{"id":12353,"date":"2026-01-13T08:54:18","date_gmt":"2026-01-13T08:54:18","guid":{"rendered":"https:\/\/focalx.ai\/non-categorise\/largument-en-faveur-des-exceptions-en-matiere-darrimage-en-tant-quicp-de-premier-ordre\/"},"modified":"2026-03-24T11:02:39","modified_gmt":"2026-03-24T11:02:39","slug":"fvl-exceptions-securement-kpi","status":"publish","type":"post","link":"https:\/\/focalx.ai\/fr\/logistique-des-vehicules-finis\/fvl-exceptions-securement-kpi\/","title":{"rendered":"L&rsquo;argument en faveur des \u00ab\u00a0exceptions en mati\u00e8re d&rsquo;arrimage\u00a0\u00bb en tant qu&rsquo;ICP de premier ordre"},"content":{"rendered":"<p>L&rsquo;argument en faveur des \u00ab\u00a0exceptions en mati\u00e8re d&rsquo;arrimage\u00a0\u00bb en tant qu&rsquo;ICP de premier ordre est que si vous mesurez les exceptions en mati\u00e8re d&rsquo;arrimage et les taux de r\u00e9paration, vous pouvez g\u00e9rer la pr\u00e9vention - et pas seulement documenter les r\u00e9sultats. Dans la logistique des v\u00e9hicules finis (FVL), les indicateurs de performance cl\u00e9s relatifs aux dommages deviennent souvent un post-mortem : ils d\u00e9crivent ce qui a \u00e9t\u00e9 d\u00e9couvert lors de la remise, et non ce qui aurait pu \u00eatre arr\u00eat\u00e9 avant que l&rsquo;unit\u00e9 ne soit d\u00e9plac\u00e9e. Cet article explique pourquoi les exceptions en mati\u00e8re d&rsquo;arrimage doivent \u00eatre consid\u00e9r\u00e9es comme un indicateur avanc\u00e9, \u00e0 quoi peut ressembler l&rsquo;ICP dans la pratique, comment le r\u00e9viser mensuellement sans cr\u00e9er une culture du bl\u00e2me, et comment il s&rsquo;int\u00e8gre dans la pile d&rsquo;ICP standard de la logistique des v\u00e9hicules finis.  <\/p>\n<h2>Pourquoi les indicateurs de performance cl\u00e9s en retard vous emp\u00eachent d&rsquo;\u00eatre r\u00e9actif<\/h2>\n<p>Les indicateurs de performance cl\u00e9s en retard, tels que le taux de dommages, le nombre de r\u00e9clamations ou le co\u00fbt par unit\u00e9, sont utiles pour l&rsquo;\u00e9tablissement de rapports, mais ils sont en retard d&rsquo;un point de vue op\u00e9rationnel. Lorsque le dommage est d\u00e9tect\u00e9, le v\u00e9hicule a d\u00e9j\u00e0 \u00e9t\u00e9 manipul\u00e9, d\u00e9plac\u00e9 et r\u00e9affect\u00e9 entre les diff\u00e9rents sites et partenaires. Ce probl\u00e8me de timing entra\u00eene des comportements r\u00e9actifs : les \u00e9quipes d\u00e9battent de la responsabilit\u00e9, recherchent des preuves manquantes et n\u00e9gocient des remboursements au lieu d&rsquo;\u00e9liminer les conditions en amont qui ont rendu les dommages probables.  <\/p>\n<p>Notre travail sur le terrain nous a permis de constater \u00e0 plusieurs reprises le m\u00eame sch\u00e9ma : le taux de dommages est un indicateur \u00e0 retardement, et l&rsquo;effet de levier se situe en amont, au niveau de la qualit\u00e9 de l&rsquo;arrimage. Les exceptions en mati\u00e8re d&rsquo;arrimage - attaches manquantes, espacement incorrect, cales mal positionn\u00e9es ou g\u00e9om\u00e9trie d&rsquo;arrimage non conforme - sont des signaux d&rsquo;alerte pr\u00e9coce car elles r\u00e9v\u00e8lent le risque avant le d\u00e9part, lorsque l&rsquo;action corrective est encore peu co\u00fbteuse et contr\u00f4lable. Ce cadre de causalit\u00e9 est explor\u00e9 plus en profondeur dans notre article sur les <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-damage-starts-with-securement\/\">dommages commencent par l&rsquo;arrimage<\/a>.  <\/p>\n<p>Lorsque nous avons commenc\u00e9 \u00e0 structurer les exceptions de s\u00e9curisation de mani\u00e8re syst\u00e9matique, le delta par rapport aux v\u00e9rifications manuelles \u00e9tait flagrant : nous avons saisi environ 27 fois plus d&rsquo;exceptions d&rsquo;espacement, environ 129 fois plus d&rsquo;exceptions de s\u00e9curisation manquante et environ 17 fois plus d&rsquo;exceptions d&rsquo;espacement des cales que les humains n&rsquo;en enregistraient. La raison n&rsquo;en est pas l&rsquo;indiff\u00e9rence, mais la r\u00e9alit\u00e9. Les contr\u00f4les d&rsquo;arrimage sont rapides, physiques et effectu\u00e9s sous la pression du temps, l\u00e0 o\u00f9 la qualit\u00e9 de l&rsquo;inspection s&rsquo;effondre de mani\u00e8re pr\u00e9visible, m\u00eame pour les \u00e9quipes exp\u00e9riment\u00e9es. Nous avons abord\u00e9 cette contrainte de mani\u00e8re explicite dans l&rsquo;article <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/why-inspection-quality-collapses\/\">La qualit\u00e9 de l&rsquo;inspection s&rsquo;effondre sous la pression du temps<\/a>. Un ICP qui d\u00e9pend d&rsquo;une d\u00e9tection coh\u00e9rente doit tenir compte de ce contexte op\u00e9rationnel et ne pas supposer une saisie manuelle parfaite.    <\/p>\n<h2>A quoi pourrait ressembler en pratique un indicateur de performance cl\u00e9 (KPI) pour les exceptions de s\u00e9curisation ?<\/h2>\n<p>Un ICP relatif aux exceptions en mati\u00e8re de s\u00e9curit\u00e9 doit \u00eatre d\u00e9fini comme un syst\u00e8me de mesure jumel\u00e9 : un taux d&rsquo;exception pour quantifier l&rsquo;exposition et un taux de correction pour quantifier le contr\u00f4le. Mesurer uniquement les exceptions peut inciter \u00e0 la sous-d\u00e9claration ; mesurer uniquement les r\u00e9sultats (dommages) vous rend aveugle aux risques \u00e9vitables. Cette vision combin\u00e9e vous permet de g\u00e9rer la pr\u00e9vention comme un processus r\u00e9gi plut\u00f4t que comme une initiative ponctuelle - une approche align\u00e9e sur l&rsquo;\u00e9tat d&rsquo;esprit plus large selon lequel <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/damage-prevention-kpi\/\">la pr\u00e9vention des dommages est un indicateur de performance cl\u00e9 (KPI)<\/a>.  <\/p>\n<p><strong>Dans la pratique, une d\u00e9finition utile de l&rsquo;ICP est sp\u00e9cifique en ce qui concerne les d\u00e9nominateurs, les fen\u00eatres temporelles et la r\u00e9p\u00e9tabilit\u00e9. Les \u00e9l\u00e9ments suivants sont g\u00e9n\u00e9ralement exploitables dans le cadre des activit\u00e9s quotidiennes du FVL : <\/strong><\/p>\n<ul>\n<li><strong>Taux d&rsquo;exception en mati\u00e8re d&rsquo;arrimage :<\/strong> Exceptions par unit\u00e9 trait\u00e9e, segment\u00e9es par type d&rsquo;exception (par exemple : arrimage manquant, non-conformit\u00e9 de l&rsquo;espacement, non-conformit\u00e9 de l&rsquo;espacement des cales) et par voie, rampe, transporteur et \u00e9quipe.<\/li>\n<li><strong>Taux de correction avant le d\u00e9part :<\/strong> Part des exceptions d\u00e9tect\u00e9es qui sont corrig\u00e9es et v\u00e9rifi\u00e9es avant que l&rsquo;unit\u00e9 ne quitte le point de contr\u00f4le, ce qui rend op\u00e9rationnel le principe d&rsquo;<a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/vehicle-logistics-damage-prevention-2\/\">arr\u00eat des dommages avant le d\u00e9part<\/a>.<\/li>\n<li><strong>D\u00e9lai de mise en place (TTF) :<\/strong> Temps m\u00e9dian et 90e percentile entre la d\u00e9tection et la fixation v\u00e9rifi\u00e9e, avec un accord de niveau de service explicite li\u00e9 aux horaires de d\u00e9part.<\/li>\n<li><strong>Taux d&rsquo;exception r\u00e9p\u00e9t\u00e9e :<\/strong> R\u00e9p\u00e9tition du m\u00eame type d&rsquo;exception sur la m\u00eame rampe, la m\u00eame \u00e9quipe ou le m\u00eame transporteur au cours d&rsquo;une p\u00e9riode d\u00e9finie, ce qui indique une lacune en mati\u00e8re de formation, d&rsquo;outillage ou une d\u00e9rive des processus plut\u00f4t qu&rsquo;une erreur ponctuelle.<\/li>\n<li><strong>Taux de v\u00e9rification des corrections :<\/strong> Pourcentage de correctifs pour lesquels des preuves valid\u00e9es (images et m\u00e9tadonn\u00e9es) confirment l&rsquo;\u00e9tat de s\u00e9curisation corrig\u00e9.<\/li>\n<\/ul>\n<p>La valeur op\u00e9rationnelle de ces mesures est qu&rsquo;elles transforment la s\u00e9curisation d&rsquo;une activit\u00e9 de conformit\u00e9 suppos\u00e9e en une boucle de contr\u00f4le mesurable. Vous pouvez voir o\u00f9 se concentre le risque, si les corrections sont apport\u00e9es avant le mouvement et quels probl\u00e8mes sont syst\u00e9matiques plut\u00f4t qu&rsquo;accidentels. <\/p>\n<h2>Comment faire le point chaque mois sans bl\u00e2mer personne ?<\/h2>\n<p>Les examens mensuels des indicateurs cl\u00e9s de performance de la s\u00e9curit\u00e9 sont efficaces lorsqu&rsquo;ils sont con\u00e7us comme un processus de gouvernance, et non comme un th\u00e9\u00e2tre de la performance. L&rsquo;objectif est de r\u00e9duire les exceptions r\u00e9p\u00e9t\u00e9es et de raccourcir les d\u00e9lais de r\u00e9paration, et non d&rsquo;attribuer des fautes \u00e0 des d\u00e9faillances individuelles. Pour ce faire, il faut distinguer trois questions qui sont souvent confondues dans les discussions sur la logistique : ce qui a \u00e9t\u00e9 d\u00e9tect\u00e9, ce qui a \u00e9t\u00e9 corrig\u00e9 et les conditions qui ont rendu l&rsquo;exception probable.  <\/p>\n<p><strong>Une cadence mensuelle pratique suit g\u00e9n\u00e9ralement une s\u00e9quence simple et coh\u00e9rente :<\/strong><\/p>\n<ul>\n<li><strong>Commencez par les tendances, pas les anecdotes :<\/strong> taux d&rsquo;exception par type et par voie\/rampe, puis distribution des taux de r\u00e9paration et des d\u00e9lais de r\u00e9paration.<\/li>\n<li><strong>Identifier la concentration :<\/strong> les principaux facteurs de r\u00e9p\u00e9tition et leur corr\u00e9lation avec des fen\u00eatres de d\u00e9part sp\u00e9cifiques, des niveaux de personnel ou des contraintes d&rsquo;\u00e9quipement.<\/li>\n<li><strong>Convenez de mesures correctives qui \u00e9liminent les frictions :<\/strong> ajustez les listes de contr\u00f4le, ajoutez des normes visuelles, normalisez les r\u00e9f\u00e9rences de placement des cales, changez la disposition des \u00e9tapes ou modifiez la logique d&rsquo;affectation pour que les correctifs soient achemin\u00e9s imm\u00e9diatement.<\/li>\n<li><strong>Bouclez la boucle de mani\u00e8re explicite :<\/strong> confirmez que les actions correctives ont modifi\u00e9 le taux de r\u00e9cidive et le d\u00e9lai de r\u00e9paration du mois suivant, et pas seulement qu&rsquo;elles ont \u00e9t\u00e9 \u00ab\u00a0communiqu\u00e9es\u00a0\u00bb.<\/li>\n<\/ul>\n<p>Cette approche r\u00e9duit \u00e9galement le \u00ab\u00a0jeu des reproches\u00a0\u00bb typique de la phase finale, car la gouvernance se concentre sur une rem\u00e9diation contr\u00f4l\u00e9e et des preuves document\u00e9es. Lorsque les preuves manquent, les litiges deviennent co\u00fbteux et lents. Traiter les preuves comme un actif op\u00e9rationnel - et non comme de la paperasserie - r\u00e9duit ces frais g\u00e9n\u00e9raux et est \u00e9troitement li\u00e9 \u00e0 ce que nous d\u00e9crivons comme la <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-evidence-debt-cost\/\">dette de preuves<\/a> dans le cadre de la FVL.  <\/p>\n<p>D&rsquo;apr\u00e8s notre exp\u00e9rience, l&rsquo;indicateur de performance cl\u00e9 de l&rsquo;arrimage ne fonctionne que dans le cadre d&rsquo;un syst\u00e8me. L&rsquo;inspection permet de d\u00e9tecter et de normaliser l&rsquo;exception, l&rsquo;acheminement et le suivi de la correction jusqu&rsquo;\u00e0 son terme, et la r\u00e9cup\u00e9ration permet de pr\u00e9server la piste de preuve lorsque des questions se posent ult\u00e9rieurement. La logique est la m\u00eame que pour les <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-closed-loop-inspections-value\/\">inspections en boucle ferm\u00e9e<\/a>: la d\u00e9tection sans r\u00e9solution v\u00e9rifi\u00e9e ne cr\u00e9e pas de contr\u00f4le op\u00e9rationnel. Pour les lecteurs qui souhaitent conna\u00eetre les m\u00e9canismes du flux de travail qui sous-tendent l&rsquo;acheminement, l&rsquo;affectation et le statut, nous d\u00e9veloppons \u00e9galement ces aspects dans <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-photo-to-action-workflows\/\">les flux de travail \u00ab\u00a0de la photo \u00e0 l&rsquo;action\u00a0\u00bb<\/a>.   <\/p>\n<h2>Comment les exceptions en mati\u00e8re d&rsquo;arrimage s&rsquo;int\u00e8grent-elles dans l&rsquo;ensemble des indicateurs de performance standard de la FVL ?<\/h2>\n<p>Les exceptions en mati\u00e8re d&rsquo;arrimage devraient \u00eatre int\u00e9gr\u00e9es \u00e0 l&rsquo;ensemble des indicateurs de performance de la FVL, et non les remplacer. Le taux de dommages et le co\u00fbt des sinistres restent des indicateurs de r\u00e9sultats essentiels, mais ils doivent \u00eatre interpr\u00e9t\u00e9s comme une confirmation en aval, et non comme le principal volant. Dans une pile d&rsquo;ICP \u00e9quilibr\u00e9e, les exceptions en mati\u00e8re d&rsquo;arrimage servent d&rsquo;indicateurs avanc\u00e9s qui relient le comportement op\u00e9rationnel aux r\u00e9sultats financiers et aux r\u00e9sultats en mati\u00e8re de services.  <\/p>\n<p>Dans la pratique, le lien se pr\u00e9sente comme suit : le taux d&rsquo;exception en mati\u00e8re de s\u00e9curisation et le d\u00e9lai de r\u00e9paration influencent la qualit\u00e9 avant le d\u00e9part ; la qualit\u00e9 avant le d\u00e9part influence la probabilit\u00e9 de dommages en cours de transport ; la probabilit\u00e9 de dommages influence les r\u00e9clamations, les perturbations du temps de cycle et l&rsquo;acceptation par le client \u00e0 la livraison. Cette cha\u00eene devient mesurable lorsque le taux d&rsquo;exception et le taux de r\u00e9paration sont suivis avec la m\u00eame discipline que les indicateurs cl\u00e9s de performance traditionnels tels que le temps de s\u00e9jour, le respect des d\u00e9parts et le taux de dommages. Si vous souhaitez disposer d&rsquo;un contexte plus large de mesures que les \u00e9quipes de direction utilisent souvent pour aligner la gouvernance sur l&rsquo;ensemble des op\u00e9rations, notre aper\u00e7u des <a href=\"https:\/\/focalx.ai\/fleet-management\/fleet-management-metrics\/\">mesures de gestion de flotte<\/a> constitue un point de r\u00e9f\u00e9rence utile.  <\/p>\n<h2>Contexte de la technologie et de l&rsquo;automatisation : pourquoi l&rsquo;IA rend les indicateurs de performance mesurables<\/h2>\n<p>Les exceptions en mati\u00e8re d&rsquo;arrimage ne deviennent un indicateur de performance de premier ordre que lorsque la d\u00e9tection est suffisamment coh\u00e9rente pour \u00eatre fiable. La capture manuelle est intrins\u00e8quement variable sous la pression du temps, entre les \u00e9quipes et entre les sites - exactement les conditions dans lesquelles les exceptions sont les plus importantes. La vision par ordinateur bas\u00e9e sur l&rsquo;IA modifie le probl\u00e8me de mesure en normalisant ce qui \u00ab\u00a0compte\u00a0\u00bb en tant qu&rsquo;exception et en augmentant l&rsquo;\u00e9chelle de capture sans ralentir le d\u00e9bit.  <\/p>\n<p>D&rsquo;un point de vue op\u00e9rationnel, l&rsquo;automatisation n&rsquo;a pas pour but de remplacer le travail de s\u00e9curisation, mais de rendre la gouvernance de la s\u00e9curisation mesurable et applicable :<\/p>\n<ul>\n<li>La vision par ordinateur permet de d\u00e9tecter et de classer des types d&rsquo;exceptions sp\u00e9cifiques de mani\u00e8re coh\u00e9rente, produisant ainsi des taux comparables entre les rampes et les partenaires.<\/li>\n<li>L&rsquo;automatisation des flux de travail permet d&rsquo;acheminer imm\u00e9diatement les exceptions au bon propri\u00e9taire, de suivre les changements d&rsquo;\u00e9tat et d&rsquo;appliquer les accords de niveau de service (SLA) avant que les fen\u00eatres de d\u00e9part ne se referment.<\/li>\n<li>La capture structur\u00e9e de preuves (images et m\u00e9tadonn\u00e9es) permet de v\u00e9rifier la fixation et de r\u00e9duire les litiges ult\u00e9rieurs lorsque les parties prenantes reconstituent les \u00e9v\u00e9nements apr\u00e8s coup.<\/li>\n<\/ul>\n<p>C&rsquo;est \u00e9galement la raison pour laquelle notre observation sur le terrain concernant la sous-capture est importante : lorsque la d\u00e9tection structur\u00e9e a r\u00e9v\u00e9l\u00e9 un nombre d&rsquo;exceptions sup\u00e9rieur de plusieurs ordres de grandeur \u00e0 celui que les humains enregistraient, elle a d\u00e9montr\u00e9 que le facteur limitant \u00e9tait la fiabilit\u00e9 de la mesure. Une fois que la mesure est stable, l&rsquo;ICP devient un outil de gestion plut\u00f4t qu&rsquo;un artefact de rapport. <\/p>\n<h2>Conclusion<\/h2>\n<p>Les exceptions en mati\u00e8re de s\u00e9curisation doivent \u00eatre trait\u00e9es comme un ICP de premier ordre, car elles se situent en amont, peuvent faire l&rsquo;objet d&rsquo;une action et sont mesurables sur le moment, alors que le ratio des dommages se situe en aval et est largement irr\u00e9versible. Une d\u00e9finition pratique de l&rsquo;ICP combine le taux d&rsquo;exception avec le taux de r\u00e9paration, le d\u00e9lai de r\u00e9paration et les exceptions r\u00e9p\u00e9t\u00e9es, afin que l&rsquo;organisation puisse g\u00e9rer la pr\u00e9vention plut\u00f4t que de documenter les r\u00e9sultats. La r\u00e9vision mensuelle est efficace lorsqu&rsquo;elle est encadr\u00e9e par la gouvernance des processus, soutenue par des flux de travail en boucle ferm\u00e9e et des preuves v\u00e9rifiables, et non par des reproches individuels.  <\/p>\n<p>Pour les parties prenantes de l&rsquo;industrie automobile et de FVL, ce recadrage relie le comportement de s\u00e9curisation \u00e0 la pile d&rsquo;ICP standard d&rsquo;une mani\u00e8re qui est contr\u00f4lable sur le plan op\u00e9rationnel : vous pouvez voir le risque avant le d\u00e9part, le corriger dans le cadre d&rsquo;un accord de niveau de service d\u00e9fini, et prouver la fermeture plus tard. C&rsquo;est ce qui transforme la s\u00e9curisation d&rsquo;un contr\u00f4le suppos\u00e9 en un syst\u00e8me de contr\u00f4le gouvern\u00e9. <\/p>\n","protected":false},"excerpt":{"rendered":"<p>L&rsquo;argument en faveur des \u00ab\u00a0exceptions en mati\u00e8re d&rsquo;arrimage\u00a0\u00bb en tant qu&rsquo;ICP de premier ordre est que si vous mesurez les [&hellip;]<\/p>\n","protected":false},"author":12,"featured_media":10341,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"none","_seopress_titles_title":"%%post_title%%","_seopress_titles_desc":"Les exceptions en mati\u00e8re d'arrimage, en tant qu'ICP de la FVL, contribuent \u00e0 pr\u00e9venir les dommages en assurant le suivi des risques et des taux de r\u00e9paration, en am\u00e9liorant le contr\u00f4le et en r\u00e9duisant les demandes d'indemnisation.","_seopress_robots_index":"","content-type":"","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":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-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":"","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-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":"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":""},"mobile":{"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":""}},"footnotes":""},"categories":[145,162],"tags":[],"class_list":["post-12353","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-logistique-des-vehicules-finis","category-operations-ferroviaires"],"acf":[],"_links":{"self":[{"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/posts\/12353","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/comments?post=12353"}],"version-history":[{"count":0,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/posts\/12353\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/media\/10341"}],"wp:attachment":[{"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/media?parent=12353"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/categories?post=12353"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/focalx.ai\/fr\/wp-json\/wp\/v2\/tags?post=12353"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}