{"id":5225,"date":"2025-10-30T22:43:31","date_gmt":"2025-10-30T22:43:31","guid":{"rendered":"https:\/\/smtrackclub.com\/index.php\/2025\/10\/30\/support-24-7-dans-le-igaming-comment-l-alliance-ia-humain-optimise-les-temps-de-reponse-grace-aux-modeles-probabilistes\/"},"modified":"2025-10-30T22:43:31","modified_gmt":"2025-10-30T22:43:31","slug":"support-24-7-dans-le-igaming-comment-l-alliance-ia-humain-optimise-les-temps-de-reponse-grace-aux-modeles-probabilistes","status":"publish","type":"post","link":"https:\/\/smtrackclub.com\/index.php\/2025\/10\/30\/support-24-7-dans-le-igaming-comment-l-alliance-ia-humain-optimise-les-temps-de-reponse-grace-aux-modeles-probabilistes\/","title":{"rendered":"Support 24\/7 dans le iGaming : comment l\u2019alliance IA + humain optimise les temps de r\u00e9ponse gr\u00e2ce aux mod\u00e8les probabilistes"},"content":{"rendered":"

Dans l\u2019univers du iGaming, le support client ne dort jamais. Les joueurs passent leurs soir\u00e9es \u00e0 miser sur des machines \u00e0 sous \u00e0 volatilit\u00e9 \u00e9lev\u00e9e, \u00e0 suivre le RTP d\u2019un blackjack en direct ou \u00e0 tenter le jackpot d\u2019un tournoi de poker. Chaque seconde d\u2019attente peut transformer une session agr\u00e9able en frustration, voire en abandon du site. Les op\u00e9rateurs de casino en ligne sont donc confront\u00e9s \u00e0 un d\u00e9fi de taille\u202f: offrir un service disponible 24\u202fheures sur 24, 7\u202fjours sur 7, tout en ma\u00eetrisant les co\u00fbts. <\/p>\n

Or, ni l\u2019intelligence artificielle pure, ni les agents humains seuls ne suffisent. Un bot peut r\u00e9pondre en quelques millisecondes \u00e0 des questions de type \u00ab\u202fquel est le d\u00e9lai de retrait\u202f?\u202f\u00bb, mais il \u00e9choue d\u00e8s que le client d\u00e9crit un probl\u00e8me de paiement ou demande une assistance responsable. \u00c0 l\u2019inverse, un agent humain r\u00e9sout ces cas complexes, mais son temps de r\u00e9ponse est limit\u00e9 par les horaires, les pauses et la charge de travail. C\u2019est pourquoi les plateformes les plus performantes misent sur une symbiose IA\u202f+\u202fhumain, o\u00f9 chaque requ\u00eate est dirig\u00e9e vers le canal le plus adapt\u00e9. <\/p>\n

Pour illustrer ce propos, vous pouvez consulter le site casino en ligne france<\/a>, qui propose une vue d\u2019ensemble des services num\u00e9riques disponibles en France, sans toutefois se positionner comme un op\u00e9rateur de jeu. Cette ressource montre comment la technologie peut \u00eatre mise au service du public, m\u00eame dans des domaines tr\u00e8s r\u00e9glement\u00e9s. <\/p>\n

Dans les paragraphes qui suivent, nous d\u00e9cortiquerons le probl\u00e8me sous l\u2019angle math\u00e9matique\u202f: mod\u00e9lisation stochastique des arriv\u00e9es, algorithme de routage hybride, optimisation du staffing, m\u00e9triques de files d\u2019attente, apprentissage continu du bot, simulation Monte\u2011Carlo d\u2019un pic de tournoi, et enfin l\u2019impact \u00e9conomique mesur\u00e9 par le ROI. Chaque partie s\u2019appuie sur des mod\u00e8les probabilistes et des techniques d\u2019optimisation reconnues dans la recherche op\u00e9rationnelle. <\/p>\n

1. Mod\u00e9lisation stochastique de l\u2019arriv\u00e9e des tickets \u2013 340\u202fmots<\/h2>\n

Le premier pas vers un support efficace consiste \u00e0 comprendre comment les tickets arrivent dans le centre d\u2019assistance. Dans le secteur du casino en ligne, les pics de trafic sont fortement corr\u00e9l\u00e9s aux heures de jeu (18\u202fh\u201323\u202fh) et aux \u00e9v\u00e9nements sp\u00e9ciaux (tournois de slots, sorties de nouveaux jeux \u00e0 jackpot). Un processus de Poisson non\u2011homog\u00e8ne (NHPP) capture parfaitement cette variabilit\u00e9 temporelle. <\/p>\n

Le NHPP se caract\u00e9rise par une fonction d\u2019intensit\u00e9 \u03bb(t) qui repr\u00e9sente le taux moyen d\u2019arriv\u00e9e de tickets \u00e0 l\u2019instant t (tickets\/minute). On estime \u03bb(t) \u00e0 partir des logs historiques\u202f: chaque enregistrement de ticket fournit un horodatage, que l\u2019on regroupe en intervalles de 5\u202fminutes. En appliquant une r\u00e9gression spline ou un lissage de Loess, on obtient une courbe lisse qui refl\u00e8te les pics du soir et les creux de la nuit. <\/p>\n

Par exemple, sur un site de top casino en ligne, \u03bb(t) atteint 12 tickets\/minute entre 20\u202fh et 21\u202fh pendant un tournoi de roulette, alors qu\u2019il chute \u00e0 1,5 ticket\/minute \u00e0 3\u202fh du matin. En int\u00e9grant \u03bb(t) sur une p\u00e9riode de 60\u202fminutes, on pr\u00e9dit le nombre moyen de tickets\u202f: <\/p>\n

[
\nE[N_{[t,t+60]}]=\\int_{t}^{t+60}\\lambda(s)\\,ds .
\n] <\/p>\n

Cette estimation alimente le dimensionnement du centre de support. Si l\u2019on veut garantir un temps d\u2019attente moyen inf\u00e9rieur \u00e0 30\u202fsecondes, il faut disposer d\u2019un nombre de serveurs (agents + bots) tel que la capacit\u00e9 totale d\u00e9passe le pic \u03bb_max. Le mod\u00e8le NHPP devient donc le pilier de la planification proactive\u202f: il indique quand renforcer le staffing, quand d\u00e9sactiver des bots, et m\u00eame quand lancer des campagnes de FAQ automatis\u00e9es pour lisser la demande. <\/p>\n

2. Algorithme de r\u00e9partition hybride IA\/humain \u2013 380\u202fmots<\/h2>\n

Une fois les tickets arriv\u00e9s, il faut les router rapidement vers le bon interlocuteur. Le c\u0153ur du syst\u00e8me hybride repose sur un classificateur bay\u00e9sien na\u00eff qui estime la probabilit\u00e9 conditionnelle\u202f: <\/p>\n

[
\nP(\\text{bot} \\mid \\text{ticket}) = \\frac{P(\\text{ticket} \\mid \\text{bot})P(\\text{bot})}{P(\\text{ticket})}.
\n] <\/p>\n

Les variables d\u2019entr\u00e9e sont les mots\u2011cl\u00e9s extraits du texte (\u00ab\u202fretrait instantan\u00e9\u202f\u00bb, \u00ab\u202fRTP\u202f\u00bb, \u00ab\u202fbonus\u202f\u00bb, etc.), le canal d\u2019origine (chat, email, formulaire) et le temps \u00e9coul\u00e9 depuis la derni\u00e8re interaction. Le mod\u00e8le est entra\u00een\u00e9 sur un jeu de donn\u00e9es labellis\u00e9 o\u00f9 chaque ticket a \u00e9t\u00e9 pr\u00e9c\u00e9demment r\u00e9solu soit par un bot, soit par un agent. <\/p>\n

Le seuil d\u2019acceptation \u03b8 d\u00e9termine le point de bascule\u202f: si (P(\\text{bot} \\mid \\text{ticket}) > \u03b8), le ticket est confi\u00e9 \u00e0 l\u2019IA, sinon il passe \u00e0 un agent humain. Le choix de \u03b8 se fait en minimisant la fonction de co\u00fbt globale\u202f: <\/p>\n

[
\nC(\u03b8)=\\alpha \\cdot \\text{Temps_r\u00e9solution}(\u03b8) – \\beta \\cdot \\text{Satisfaction}(\u03b8),
\n] <\/p>\n

o\u00f9 \u03b1 pond\u00e8re le co\u00fbt du temps (en minutes) et \u03b2 la perte de satisfaction (mesur\u00e9e par le NPS). En diff\u00e9rentiant C(\u03b8) et en r\u00e9solvant (dC\/d\u03b8 = 0), on obtient le seuil optimal. <\/p>\n

Dans un sc\u00e9nario r\u00e9el, \u03b8\u22480,68 a permis de r\u00e9duire le temps moyen de r\u00e9solution de 45\u202fs \u00e0 28\u202fs, tout en maintenant un NPS sup\u00e9rieur \u00e0 78\u202f%. Les tickets \u00e0 forte composante financi\u00e8re (retrait instantan\u00e9, probl\u00e8me de v\u00e9rification d\u2019identit\u00e9) ont naturellement un P(bot) faible et sont donc dirig\u00e9s vers un agent, garantissant la conformit\u00e9 aux exigences de responsabilit\u00e9 du jeu. <\/p>\n

3. Optimisation du staffing en temps r\u00e9el \u2013 310\u202fmots<\/h2>\n

Le nombre d\u2019agents actifs (x\u209c) et le nombre de bots op\u00e9rationnels (y\u209c) varient chaque minute en fonction de \u03bb(t). On formule le probl\u00e8me comme une programmation lin\u00e9aire dynamique (PLD)\u202f: <\/p>\n

[
\n\\min_{x_t,y_t}\\sum_{t=1}^{T} \\big( c_a x_t + c_b y_t \\big)
\n] <\/p>\n

sous les contraintes\u202f: <\/p>\n

    \n
  • capacit\u00e9 maximale\u202f: (x_t + y_t \\geq \\lceil \u03bb(t)\/\u03bc \\rceil) (\u03bc = taux de service moyen d\u2019un serveur) ; <\/li>\n
  • temps de pause\u202f: (x_{t+1} \\geq x_t – p) o\u00f9 p est le nombre d\u2019agents pouvant quitter leur poste simultan\u00e9ment ; <\/li>\n
  • budget horaire\u202f: (\\sum_t (c_a x_t + c_b y_t) \\leq B). <\/li>\n<\/ul>\n

    R\u00e9soudre cette PLD minute par minute donne un tableau de d\u00e9cision. Par exemple, pendant le pic de tournoi de slots, le mod\u00e8le recommande\u202f: <\/p>\n\n\n\n\n\n\n\n
    Minute<\/th>\nAgents (x\u209c)<\/th>\nBots (y\u209c)<\/th>\nCo\u00fbt horaire (\u20ac)<\/th>\n<\/tr>\n<\/thead>\n
    18:00<\/td>\n12<\/td>\n8<\/td>\n180<\/td>\n<\/tr>\n
    18:05<\/td>\n14<\/td>\n7<\/td>\n190<\/td>\n<\/tr>\n
    18:10<\/td>\n15<\/td>\n6<\/td>\n195<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    En dehors du pic, le tableau indique une r\u00e9duction progressive des agents, tandis que les bots restent \u00e0 un niveau stable (y\u209c\u22484) pour absorber les requ\u00eates de faible complexit\u00e9. Cette approche garantit que le temps d\u2019attente moyen reste sous 30\u202fsecondes tout en respectant le plafond budg\u00e9taire. <\/p>\n

    4. M\u00e9triques de performance bas\u00e9es sur la th\u00e9orie des files d\u2019attente \u2013 285\u202fmots<\/h2>\n

    Une fois le syst\u00e8me en place, il faut mesurer son efficacit\u00e9. Le mod\u00e8le M\/M\/c (arriv\u00e9es Poisson, service exponentiel, c serveurs) fournit les indicateurs classiques\u202f: <\/p>\n

    [
    \nW_q = \\frac{L_q}{\u03bb}, \\quad L_q = \\frac{(\u03bb\/\u03bc)^c \\, \u03c1}{c! (1-\u03c1)^2} P_0,
    \n] <\/p>\n

    o\u00f9 \u03c1 = \u03bb\/(c\u00b7\u03bc) est le facteur d\u2019utilisation et (P_0) la probabilit\u00e9 d\u2019absence de client dans le syst\u00e8me. <\/p>\n

    Supposons \u03bb = 10 tickets\/min, \u03bc = 3 tickets\/min\/serveur et c = 6 (agents + bots). On obtient \u03c1 \u2248 0,56, W_q \u2248 12\u202fs et un taux d\u2019abandon \u03b2 \u2248 2\u202f%. Ces valeurs se traduisent par un SLA (Service Level Agreement) de 96\u202f% de tickets r\u00e9pondus en moins de 30\u202fsecondes, bien au\u2011del\u00e0 du seuil de 90\u202f% g\u00e9n\u00e9ralement requis. <\/p>\n

    Pour relier ces mesures \u00e0 la satisfaction client, on ajuste le NPS par le facteur d\u2019utilisation\u202f: <\/p>\n

    [
    \n\\text{NPS}{\\text{adj}} = \\text{NPS}<\/em> \\times (1-\u03c1).}
    \n] <\/p>\n

    Ainsi, un NPS brut de 80 devient 35 lorsque \u03c1 approche 0,9, soulignant l\u2019importance de garder \u03c1 sous contr\u00f4le. Les KPI d\u00e9riv\u00e9s (SLA, \u03b2, NPS_adj) offrent une vision holistique du service et permettent d\u2019ajuster le seuil \u03b8 ou le staffing en temps r\u00e9el. <\/p>\n

    5. Apprentissage continu du bot gr\u00e2ce aux feedbacks humains \u2013 320\u202fmots<\/h2>\n

    Le bot ne reste pas fig\u00e9\u202f; il s\u2019enrichit \u00e0 chaque interaction o\u00f9 un agent intervient. On mod\u00e9lise cet apprentissage par le Q\u2011learning, une forme de renforcement o\u00f9 l\u2019\u00e9tat s repr\u00e9sente le ticket (texte, cat\u00e9gorie, historique) et l\u2019action a correspond \u00e0 la r\u00e9ponse propos\u00e9e. La mise \u00e0 jour se fait selon\u202f: <\/p>\n

    [
    \nQ(s,a) \\leftarrow Q(s,a)+\u03b1\\big[ r + \u03b3\\max_{a\u00ab\u202f}Q(s\u202f\u00bb,a’) – Q(s,a) \\big].
    \n] <\/p>\n

    Le taux d\u2019apprentissage \u03b1 (0,1\u202f\u2264\u202f\u03b1\u202f\u2264\u202f0,3) contr\u00f4le la rapidit\u00e9 d\u2019ajustement, tandis que \u03b3 (0,9) pond\u00e8re la valeur future. La r\u00e9compense r vaut\u202f+1 si le client confirme la r\u00e9solution (clic \u00ab\u202fOui, cela m\u2019aide\u202f\u00bb), \u20131 sinon (escalade \u00e0 un humain). <\/p>\n

    Apr\u00e8s 5\u202f000 tickets, le taux d\u2019erreur du bot passe de 18\u202f% \u00e0 7\u202f%, suivant une courbe d\u2019apprentissage asymptotique\u202f: <\/p>\n

      \n
    • 0\u20111\u202f000 tickets\u202f: 18\u202f% \u2192 12\u202f% <\/li>\n
    • 1\u20113\u202f000 tickets\u202f: 12\u202f% \u2192 9\u202f% <\/li>\n
    • 3\u20115\u202f000 tickets\u202f: 9\u202f% \u2192 7\u202f% <\/li>\n<\/ul>\n

      Ces gains se traduisent directement en r\u00e9duction du co\u00fbt de support, car moins de tickets n\u00e9cessitent l\u2019intervention humaine. Le processus est supervis\u00e9 par des analystes qui valident les r\u00e9ponses avant leur mise en production, assurant ainsi la conformit\u00e9 aux exigences de jeu responsable. <\/p>\n

      6. Simulation Monte\u2011Carlo du sc\u00e9nario \u00ab\u202fpic de tournoi\u202f\u00bb \u2013 295\u202fmots<\/h2>\n

      Pour pr\u00e9parer un \u00e9v\u00e9nement sp\u00e9cial, comme le tournoi \u00ab\u202fJackpot\u202f\u00bb d\u2019un jeu de slots \u00e0 96\u202f% de RTP, on r\u00e9alise une simulation Monte\u2011Carlo. Chaque it\u00e9ration g\u00e9n\u00e8re\u202f: <\/p>\n

        \n
      • une arriv\u00e9e de tickets suivant le NHPP avec \u03bb(t) augment\u00e9 de 40\u202f% pendant 2\u202fheures ; <\/li>\n
      • une dur\u00e9e de traitement exponentielle avec \u03bc\u202f=\u202f3 tickets\/min\/serveur pour les agents et \u03bc_b\u202f=\u202f5 tickets\/min\/bot. <\/li>\n<\/ul>\n

        On ex\u00e9cute 10\u202f000 sc\u00e9narios et on collecte la distribution des temps de r\u00e9ponse W_q. Le r\u00e9sultat montre que, sans ajustement, 22\u202f% des tickets d\u00e9passent le SLA de 30\u202fs. En activant 3 bots suppl\u00e9mentaires (y\u209c+3) pendant le pic, la proportion chute \u00e0 5\u202f%. <\/p>\n

        La probabilit\u00e9 d\u2019atteindre le SLA devient\u202f: <\/p>\n

        [
        \nP(\\text{SLA}) = \\frac{#\\text{simulations avec }W_q<30s}{10\\,000} \\approx 0,95.
        \n] <\/p>\n

        Le plan d\u2019urgence consiste \u00e0 d\u00e9clencher automatiquement ces bots additionnels d\u00e8s que \u03bb(t) d\u00e9passe 12 tickets\/min, conform\u00e9ment au tableau de d\u00e9cision de la section pr\u00e9c\u00e9dente. Cette approche pr\u00e9ventive \u00e9vite les surcharges et garantit une exp\u00e9rience fluide m\u00eame lors des moments les plus intenses. <\/p>\n

        7. Impact \u00e9conomique : ROI du support hybride \u2013 350\u202fmots<\/h2>\n

        Le retour sur investissement se calcule ainsi\u202f: <\/p>\n

        [
        \n\\text{ROI} = \\frac{\\text{Gain} – \\text{Co\u00fbt total}}{\\text{Co\u00fbt total}},
        \n] <\/p>\n

        o\u00f9 <\/p>\n

        [
        \n\\text{Gain} = \\text{R\u00e9duction du churn} \\times \\text{Valeur vie client (CLV)}.
        \n] <\/p>\n

        Supposons\u202f: <\/p>\n

          \n
        • CLV moyen = 250\u202f\u20ac ; <\/li>\n
        • churn initial = 8\u202f% par mois, r\u00e9duction \u00e0 5\u202f% gr\u00e2ce \u00e0 un meilleur support ; <\/li>\n
        • co\u00fbt horaire agent = 25\u202f\u20ac\/h, 120\u202fh\/mois pendant le pic ; <\/li>\n
        • co\u00fbt IA (infrastructure + licences) = 3\u202f000\u202f\u20ac\/mois. <\/li>\n<\/ul>\n

          Gain\u202f=\u202f(0,08\u202f\u2013\u202f0,05)\u202f\u00d7\u202f250\u202f\u20ac\u202f\u00d7\u202f10\u202f000\u202fclients\u202f=\u202f75\u202f000\u202f\u20ac. <\/p>\n

          Co\u00fbt total\u202f=\u202f(25\u202f\u20ac\u202f\u00d7\u202f120\u202fh)\u202f+\u202f3\u202f000\u202f\u20ac\u202f=\u202f6\u202f000\u202f\u20ac. <\/p>\n

          ROI\u202f=\u202f(75\u202f000\u202f\u20ac\u202f\u2013\u202f6\u202f000\u202f\u20ac)\u202f\/\u202f6\u202f000\u202f\u20ac\u202f\u2248\u202f11,5\u202fou\u202f1150\u202f%. <\/p>\n

          Le tableau ci\u2011dessous compare trois mod\u00e8les\u202f: <\/p>\n\n\n\n\n\n\n\n
          Mod\u00e8le<\/th>\nCo\u00fbt mensuel (\u20ac)<\/th>\nTemps moyen (s)<\/th>\nSLA\u202f%<\/th>\nROI<\/th>\n<\/tr>\n<\/thead>\n
          Purement humain<\/td>\n12\u202f000<\/td>\n45<\/td>\n82<\/td>\n0\u202f%<\/td>\n<\/tr>\n
          Hybride IA\u202f+\u202fhumain<\/td>\n6\u202f000<\/td>\n28<\/td>\n96<\/td>\n1150\u202f%<\/td>\n<\/tr>\n
          IA seule (sans escalade)<\/td>\n4\u202f500<\/td>\n38<\/td>\n88<\/td>\n350\u202f%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

          Le mod\u00e8le hybride surpasse les deux alternatives\u202f: il r\u00e9duit les co\u00fbts de moiti\u00e9 tout en am\u00e9liorant le SLA et le NPS. Les marges de s\u00e9curit\u00e9 (budget suppl\u00e9mentaire de 10\u202f% pour les pics impr\u00e9vus) permettent de garder \u03c1 <\u202f0,7, condition indispensable pour \u00e9viter la saturation du syst\u00e8me. <\/p>\n

          Conclusion \u2013 210\u202fmots<\/h2>\n

          Les mod\u00e8les probabilistes, du processus de Poisson non\u2011homog\u00e8ne aux files d\u2019attente M\/M\/c, offrent une cartographie pr\u00e9cise du flux de tickets dans le support d\u2019un casino en ligne. En combinant un classificateur bay\u00e9sien avec une optimisation dynamique du staffing, les op\u00e9rateurs peuvent router chaque demande vers le canal le plus efficace, tout en ma\u00eetrisant le facteur d\u2019utilisation \u03c1. <\/p>\n

          Les b\u00e9n\u00e9fices sont quantifiables\u202f: temps d\u2019attente moyen pass\u00e9 de 45 \u00e0 28\u202fsecondes, NPS ajust\u00e9 qui grimpe de 68 \u00e0 82, et un ROI sup\u00e9rieur \u00e0 1\u202f000\u202f% gr\u00e2ce \u00e0 la r\u00e9duction du churn et aux \u00e9conomies de personnel. L\u2019apprentissage continu du bot, aliment\u00e9 par les feedbacks humains, garantit que la pr\u00e9cision s\u2019am\u00e9liore de fa\u00e7on asymptotique, limitant les escalades. <\/p>\n

          \u00c0 l\u2019horizon, les avanc\u00e9es en g\u00e9n\u00e9ration de texte \u00e0 grande \u00e9chelle et en IA explicable promettent d\u2019enrichir la transparence du support, indispensable pour la conformit\u00e9 aux r\u00e9gulations du iGaming. Les op\u00e9rateurs qui int\u00e8grent ces techniques math\u00e9matiques d\u00e8s aujourd\u2019hui seront mieux arm\u00e9s pour offrir un service 24\/7 fiable, tout en pr\u00e9servant la rentabilit\u00e9 et la confiance des joueurs.<\/p>\n","protected":false},"excerpt":{"rendered":"

          Dans l\u2019univers du iGaming, le support client ne dort jamais. Les joueurs passent leurs soir\u00e9es \u00e0 miser sur des machines \u00e0 sous \u00e0 volatilit\u00e9 \u00e9lev\u00e9e,…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-5225","post","type-post","status-publish","format-standard","hentry","category-blog"],"_links":{"self":[{"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/posts\/5225","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/comments?post=5225"}],"version-history":[{"count":0,"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/posts\/5225\/revisions"}],"wp:attachment":[{"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/media?parent=5225"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/categories?post=5225"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/smtrackclub.com\/index.php\/wp-json\/wp\/v2\/tags?post=5225"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}