{"id":429,"date":"2025-06-24T14:32:40","date_gmt":"2025-06-24T14:32:40","guid":{"rendered":"https:\/\/multisites.ipportalegre.pt\/23243site\/2025\/06\/24\/maitriser-la-segmentation-avancee-en-b2b-techniques-expertes-pour-une-precision-optimale\/"},"modified":"2025-06-24T14:32:40","modified_gmt":"2025-06-24T14:32:40","slug":"maitriser-la-segmentation-avancee-en-b2b-techniques-expertes-pour-une-precision-optimale","status":"publish","type":"post","link":"https:\/\/multisites.ipportalegre.pt\/23243site\/2025\/06\/24\/maitriser-la-segmentation-avancee-en-b2b-techniques-expertes-pour-une-precision-optimale\/","title":{"rendered":"Ma\u00eetriser la segmentation avanc\u00e9e en B2B : techniques expertes pour une pr\u00e9cision optimale"},"content":{"rendered":"<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 30px;color: #34495e\">\nLa segmentation des audiences constitue l\u2019un des leviers fondamentaux pour maximiser la ROI des campagnes marketing B2B. Cependant, au-del\u00e0 des approches classiques, il est crucial d\u2019adopter des techniques avanc\u00e9es permettant d\u2019affiner la granularit\u00e9 des segments et de garantir une personnalisation strat\u00e9gique. Dans cet article, nous explorerons en profondeur comment optimiser pr\u00e9cis\u00e9ment la segmentation, en int\u00e9grant des m\u00e9thodes techniques pointues, des processus \u00e9tape par \u00e9tape, et des outils de data science pour atteindre une pr\u00e9cision experte. Cette d\u00e9marche s\u2019inscrit dans le cadre plus large de l\u2019article \u00ab<a href=\"{tier2_url}\" style=\"color: #2980b9;text-decoration: underline\">Comment optimiser pr\u00e9cis\u00e9ment la segmentation des audiences pour une campagne marketing cibl\u00e9e en B2B<\/a>\u00bb, dont nous renforcerons la compr\u00e9hension par des approfondissements techniques sp\u00e9cifiques.<\/p>\n<div style=\"margin-bottom: 40px\">\n<h2 style=\"font-size: 1.6em;font-weight: bold;color: #2c3e50\">Table des mati\u00e8res<\/h2>\n<ul style=\"list-style-type: decimal;padding-left: 20px;font-size: 1.2em;color: #34495e\">\n<li><a href=\"#crit\u00e8res-de-segmentation\" style=\"color: #2980b9;text-decoration: underline\">Comprendre et d\u00e9finir pr\u00e9cis\u00e9ment les crit\u00e8res de segmentation<\/a><\/li>\n<li><a href=\"#segmentation-methode\" style=\"color: #2980b9;text-decoration: underline\">Mise en place d\u2019une segmentation technique avanc\u00e9e<\/a><\/li>\n<li><a href=\"#valeur-et-potentiel\" style=\"color: #2980b9;text-decoration: underline\">Segmentation bas\u00e9e sur la valeur client et le potentiel de march\u00e9<\/a><\/li>\n<li><a href=\"#deploiement-op\u00e9rationnel\" style=\"color: #2980b9;text-decoration: underline\">D\u00e9ploiement op\u00e9rationnel et automatisation<\/a><\/li>\n<li><a href=\"#diagnostic-erreurs\" style=\"color: #2980b9;text-decoration: underline\">Diagnostic et correction des erreurs courantes<\/a><\/li>\n<li><a href=\"#optimisation-personnalisation\" style=\"color: #2980b9;text-decoration: underline\">Techniques d\u2019optimisation et de personnalisation avanc\u00e9e<\/a><\/li>\n<li><a href=\"#recommandations\" style=\"color: #2980b9;text-decoration: underline\">Synth\u00e8se et recommandations strat\u00e9giques<\/a><\/li>\n<\/ul>\n<\/div>\n<h2 id=\"crit\u00e8res-de-segmentation\" style=\"font-size: 1.6em;font-weight: bold;margin-top: 40px;color: #2c3e50\">Comprendre et d\u00e9finir pr\u00e9cis\u00e9ment les crit\u00e8res de segmentation pour une campagne B2B cibl\u00e9e<\/h2>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">a) Analyse approfondie des donn\u00e9es d\u00e9mographiques et firmographiques<\/h3>\n<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 20px;color: #34495e\">\nPour une segmentation experte, la collecte et la structuration des donn\u00e9es firmographiques doivent suivre une d\u00e9marche rigoureuse. Commencez par \u00e9tablir un r\u00e9f\u00e9rentiel pr\u00e9cis des variables cl\u00e9s : <strong>taille d&#8217;entreprise (nombre de salari\u00e9s)<\/strong>, <strong>secteur d&#8217;activit\u00e9<\/strong>, <strong>localisation g\u00e9ographique<\/strong>, <strong>chiffre d&#8217;affaires annuel<\/strong>. Utilisez des sources multiples telles que les bases de donn\u00e9es commerciales (Kompass, Bureau van Dijk), les int\u00e9grations CRM avanc\u00e9es, et les outils de data mining pour enrichir ces datasets. La structuration doit se faire selon un mod\u00e8le relationnel robuste, permettant la normalisation des donn\u00e9es, la gestion des doublons et la mise \u00e0 jour continue. Par exemple, utilisez un sch\u00e9ma relationnel o\u00f9 chaque entreprise est une entit\u00e9 centrale avec ses attributs firmographiques li\u00e9s par des cl\u00e9s primaires, permettant des jointures efficaces lors de la segmentation multi-crit\u00e8res.<\/p>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">b) Identification des variables comportementales et d&#8217;engagement<\/h3>\n<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 20px;color: #34495e\">\nLes variables comportementales <a href=\"https:\/\/currentbdnews24.com\/comment-la-nature-influence-t-elle-notre-perception-esthetique\/\">offrent<\/a> une dimension dynamique essentielle. Par exemple, suivre les interactions telles que : <em>t\u00e9l\u00e9chargements de livres blancs<\/em>, <em>demandes de devis<\/em>, <em>participation \u00e0 des webinaires<\/em>. Quantifier ces actions n\u00e9cessite la mise en place de syst\u00e8mes d\u2019attribution pr\u00e9cis : chaque interaction doit \u00eatre associ\u00e9e \u00e0 un score d\u2019engagement pond\u00e9r\u00e9 selon sa valeur strat\u00e9gique. Impl\u00e9mentez un syst\u00e8me de scoring personnalis\u00e9, o\u00f9 chaque action se voit attribuer un pointage (ex. : t\u00e9l\u00e9chargement = 10 points, demande de devis = 20 points). Utilisez des outils comme Salesforce Einstein ou HubSpot pour automatiser la collecte et la pond\u00e9ration, en int\u00e9grant ces scores dans le profil client pour une segmentation comportementale fine.<\/p>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">c) M\u00e9thodologie pour croiser les crit\u00e8res<\/h3>\n<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 20px;color: #34495e\">\nL\u2019approche multi-crit\u00e8res doit s\u2019appuyer sur des techniques avanc\u00e9es telles que la cr\u00e9ation de matrices de d\u00e9cision et l\u2019utilisation de mod\u00e8les de scoring composite. La m\u00e9thode consiste \u00e0 :<\/p>\n<ul style=\"margin-left: 20px;list-style-type: disc;font-size: 1.2em;color: #34495e\">\n<li>Attribuer des poids \u00e0 chaque crit\u00e8re selon leur importance strat\u00e9gique (ex. : poids 0,4 pour la taille d\u2019entreprise, 0,3 pour le secteur, etc.)<\/li>\n<li>Utiliser une matrice de d\u00e9cision pour calculer une note globale par entreprise : <code>Score = \u03a3 (poids crit\u00e8re * score crit\u00e8re)<\/code><\/li>\n<li>Classifier ces scores en segments distincts (ex. : haut, moyen, faible potentiel).<\/li>\n<\/ul>\n<p>L\u2019utilisation de logiciels comme R (packages \u00ab\u00a0caret, cluster\u00a0\u00bb) ou Python (scikit-learn, pandas) permet d\u2019automatiser cette \u00e9tape, avec une validation crois\u00e9e pour affiner la pond\u00e9ration.<\/p>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">d) Erreurs fr\u00e9quentes dans la d\u00e9finition initiale des segments et comment les \u00e9viter<\/h3>\n<blockquote style=\"background-color: #f9f9f9;border-left: 4px solid #2980b9;padding: 10px 20px;margin: 20px 0;font-style: italic;color: #555\"><p>\nAttention : une segmentation bas\u00e9e uniquement sur des crit\u00e8res d\u00e9mographiques sans tenir compte des comportements peut conduire \u00e0 des segments statiques, peu r\u00e9actifs aux \u00e9volutions du march\u00e9 ou aux strat\u00e9gies commerciales. Il est essentiel de croiser ces crit\u00e8res avec des indicateurs dynamiques pour garantir la pertinence \u00e0 long terme.\n<\/p><\/blockquote>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">e) Outils et logiciels recommand\u00e9s pour la collecte et l\u2019analyse des crit\u00e8res<\/h3>\n<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 20px;color: #34495e\">\nPour assurer une collecte efficace, privil\u00e9giez des outils comme <strong>CRM avanc\u00e9s (Salesforce, HubSpot CRM)<\/strong> int\u00e9grant des modules de data enrichment. Pour l\u2019analyse, recourez \u00e0 des plateformes telles que <strong>RapidMiner<\/strong> ou <strong>KNIME<\/strong> pour le data mining et le traitement statistique. La visualisation des segments peut se faire avec <strong>Tableau<\/strong> ou <strong>Power BI<\/strong>, en int\u00e9grant des dashboards dynamiques permettant un suivi en temps r\u00e9el et une segmentation r\u00e9active.<\/p>\n<h2 id=\"segmentation-methode\" style=\"font-size: 1.6em;font-weight: bold;margin-top: 40px;color: #2c3e50\">Mise en place d\u2019une segmentation technique avanc\u00e9e : m\u00e9thodes et algorithmes pour une pr\u00e9cision optimale<\/h2>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">a) Pr\u00e9sentation des m\u00e9thodes de clustering<\/h3>\n<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 20px;color: #34495e\">\nLe choix de la m\u00e9thode de clustering doit s\u2019appuyer sur la volum\u00e9trie, la nature des donn\u00e9es et la granularit\u00e9 vis\u00e9e. Voici un comparatif technique :<\/p>\n<table style=\"width: 100%;border-collapse: collapse;margin-bottom: 30px;font-family: Arial, sans-serif\">\n<tr style=\"background-color: #ecf0f1\">\n<th style=\"border: 1px solid #bdc3c7;padding: 8px\">M\u00e9thode<\/th>\n<th style=\"border: 1px solid #bdc3c7;padding: 8px\">Description<\/th>\n<th style=\"border: 1px solid #bdc3c7;padding: 8px\">Avantages<\/th>\n<th style=\"border: 1px solid #bdc3c7;padding: 8px\">Inconv\u00e9nients<\/th>\n<\/tr>\n<tr>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">K-means<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Clustering bas\u00e9 sur la minimisation de la variance intra-groupe<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Rapide, efficace pour grands jeux de donn\u00e9es<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Sensibilit\u00e9 aux valeurs aberrantes, n\u00e9cessite de conna\u00eetre le nombre de clusters \u00e0 l\u2019avance<\/td>\n<\/tr>\n<tr>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">DBSCAN<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Clustering bas\u00e9 sur la densit\u00e9 des points<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Pas besoin de sp\u00e9cifier le nombre de clusters, bon pour donn\u00e9es bruit\u00e9es<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Difficile \u00e0 param\u00e9trer, moins efficace en haute dimension<\/td>\n<\/tr>\n<tr>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Clustering hi\u00e9rarchique<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Construction d\u2019un arbre hi\u00e9rarchique des observations<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Visualisation intuitive, pas besoin de d\u00e9finir le nombre de clusters \u00e0 l\u2019avance<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Co\u00fbt computationnel \u00e9lev\u00e9 pour grands datasets<\/td>\n<\/tr>\n<\/table>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">b) Utilisation du machine learning supervis\u00e9 pour la segmentation pr\u00e9dictive<\/h3>\n<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 20px;color: #34495e\">\nL\u2019approche supervis\u00e9e consiste \u00e0 entra\u00eener des mod\u00e8les \u00e0 partir de datasets labellis\u00e9s pour pr\u00e9dire l\u2019appartenance d\u2019un nouvel acteur \u00e0 un segment. Voici la d\u00e9marche :<\/p>\n<ol style=\"margin-left: 20px;font-size: 1.2em;color: #34495e\">\n<li><strong>Collecte de donn\u00e9es labellis\u00e9es<\/strong> : identifier un sous-ensemble de votre base avec des segments d\u00e9finis manuellement par des experts.<\/li>\n<li><strong>Nettoyage et normalisation<\/strong> : gestion des valeurs manquantes, encodage des variables cat\u00e9gorielles via techniques comme le one-hot encoding ou l\u2019encodage ordinal.<\/li>\n<li><strong>Entra\u00eenement du mod\u00e8le<\/strong> : utiliser des algorithmes tels que les arbres de d\u00e9cision ou les r\u00e9seaux neuronaux, avec validation crois\u00e9e pour \u00e9viter le surapprentissage.<\/li>\n<li><strong>Validation et optimisation<\/strong> : ajuster les hyperparam\u00e8tres (ex : profondeur de l\u2019arbre, taux d\u2019apprentissage) pour maximiser la pr\u00e9cision.<\/li>\n<li><strong>Pr\u00e9diction et d\u00e9ploiement<\/strong> : appliquer le mod\u00e8le sur de nouvelles donn\u00e9es pour assigner dynamiquement les segments.<\/li>\n<\/ol>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">c) \u00c9tapes d\u00e9taill\u00e9es pour le nettoyage et la pr\u00e9paration des donn\u00e9es<\/h3>\n<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 20px;color: #34495e\">\nLe succ\u00e8s de toute segmentation avanc\u00e9e d\u00e9pend de la qualit\u00e9 des donn\u00e9es. Suivez cette proc\u00e9dure :<\/p>\n<ul style=\"margin-left: 20px;list-style-type: disc;font-size: 1.2em;color: #34495e\">\n<li><strong>D\u00e9tection et gestion des doublons<\/strong> : utilisez des algorithmes de d\u00e9duplication (ex. : fuzzy matching avec Levenshtein) pour \u00e9liminer les entr\u00e9es redondantes.<\/li>\n<li><strong>Traitement des valeurs manquantes<\/strong> : appliquez des m\u00e9thodes de imputation avanc\u00e9e (moyenne, m\u00e9diane, ou mod\u00e8les pr\u00e9dictifs comme KNN) en fonction de la nature de la variable.<\/li>\n<li><strong>Normalisation<\/strong> : standardisez les variables num\u00e9riques via la m\u00e9thode Z-score (<code>(x - \u03bc)\/\u03c3<\/code>) ou min-max (<code>(x - min)\/(max - min)<\/code>) pour assurer une coh\u00e9rence lors du clustering.<\/li>\n<li><strong>Encodage des variables cat\u00e9gorielles<\/strong> : privil\u00e9giez le one-hot encoding pour les variables nominales, ou l\u2019encodage ordinal si une hi\u00e9rarchie est pertinente.<\/li>\n<li><strong>D\u00e9tection des outliers<\/strong> : utilisez la m\u00e9thode de l\u2019\u00e9cart interquartile (IQR) ou la d\u00e9tection par isolation forest pour \u00e9liminer ou ajuster les valeurs aberrantes.<\/li>\n<\/ul>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">d) Validation et \u00e9valuation de la segmentation<\/h3>\n<p style=\"font-size: 1.2em;line-height: 1.6;margin-bottom: 20px;color: #34495e\">\nPour garantir la pertinence technique, il est imp\u00e9ratif d\u2019\u00e9valuer la coh\u00e9rence des segments \u00e0 l\u2019aide d\u2019indicateurs sp\u00e9cialis\u00e9s :<\/p>\n<table style=\"width: 100%;border-collapse: collapse;margin-bottom: 30px;font-family: Arial, sans-serif\">\n<tr style=\"background-color: #ecf0f1\">\n<th style=\"border: 1px solid #bdc3c7;padding: 8px\">Indicateur<\/th>\n<th style=\"border: 1px solid #bdc3c7;padding: 8px\">Description<\/th>\n<th style=\"border: 1px solid #bdc3c7;padding: 8px\">Utilisation<\/th>\n<\/tr>\n<tr>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Indice de silhouette<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Mesure de coh\u00e9rence interne des clusters<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Valeurs proches de 1 indiquent une segmentation claire<\/td>\n<\/tr>\n<tr>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Validation crois\u00e9e<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Test de stabilit\u00e9 du mod\u00e8le sur diff\u00e9rents sous-ensembles<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Permet d\u2019\u00e9viter le surajustement<\/td>\n<\/tr>\n<tr>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Tests A\/B<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">\u00c9valuation de la performance commerciale de chaque segment<\/td>\n<td style=\"border: 1px solid #bdc3c7;padding: 8px\">Optimisation it\u00e9rative du ciblage<\/td>\n<\/tr>\n<\/table>\n<h3 style=\"font-size: 1.4em;font-weight: bold;margin-top: 30px;color: #34495e\">e) Cas pratique : d\u00e9ploiement d\u2019un algorithme de segmentation<\/h3>\n","protected":false},"excerpt":{"rendered":"<p>La segmentation des audiences constitue l\u2019un des leviers fondamentaux pour maximiser la ROI des campagnes marketing B2B. Cependant, au-del\u00e0 des [&hellip;]<\/p>\n","protected":false},"author":104,"featured_media":0,"comment_status":"open","ping_status":"open","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-429","post","type-post","status-publish","format-standard","hentry","category-sem-categoria"],"_links":{"self":[{"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/posts\/429","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/users\/104"}],"replies":[{"embeddable":true,"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/comments?post=429"}],"version-history":[{"count":0,"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/posts\/429\/revisions"}],"wp:attachment":[{"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/media?parent=429"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/categories?post=429"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/multisites.ipportalegre.pt\/23243site\/wp-json\/wp\/v2\/tags?post=429"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}