{"id":932,"date":"2024-11-17T13:57:24","date_gmt":"2024-11-17T12:57:24","guid":{"rendered":"https:\/\/www.umana-analytics.com\/?p=932"},"modified":"2024-11-17T13:57:26","modified_gmt":"2024-11-17T12:57:26","slug":"come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker","status":"publish","type":"post","link":"https:\/\/www.umana-analytics.com\/en\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/","title":{"rendered":"\u00c8 una questione di metrica:\u00a0come analizzare e interpretare i dati e le misure dell\u2019eye tracker"},"content":{"rendered":"

Stai per lanciare una nuova campagna pubblicitaria e pensi a quanto sarebbe bello sapere in anticipo se l\u2019attenzione<\/strong> dei tuoi potenziali clienti sar\u00e0 davvero attratta dal testimonial scelto dopo ore di costosi focus group. I colori e i copy che avete approvato dopo altrettante ore di duro lavoro e un bel po\u2019 di interviste a campione saranno davvero efficaci nel mare magnum degli utenti online? <\/p>\n\n\n\n

Se solo avessi la possibilit\u00e0 di verificare non solo quello che gli utenti dicono di vedere<\/em>, ma quello che vedono effettivamente,<\/em> cos\u2019\u00e8 davvero in grado di catturare la loro attenzione, forse saresti in grado di risparmiare tempo e denaro<\/strong> e avresti la sicurezza che la tua campagna pu\u00f2 funzionare molto bene su larghissima scala. Il neuromarketing ci fornisce proprio lo strumento e le metriche che rendono tutto questo possibile: l\u2019eye-tracker<\/strong>.<\/strong><\/p>\n\n\n\n

In questo articolo parleremo di:<\/strong><\/strong><\/h2>\n\n\n\n
    \n
  1. Cos\u2019\u00e8 l\u2019eye tracker?<\/a><\/li>\n\n\n\n
  2. Cosa sono le aree di interesse?<\/a><\/li>\n\n\n\n
  3. Cosa sono le fissazioni e i gaze-points?<\/a><\/li>\n\n\n\n
  4. Cosa sono le heatmap o mappe del calore?<\/a><\/li>\n\n\n\n
  5. Cos\u2019\u00e8 il Time to first fixation (tempo dalla prima fissazione)?<\/a><\/li>\n\n\n\n
  6. Cos\u2019\u00e8 il numero di fissazioni (Fixation count)?<\/a><\/li>\n\n\n\n
  7. Conclusioni<\/a><\/li>\n<\/ol>\n\n\n\n

    Cos\u2019\u00e8 l\u2019eye tracker?<\/strong><\/h2>\n\n\n\n

    L\u2019eye tracker \u00e8 uno strumento che permette  di tracciare e misurare i movimenti oculari tramite la combinazione di telecamere ad alta risoluzione ed una tecnologia di illuminazione prossima agli infrarossi<\/strong> (near infrared) in modo assolutamente non invasivo. L\u2019utilizzo di questo strumento \u00e8 diventato sempre pi\u00f9 diffuso in marketing proprio perch\u00e9 permette di comprendere l\u2019effettiva attenzione visiva del consumatore, e non solo quella dichiarata a posteriori.  <\/p>\n\n\n\n

    Quando ci troviamo di fronte a un copy pubblicitario, a una nuova confezione o a un video promozionale veniamo catturati da una serie di elementi: data la complessit\u00e0 di questi messaggi sempre pi\u00f9 multimodali, per\u00f2, fatichiamo a spiegare a posteriori cosa abbia davvero<\/em> attratto la nostra attenzione.  <\/p>\n\n\n\n

    Con l\u2019eye-tracker, invece, possiamo prima registrare e poi decodificare il comportamento visivo dell\u2019utente e tradurlo in  output facilmente interpretabili (dai ricercatori, prima, e dalle aziende, poi) e di ottenere una serie di dati<\/strong> e metriche<\/strong>  che possono darci tantissime informazioni rispetto al prodotto o al processo che vogliamo ottimizzare. <\/p>\n\n\n\n

    Gli output forniti possono essere sia di natura qualitativa che quantitativa. I dati<\/strong> qualitativi<\/strong>, forniscono tutte quelle informazioni che tendono a descrivere un evento pi\u00f9 che a misurarlo, in questo caso cosa guarda l\u2019utente.  Al contrario, i dati quantitativi<\/strong> forniscono dati statistici e strutturati. In questo articolo andremo ad illustrare proprio alcune delle metriche eye tracker pi\u00f9 utilizzate, cercando di chiarire a cosa servono e come vanno interpretate.<\/p>\n\n\n\n

    Cosa sono le aree di interesse? <\/strong><\/h2>\n\n\n\n

    Le aree di interesse, o AOI, sono quelle regioni dello spazio<\/strong> o dello stimolo preso in considerazione che sono importanti  per la rispondere alla  domanda di ricerca. Nel caso delle aree di interesse, l\u2019output offerto \u00e8 qualitativo e si presenta sotto forma di figure geometriche<\/strong> colorate (Figura 1) utili ad evidenziare le nostre aree di interesse. Come vedremo pi\u00f9 avanti per\u00f2, le AOI sono anche utili per ottenere misure quantitative come il numero e la durata delle fissazioni. <\/p>\n\n\n\n

    Nella pratica, si tratta di selezionare delle zone specifiche dall\u2019immagine o dell\u2019ambiente che vogliamo analizzare tramite il software dello strumento. Per esempio, se il nostro obiettivo \u00e8 quello di valutare i diversi elementi della confezione di un prodotto, l\u2019area di interesse selezionata sar\u00e0 la facciata della confezione. <\/p>\n\n\n\n

    Se  invece il nostro obiettivo \u00e8 quello di capire se il nostro prodotto pu\u00f2 attirare maggiormente l\u2019attenzione del consumatore rispetto ad altri prodotti competitor sullo scaffale di un supermercato, potremo selezionare come area d\u2019interesse l\u2019intero scaffale del supermercato oppure solo ed esclusivamente la mensola dove sono presenti i prodotti competitor della fascia di prezzo che pi\u00f9 ci interessa, lasciando fuori il resto. <\/p>\n\n\n\n

    Nella Figura 1 (Chae e Lee, 2013) vengono mostrate le aree di interesse individuate all\u2019interno della schermata iniziale di una vetrina di Amazon analizzata per uno studio sperimentale. Ovviamente, le aree di interesse che i ricercatori scelgono in questo caso dipendono dalla domanda di ricerca<\/strong> dello studio in questione, ovvero cercare di capire se l\u2019uso di immagini con figure umane potesse aumentare l\u2019interesse e l\u2019attenzione verso il prodotto. Le zone evidenziate sono quindi tre, ovvero l\u2019immagine della ragazza, l\u2019immagine del prodotto e la descrizione del prodotto (Figura 1).<\/p>\n\n\n\n

    Possiamo notare come le zone selezionate siano all\u2019interno di forme geometriche di diverso colore e rappresentino appunto le aree di principale interesse rispetto alla pagina del sito. Le AOI infatti non sono delle metriche vere e proprie, ma rappresentano la base affinch\u00e9 tutte le altre metriche (che analizzeremo in modo pi\u00f9 approfondito nei prossimi paragrafi) possano essere applicate. Nel caso dell\u2019esempio in Figura 1, potremmo sapere che cosa l\u2019osservatore guarda all\u2019interno delle zone colorate, mentre, siccome non \u00e8 di nostro interesse, se lo sguardo cade al di fuori di queste aree (per esempio sul logo in alto a sinistra di Amazon) questo non verr\u00e0 considerato. <\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 1 <\/strong>Aree di interesse selezionate per il sito<\/p>\n\n\n\n

    Fonte: <\/strong>Exploring the effect of the human brand on consumers\u2019 decision quality in online shopping: An eye?tracking approach<\/a><\/p>\n\n\n\n

    Cosa sono le fissazioni e i gaze-points?<\/strong><\/h2>\n\n\n\n

    I gaze-points<\/strong> rappresentano l\u2019unit\u00e0 di misura di base e indicano dove l\u2019individuo sta guardando in quel preciso momento, rappresentando i suoi percorsi oculari. Se una serie di gaze-points sono molto vicini fra loro nel tempo e nello spazio, ecco che avremo una fissazione, <\/strong>ovvero un periodo in cui lo sguardo \u00e8 rimasto ancorato ad esplorare un singolo oggetto o una singola porzione dello spazio. <\/p>\n\n\n\n

    Le fissazioni sono ovviamente un\u2019ottima misurazione da considerare se si vuole indagare l\u2019attenzione visiva. L\u2019analisi di queste metriche consente di tracciare una mappa del posizionamento dello sguardo, della durata delle singole fissazioni e dell\u2019ordine di visualizzazione. L\u2019output ottenuto \u00e8 di natura quantitativa.<\/p>\n\n\n\n

    Dal punto di vista grafico, queste metriche vengono rappresentate tramite dei cerchi di diversa grandezza, per cui pi\u00f9 grande \u00e8 il cerchio pi\u00f9 lungo \u00e8 il tempo di fissazione. I cerchi sono inoltre numerati in base all\u2019area che avremo guardato per prima.<\/p>\n\n\n\n

    In uno studio di Husi?-Mehmedovi? e colleghi del 2017, ad esempio, questa tipologia di metrica \u00e8 stata  utilizzata per verificare quali tra le diverse confezioni di brand di birra in lattina attirasse  di pi\u00f9  l\u2019attenzione dei partecipanti durante l\u2019osservazione libera di uno scaffale. Sono stati utilizzati due collage composti da 29 lattine di birra disposte in modo da replicare quanto pi\u00f9 fedelmente possibile un contesto reale di uno scaffale. I marchi selezionati nei collage erano tutti marchi mainstream e non artigianali gi\u00e0 presenti sul mercato (e quindi conosciuti).<\/p>\n\n\n\n

    I due diversi collage venivano mostrati in sequenza ai partecipanti, che venivano invitati ad osservarli liberamente nel mentre indossavano un eye tracker. In questo modo, ogni partecipante  veniva esposto due volte alle stesse confezioni, ma posizionate in maniera diversa.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 2 <\/strong>L\u2019immagine mostra il collage di lattine utilizzato nell\u2019esperimento con relativi gaze point e fissazioni.<\/p>\n\n\n\n

    Fonte: <\/strong>Seeing is not necessarily liking: Advancing research on package design with eye-tracking<\/a><\/p>\n\n\n\n

    I risultati relativi appunto a gaze point e fissazioni rivelano quanta attenzione \u00e8 stata dedicata nella fase iniziale di orientamento, evidenziando che (Figura 2) i partecipanti prestano inizialmente attenzione alle confezioni posizionate al centro dello scaffale, per poi spostare gradualmente lo sguardo anche verso la periferia dell\u2019immagine e tornare di nuovo verso il centro. <\/p>\n\n\n\n

    \u00c8 stato inoltre notato che le confezioni poste nella riga inferiore e superiore sono quelle che ricevono meno attenzione. Questo ovviamente ci suggerisce che la posizione della confezione nello spazio influisce sull\u2019attenzione dell\u2019osservatore ed ha permesso di individuare i prodotti cosiddetti \u201ctop performer\u201d (Figura 3), ovvero quelle lattine che sono riuscite pi\u00f9 di tutte ad emergere tra le alternative presentate. <\/p>\n\n\n\n

    A questo punto, sempre utilizzando le stesse metriche \u2013 e avendo isolato le confezioni che pi\u00f9 delle altre sono in grado di catalizzare l\u2019attenzione del consumatore \u2013 \u00e8 possibile indagare quali sono esattamente le caratteristiche che hanno permesso a tali marchi di emergere nella fase esplorativa, riducendo l\u2019area di interesse dall\u2019intero scaffale alla singola fila di lattine maggiormente performanti.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 3 <\/strong>Gaze point delle cinque confezioni \u201ctop performer\u201d.<\/p>\n\n\n\n

    Fonte: <\/strong>Seeing is not necessarily liking: Advancing research on package design with eye-tracking<\/a><\/p>\n\n\n\n

    Dalle analisi delle fissazioni, si nota che le confezioni pi\u00f9 performanti presentano innanzitutto un colore<\/strong> particolarmente saliente (rosso, verde, oro, blu). In aggiunta, un altro fattore molto importante \u00e8 anche quello pi\u00f9 propriamente semantico, relativo al font<\/strong> e al nome del prodotto, che \u00e8 infatti quasi sempre fra le prime cose osservate. Molto rilevante dal punto di vista attentivo risulta essere anche il logo<\/strong> del marchio.<\/p>\n\n\n\n

    Le analisi dei gaze point rivelano invece che il pattern attentivo si stabilisce inizialmente sempre sulla posizione centrale<\/strong> (dove nella maggior parte dei casi troviamo il nome del prodotto) per poi spostarsi su altri punti di interesse o al di sopra o al di sotto del nome. In sintesi, le lattine che hanno ottenuto i risultati migliori nella fase esplorativa, e quindi di scoperta del prodotto, sono quelle che riescono ad avere un buon bilanciamento fra le rispettive caratteristiche rilevanti, come appunto il nome del marchio e il logo.<\/p>\n\n\n\n

    Cosa sono le heatmap o mappe del calore?<\/strong><\/h2>\n\n\n\n

    Le heatmap<\/strong> sono rappresentazioni visive che mostrano la distribuzione generale dei gaze point, ovvero la quantit\u00e0 di fissazioni che vengono dirette alle diverse specifiche parti dell\u2019immagine. Generalmente vengono visualizzate come delle sovrapposizioni di colore che vanno dal rosso, passando per il giallo, e infine al verde. Anche in questo caso, quindi, l\u2019output \u00e8 di natura qualitativa. <\/p>\n\n\n\n

    Il colore rosso<\/strong> segnala una maggior densit\u00e0 di gaze point, il colore giallo<\/strong> una densit\u00e0 intermedia ed il colore verde<\/strong> una scarsa densit\u00e0. Tutte le zone fuori dalle heatmap o non hanno avuto affatto fissazioni o ne hanno avute cos\u00ec poche da essere statisticamente irrilevanti. Anche questa metrica \u00e8 molto utile se vogliamo visualizzare ancor pi\u00f9 in dettaglio quali elementi della scena o dell\u2019immagine riescono ad attirare maggiormente l\u2019attenzione.<\/p>\n\n\n\n

    Possiamo fare un esempio includendo lo studio di Fazio e colleghi del 2021 in cui vengono indagate le preferenze dei consumatori nei confronti di alcune confezioni \u201cinnovative\u201d di olio d\u2019oliva. Gli autori hanno analizzato  l\u2019attenzione visiva tramite eye tracker, creando due differenti modelli di confezione (A e B) caratterizzati da tre combinazioni di elementi presenti sull\u2019etichetta (Figura 4 e 5).<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 4 <\/strong>Modello di confezione A <\/p>\n\n\n\n

    Fonte: <\/strong>Consumer Preferences for New Products: Eye Tracking Experiment on Labels and Packaging for Olive Oil Based Dressing<\/a><\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 5: <\/strong>Modello di confezione B<\/p>\n\n\n\n

    Fonte: <\/strong>Consumer Preferences for New Products: Eye Tracking Experiment on Labels and Packaging for Olive Oil Based Dressing<\/a><\/p>\n\n\n\n

    Le analisi tramite  heatmap hanno permesso di individuare le  aree oggetto di maggior attenzione da parte dei partecipanti coinvolti. Per quanto riguarda le confezioni A1 e B1 (Figura 6), i risultati mostrano che la confezione A1 presenta come aree di maggior interesse quella con il nome del prodotto e quella con l\u2019immagine delle olive. <\/p>\n\n\n\n

    Di interesse per gli osservatori, anche il profilo della confezione e, pi\u00f9 in particolare, la parte ergonomica che avrebbe potuto essere afferrata per garantire un comodo utilizzo del prodotto. Le analisi svolte mostrano anche una differenza sostanziale tra uomini e donne, per cui gli uomini sarebbero maggiormente attratti dall\u2019immagine stessa delle olive, mentre le donne si concentrano ad osservare il piatto e la pietanza su cui il condimento sta per essere versato.<\/p>\n\n\n\n

    Per quanto riguarda la confezione B1, le aree di maggior interesse erano distribuite uniformemente dall\u2019alto verso il basso e si concentravano quindi non solo sull\u2019etichetta, ma anche sul collo della bottiglia. Anche in questo caso, le analisi delle differenze uomo\/donna, mostrano che erano le donne ad essere pi\u00f9 attente ai dettagli dell\u2019etichetta.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 6: <\/strong>Heat maps relative alle confezioni A1 e B1 <\/p>\n\n\n\n

    Fonte: <\/strong>Consumer Preferences for New Products: Eye Tracking Experiment on Labels and Packaging for Olive Oil Based Dressing<\/a><\/p>\n\n\n\n

    Per quanto riguarda lo stimolo A2, l\u2019aggiunta di una mano che spreme le olive ha fortemente catalizzato l\u2019attenzione. Il flusso d\u2019olio che dalle olive spremute cade poi sul piatto ha guidato lo sguardo dei partecipanti in questa direzione.  L\u2019etichetta dello stimolo B2 \u00e8 stata osservata allo stesso modo, ma, in pi\u00f9, i partecipanti si sono concentrati anche sul collo della bottiglia della confezione (Figura 7).<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 7: <\/strong>Heat maps relative alle confezioni A2 e B2 <\/p>\n\n\n\n

    Fonte: <\/strong>Consumer Preferences for New Products: Eye Tracking Experiment on Labels and Packaging for Olive Oil Based Dressing<\/a><\/p>\n\n\n\n

    Infine (Figura 8), per lo stimolo A3 le attenzioni dei partecipanti erano tutte riservate, oltre che sulla mano che spreme in questo caso una confezione prodotto, sulla dicitura \u201cMade in Calabria\u201d e sull\u2019icona grafica della regione Calabria. Molto scarsa in questo caso l\u2019attenzione riservata invece al nome prodotto, a differenza dei precedenti casi. Le donne risultavano essere le pi\u00f9 attente ai dettagli delle etichette. Come in precedenza, lo stimolo B3, oltre che sull\u2019etichetta, ha attirato l\u2019attenzione sulla forma della confezione stessa.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 8: <\/strong>Heat maps relative alle confezioni A3 e B3 <\/p>\n\n\n\n

    Fonte: <\/strong>Consumer Preferences for New Products: Eye Tracking Experiment on Labels and Packaging for Olive Oil Based Dressing<\/a><\/p>\n\n\n\n

    I risultati di questo studio ci mostrano l\u2019importanza delle heatmap e la mole di informazioni preziose che possono darci in fase di (re)styling o testing di un prototipo. Da pochi, semplici confronti, le heatmap di questo studio ci permettono di trarre tantissime preziose conclusioni. <\/p>\n\n\n\n

    Ad esempio, la forma e i materiali di cui \u00e8 composta la confezione riescono a  catalizzare l\u2019attenzione del consumatore. La forma e il materiale preferiti, nello specifico, sono quelli dello stimolo B,  esattamente dove il vetro lascia intravedere il prodotto. <\/p>\n\n\n\n

    Senza le heatmap, sarebbe stato difficile trarre questa conclusione, ma grazie al confronto degli output abbiamo invece potuto notare che  i partecipanti osservano il collo della bottiglia in vetro, dove era possibile intravedere il prodotto, in tutte e 3 le varianti presentate. <\/p>\n\n\n\n

    Allo stesso modo, per quanto riguarda l\u2019etichetta, notiamo invece che lo sguardo del consumatore viene attirato dall\u2019informazione relativa alla regione di provenienza del prodotto. <\/p>\n\n\n\n

    Sempre grazie alle heatmap, \u00e8 stato infine dimostrato che le immagini che presentavano l\u2019elemento aggiuntivo della mano che spremeva il prodotto riusciva ad attirare l\u2019attenzione dell\u2019osservatore pi\u00f9 delle altre. L\u2019analisi dell\u2019eye tracking ha inoltre confermato che uomini e donne osservano la confezione e l\u2019etichetta in modo diverso.<\/p>\n\n\n\n

    Cos\u2019\u00e8 il Time to first fixation (tempo dalla prima fissazione)?<\/strong><\/h2>\n\n\n\n

    Un\u2019altra metrica di particolare interesse, questa volta di natura quantitativa, \u00e8 relativa al tempo trascorso dalla prima fissazione<\/strong>, che determina appunto quanto tempo impiega il partecipante a guardare per la prima volta una delle aree di interesse. Nonostante possa sembrare una metrica di base \u2013 e viene spesso ignorata rispetto alle pi\u00f9 celebri mappe del calore \u2013 il TTFF ci d\u00e0 un\u2019informazione molto preziosa in termini di salienza dalla nostra area di interesse e  pu\u00f2 fornire informazioni su come vengono privilegiati determinati aspetti di una scena visiva. <\/p>\n\n\n\n

    In una ricerca Gere e colleghi (2020) esplorano proprio alcuni fattori cosiddetti \u201cbottom-up\u201d (ovvero dal \u201cbasso verso l\u2019alto\u201d, che si basa principalmente sullo stimolo esterno e sulle sue caratteristiche percettive) che potrebbero influenzare il giudizio e le scelte di un consumatore, come la  dimensione dello stimolo, sfondo dell\u2019immagine, orientamento della presentazione del prodotto. <\/p>\n\n\n\n

    Ai partecipanti sono stati  presentati dei gruppi di prodotti fra i quali scegliere (Figura 9) dopo averli osservati (ovviamente mentre indossavano un eye-tracker). Dimensione, sfondo e orientamento delle immagini dei prodotti variavano. Lo sfondo poteva essere bianco, gigio o nero. La dimensione dei cibi poteva essere piccola, media o grande. Infine l\u2019orientamento degli stessi poteva essere orizzontale, verticale, diagonale destro, diagonale sinistro, triangolo rivolto verso l\u2019alto, triangolo rivolto verso il basso.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 9 <\/strong>Esempi di stimoli usati nell\u2019esperimento <\/p>\n\n\n\n

    Fonte: <\/strong>Structure of presented stimuli influences gazing behavior and choice<\/a><\/p>\n\n\n\n

    Grazie all\u2019analisi delle TTFF, i ricercatori hanno potuto verificare che questi fattori riuscivano ad influire sul movimento degli occhi dei partecipanti e sulla scelta del cibo. Dalle analisi dei risultati \u00e8 emerso che il fattore orientamento (verticale, orizzontale, diagonale, ecc) era in grado di influenzare il TTFF e la sua durata, riuscendo ad attirare l\u2019attenzione dell\u2019osservatore in modo significativo.<\/p>\n\n\n\n

    Cos\u2019\u00e8 il numero di fissazioni (Fixation count)?<\/strong><\/h2>\n\n\n\n

    Un numero elevato di fissazioni sta ad indicare che l\u2019utente rivisita pi\u00f9 volte la stessa area e questo potrebbe essere indice di un elevato interesse. Per tale motivo, un\u2019altra metrica importante \u00e8 relativa al numero di fissazioni<\/strong>, che indica appunto la frequenza con cui un partecipante guarda una specifica area di interesse oppure riporta l\u2019attenzione su uno specifico elemento. <\/p>\n\n\n\n

    Anche in questo caso, l\u2019output \u00e8 di natura quantitativa. \u00c8 stato dimostrato, ad esempio, che il numero di fissazioni pu\u00f2 correlare con la considerazione che si ha per uno specifico marchio (Chandon et al., 2008). Non solo, il numero di fissazioni pu\u00f2 anche aumentare la probabilit\u00e0 che una pubblicit\u00e0 venga maggiormente ricordata (Maughan et al., 2007).<\/p>\n\n\n\n

    In uno studio di Zaman e colleghi del 2016 il numero di fissazioni viene correlato alla volont\u00e0 di acquisto dei partecipanti. Nel corso dell\u2019esperimento, venivano mostrati dei prodotti ben conosciuti con due confezioni differenti, come nell\u2019esempio della Coca Cola in Figura 10.<\/p>\n\n\n\n

    \"\"<\/figure>\n\n\n\n

    Figura 10 <\/strong>Comparazione tra Coca Cola in bottiglia e lattina <\/p>\n\n\n\n

    Fonte: <\/strong>Eye Tracking Application on Emotion Analysis for Marketing Strategy<\/a><\/p>\n\n\n\n

    In questo caso, come da grafico, la Coca Cola in bottiglia ha ricevuto un numero pi\u00f9 elevato di fissazioni rispetto alla lattina e, nel corso dell\u2019intervista post esperimento eye-tracker, ne risulta che il prodotto che il partecipante era pi\u00f9 propenso ad acquistare era esattamente quello che aveva il maggior numero di fissazioni.<\/p>\n\n\n\n

    Conclusioni<\/strong><\/p>\n\n\n\n

    Per concludere, la tecnologia di eye tracking  grazie alla corretta integrazione e interpretazione di  queste metriche principali, ci fornisce un quadro completo dei pattern attentivi dell\u2019osservatore, andando oltre semplici percorsi cronologici di osservazione o mappe del calore.  <\/p>\n\n\n\n

    Dagli esempi che vi abbiamo illustrato, avrete sicuramente compreso che sia informazioni di natura qualitativa che qualitativa sono cruciali per studiare e interpretare  il comportamento del consumatore in diversi ambiti, dall\u2019ambito web, all\u2019ambito di uno scaffale da negozio, fino allo studio della confezione del prodotto stesso.<\/p>\n\n\n\n

    Solo conoscendo a fondo le metriche e quello che possono realmente dirci, possiamo  ottimizzare la qualit\u00e0 e l\u2019informativit\u00e0 dei dati estratti e, di conseguenza, migliorare l\u2019aspetto di un prototipo, il posizionamento di un prodotto o un pattern di navigazione, con la certezza di  andare sul mercato con un vantaggio competitivo significativo rispetto alla concorrenza. <\/p>\n\n\n\n

    Bibliografia<\/strong><\/p>\n\n\n\n

    Franken, G. (2020). Packaging design and testing by eye tracking<\/a>. In Proceedings-The Tenth International Symposium on Graphic Engineering and Design, GRID (pp. 12-14).<\/p>\n\n\n\n

    Chae, S. W., & Lee, K. C. (2013). Exploring the effect of the human brand on consumers\u2019 decision quality in online shopping: An eye?tracking approach.<\/a> Online Information Review.<\/p>\n\n\n\n

    Husi?-Mehmedovi?, M., Omeragi?, I., Batagelj, Z., & Kolar, T. (2017). Seeing is not necessarily liking: Advancing research on package design with eye-tracking.<\/a> Journal of Business Research, 80, 145-154.<\/p>\n\n\n\n

    Fazio, M., Reitano, A., & Loizzo, M. R. (2020). Consumer preferences for new products: eye tracking experiment on labels and packaging for olive oil based dressing.<\/a> Multidisciplinary Digital Publishing Institute Proceedings, 70(1), 59.<\/p>\n\n\n\n

    Gere, A., Danner, L., D\u00fcrrschmid, K., K\u00f3kai, Z., Sipos, L., Huzsvai, L., & Kov\u00e1cs, S. (2020). Structure of presented stimuli influences gazing behavior and choice.<\/a> Food Quality and Preference, 83, 103915.<\/p>\n\n\n\n

    Zamani, H., Abas, A., & Amin, M. K. M. (2016). Eye tracking application on emotion analysis for marketing strategy.<\/a> Journal of Telecommunication, Electronic and Computer Engineering (JTEC), 8(11), 87-91.<\/p>","protected":false},"excerpt":{"rendered":"

    Stai per lanciare una nuova campagna pubblicitaria e pensi a quanto sarebbe bello sapere in anticipo se l\u2019attenzione dei tuoi potenziali clienti sar\u00e0 davvero attratta dal testimonial scelto dopo ore di costosi focus group. I colori e i copy che avete approvato dopo altrettante ore di duro lavoro e un bel po\u2019 di interviste a campione […]<\/p>\n","protected":false},"author":4,"featured_media":933,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"content-type":"","footnotes":""},"categories":[8],"tags":[25,26,21],"class_list":["post-932","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","tag-analisi-dati","tag-eye-tracker","tag-neuromarketing"],"yoast_head":"\nMetriche:\u00a0come analizzare i dati e le misure dell\u2019eye tracker - Umana Analytics<\/title>\n<meta name=\"description\" content=\"Guida all'interpretazione delle metriche dell'eye-tracker: scopri come analizzare i dati visivi per ottenere risultati precisi e affidabili.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.umana-analytics.com\/en\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Metriche:\u00a0come analizzare i dati e le misure dell\u2019eye tracker - Umana Analytics\" \/>\n<meta property=\"og:description\" content=\"Guida all'interpretazione delle metriche dell'eye-tracker: scopri come analizzare i dati visivi per ottenere risultati precisi e affidabili.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.umana-analytics.com\/en\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/\" \/>\n<meta property=\"og:site_name\" content=\"Umana Analytics\" \/>\n<meta property=\"article:published_time\" content=\"2024-11-17T12:57:24+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-11-17T12:57:26+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.umana-analytics.com\/wp-content\/uploads\/2024\/11\/E-una-questione-di-metrica.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1920\" \/>\n\t<meta property=\"og:image:height\" content=\"1080\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"federica\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"federica\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"20 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/\"},\"author\":{\"name\":\"federica\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#\\\/schema\\\/person\\\/d010d5eafad4bf6b07ccdb24b5dcfe8b\"},\"headline\":\"\u00c8 una questione di metrica:\u00a0come analizzare e interpretare i dati e le misure dell\u2019eye tracker\",\"datePublished\":\"2024-11-17T12:57:24+00:00\",\"dateModified\":\"2024-11-17T12:57:26+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/\"},\"wordCount\":3361,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.umana-analytics.com\\\/wp-content\\\/uploads\\\/2024\\\/11\\\/E-una-questione-di-metrica.jpg\",\"keywords\":[\"analisi dati\",\"eye-tracker\",\"neuromarketing\"],\"articleSection\":[\"blog\"],\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/\",\"url\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/\",\"name\":\"Metriche:\u00a0come analizzare i dati e le misure dell\u2019eye tracker - Umana Analytics\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/www.umana-analytics.com\\\/wp-content\\\/uploads\\\/2024\\\/11\\\/E-una-questione-di-metrica.jpg\",\"datePublished\":\"2024-11-17T12:57:24+00:00\",\"dateModified\":\"2024-11-17T12:57:26+00:00\",\"description\":\"Guida all'interpretazione delle metriche dell'eye-tracker: scopri come analizzare i dati visivi per ottenere risultati precisi e affidabili.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/#primaryimage\",\"url\":\"https:\\\/\\\/www.umana-analytics.com\\\/wp-content\\\/uploads\\\/2024\\\/11\\\/E-una-questione-di-metrica.jpg\",\"contentUrl\":\"https:\\\/\\\/www.umana-analytics.com\\\/wp-content\\\/uploads\\\/2024\\\/11\\\/E-una-questione-di-metrica.jpg\",\"width\":1920,\"height\":1080},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/www.umana-analytics.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\u00c8 una questione di metrica:\u00a0come analizzare e interpretare i dati e le misure dell\u2019eye tracker\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#website\",\"url\":\"https:\\\/\\\/www.umana-analytics.com\\\/\",\"name\":\"Umana Analytics\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.umana-analytics.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#organization\",\"name\":\"Umana Analytics\",\"url\":\"https:\\\/\\\/www.umana-analytics.com\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/www.umana-analytics.com\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/logo.svg\",\"contentUrl\":\"https:\\\/\\\/www.umana-analytics.com\\\/wp-content\\\/uploads\\\/2024\\\/07\\\/logo.svg\",\"width\":1,\"height\":1,\"caption\":\"Umana Analytics\"},\"image\":{\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.instagram.com\\\/umanaanalytics\\\/\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/umana-analytics\\\/posts\\\/?feedView=all\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.umana-analytics.com\\\/#\\\/schema\\\/person\\\/d010d5eafad4bf6b07ccdb24b5dcfe8b\",\"name\":\"federica\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f69b29ce302a6a376cc96bd8173736ba8a334c78ac6ffb23018935e4306b3371?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f69b29ce302a6a376cc96bd8173736ba8a334c78ac6ffb23018935e4306b3371?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/f69b29ce302a6a376cc96bd8173736ba8a334c78ac6ffb23018935e4306b3371?s=96&d=mm&r=g\",\"caption\":\"federica\"},\"url\":\"https:\\\/\\\/www.umana-analytics.com\\\/en\\\/author\\\/federica\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Metriche:\u00a0come analizzare i dati e le misure dell\u2019eye tracker - Umana Analytics","description":"Guida all'interpretazione delle metriche dell'eye-tracker: scopri come analizzare i dati visivi per ottenere risultati precisi e affidabili.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.umana-analytics.com\/en\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/","og_locale":"en_US","og_type":"article","og_title":"Metriche:\u00a0come analizzare i dati e le misure dell\u2019eye tracker - Umana Analytics","og_description":"Guida all'interpretazione delle metriche dell'eye-tracker: scopri come analizzare i dati visivi per ottenere risultati precisi e affidabili.","og_url":"https:\/\/www.umana-analytics.com\/en\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/","og_site_name":"Umana Analytics","article_published_time":"2024-11-17T12:57:24+00:00","article_modified_time":"2024-11-17T12:57:26+00:00","og_image":[{"width":1920,"height":1080,"url":"https:\/\/www.umana-analytics.com\/wp-content\/uploads\/2024\/11\/E-una-questione-di-metrica.jpg","type":"image\/jpeg"}],"author":"federica","twitter_card":"summary_large_image","twitter_misc":{"Written by":"federica","Est. reading time":"20 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/#article","isPartOf":{"@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/"},"author":{"name":"federica","@id":"https:\/\/www.umana-analytics.com\/#\/schema\/person\/d010d5eafad4bf6b07ccdb24b5dcfe8b"},"headline":"\u00c8 una questione di metrica:\u00a0come analizzare e interpretare i dati e le misure dell\u2019eye tracker","datePublished":"2024-11-17T12:57:24+00:00","dateModified":"2024-11-17T12:57:26+00:00","mainEntityOfPage":{"@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/"},"wordCount":3361,"commentCount":0,"publisher":{"@id":"https:\/\/www.umana-analytics.com\/#organization"},"image":{"@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/#primaryimage"},"thumbnailUrl":"https:\/\/www.umana-analytics.com\/wp-content\/uploads\/2024\/11\/E-una-questione-di-metrica.jpg","keywords":["analisi dati","eye-tracker","neuromarketing"],"articleSection":["blog"],"inLanguage":"en-US","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/","url":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/","name":"Metriche:\u00a0come analizzare i dati e le misure dell\u2019eye tracker - Umana Analytics","isPartOf":{"@id":"https:\/\/www.umana-analytics.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/#primaryimage"},"image":{"@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/#primaryimage"},"thumbnailUrl":"https:\/\/www.umana-analytics.com\/wp-content\/uploads\/2024\/11\/E-una-questione-di-metrica.jpg","datePublished":"2024-11-17T12:57:24+00:00","dateModified":"2024-11-17T12:57:26+00:00","description":"Guida all'interpretazione delle metriche dell'eye-tracker: scopri come analizzare i dati visivi per ottenere risultati precisi e affidabili.","breadcrumb":{"@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/#primaryimage","url":"https:\/\/www.umana-analytics.com\/wp-content\/uploads\/2024\/11\/E-una-questione-di-metrica.jpg","contentUrl":"https:\/\/www.umana-analytics.com\/wp-content\/uploads\/2024\/11\/E-una-questione-di-metrica.jpg","width":1920,"height":1080},{"@type":"BreadcrumbList","@id":"https:\/\/www.umana-analytics.com\/come-analizzare-e-interpretare-i-dati-e-le-misure-delleye-tracker\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.umana-analytics.com\/"},{"@type":"ListItem","position":2,"name":"\u00c8 una questione di metrica:\u00a0come analizzare e interpretare i dati e le misure dell\u2019eye tracker"}]},{"@type":"WebSite","@id":"https:\/\/www.umana-analytics.com\/#website","url":"https:\/\/www.umana-analytics.com\/","name":"Umana Analytics","description":"","publisher":{"@id":"https:\/\/www.umana-analytics.com\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.umana-analytics.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/www.umana-analytics.com\/#organization","name":"Umana Analytics","url":"https:\/\/www.umana-analytics.com\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/www.umana-analytics.com\/#\/schema\/logo\/image\/","url":"https:\/\/www.umana-analytics.com\/wp-content\/uploads\/2024\/07\/logo.svg","contentUrl":"https:\/\/www.umana-analytics.com\/wp-content\/uploads\/2024\/07\/logo.svg","width":1,"height":1,"caption":"Umana Analytics"},"image":{"@id":"https:\/\/www.umana-analytics.com\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.instagram.com\/umanaanalytics\/","https:\/\/www.linkedin.com\/company\/umana-analytics\/posts\/?feedView=all"]},{"@type":"Person","@id":"https:\/\/www.umana-analytics.com\/#\/schema\/person\/d010d5eafad4bf6b07ccdb24b5dcfe8b","name":"federica","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/f69b29ce302a6a376cc96bd8173736ba8a334c78ac6ffb23018935e4306b3371?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/f69b29ce302a6a376cc96bd8173736ba8a334c78ac6ffb23018935e4306b3371?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/f69b29ce302a6a376cc96bd8173736ba8a334c78ac6ffb23018935e4306b3371?s=96&d=mm&r=g","caption":"federica"},"url":"https:\/\/www.umana-analytics.com\/en\/author\/federica\/"}]}},"_links":{"self":[{"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/posts\/932","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/comments?post=932"}],"version-history":[{"count":1,"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/posts\/932\/revisions"}],"predecessor-version":[{"id":934,"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/posts\/932\/revisions\/934"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/media\/933"}],"wp:attachment":[{"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/media?parent=932"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/categories?post=932"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.umana-analytics.com\/en\/wp-json\/wp\/v2\/tags?post=932"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}