r\u00e9activit\u00e9.<\/p>\n<h2 id=\"section4\" style=\"font-size: 1.5em; color: #34495e; margin-top: 2em;\">4. Mise en \u0153uvre technique de la segmentation dans les plateformes publicitaires<\/h2>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">a) Configuration pr\u00e9cise des audiences personnalis\u00e9es et similaires dans Facebook Ads, Google Ads, etc.<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nPour d\u00e9ployer vos segments, commencez par cr\u00e9er des audiences personnalis\u00e9es \u00e0 partir des donn\u00e9es de votre CRM ou de votre plateforme de gestion de donn\u00e9es (DMP). Dans Facebook Ads, utilisez le gestionnaire d\u2019audiences pour importer des listes (via CSV ou int\u00e9gration API), puis cr\u00e9ez des audiences similaires en s\u00e9lectionnant la source et en ajustant le seuil de similitude (ex : 1-10 %). Sur Google Ads, exploitez les audiences de remarketing et les listes d\u2019audiences personnalis\u00e9es pour d\u00e9finir pr\u00e9cis\u00e9ment chaque segment, en utilisant les param\u00e8tres avanc\u00e9s de ciblage.<\/p>\n<h3 style=\"font-size: 1.3em; color: #16a085; margin-top: 1.5em;\">b) Int\u00e9gration des segments via API ou importation CSV : \u00e9tapes d\u00e9taill\u00e9es et bonnes pratiques<\/h3>\n<p style=\"font-size: 1.1em; line-height: 1.6; margin-bottom: 1em;\">\nPour une gestion \u00e0 grande \u00e9chelle, privil\u00e9giez l\u2019int\u00e9gration via API. Par exemple, utilisez l\u2019API Facebook Marketing pour automatiser l\u2019importation de listes segment\u00e9es, en respectant le format JSON requis. V\u00e9rifiez la coh\u00e9rence des identifiants (adresses email, ID utilisateur) et assurez-vous que la synchronisation se fait en temps r\u00e9el ou \u00e0 intervalles r\u00e9guliers. Lors de l\u2019importation par CSV, garantissez la qualit\u00e9 des donn\u00e9es en contr\u00f4lant la normalisation, le d\u00e9doublonnage, et la correspondance des colonnes. Toujours tester dans des environnements de sandbox avant d\u00e9ploiement en production.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Dans le contexte concurrentiel de la publicit\u00e9 digitale, il ne suffit plus de segmenter \u00e0 un niveau superficiel pour atteindre efficacement ses audiences. La segmentation avanc\u00e9e, qui exploite en profondeur les donn\u00e9es comportementales, psychographiques et d\u00e9mographiques, permet de cr\u00e9er des campagnes v\u00e9ritablement personnalis\u00e9es et performantes. Cet article explore, \u00e9tape par \u00e9tape, comment ma\u00eetriser cette d\u00e9marche&hellip; <a class=\"more-link\" href=\"http:\/\/masterfoodpty.com\/masterfoodwp\/2025\/09\/11\/optimisation-avancee-de-la-segmentation-des-audiences-methodologies-techniques-et-deploiements-pour-une-campagne-publicitaire-hyperciblee\/\">Seguir leyendo <span class=\"screen-reader-text\">Optimisation avanc\u00e9e de la segmentation des audiences : m\u00e9thodologies, techniques et d\u00e9ploiements pour une campagne publicitaire hypercibl\u00e9e<\/span><\/a><\/p>\n","protected":false},"author":5,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-715","post","type-post","status-publish","format-standard","hentry","category-sin-categoria","entry"],"_links":{"self":[{"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/posts\/715","targetHints":{"allow":["GET"]}}],"collection":[{"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/comments?post=715"}],"version-history":[{"count":1,"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/posts\/715\/revisions"}],"predecessor-version":[{"id":716,"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/posts\/715\/revisions\/716"}],"wp:attachment":[{"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/media?parent=715"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/categories?post=715"},{"taxonomy":"post_tag","embeddable":true,"href":"http:\/\/masterfoodpty.com\/masterfoodwp\/wp-json\/wp\/v2\/tags?post=715"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}