{"id":15223,"date":"2026-01-13T08:54:18","date_gmt":"2026-01-13T08:54:18","guid":{"rendered":"https:\/\/focalx.ai\/nao-categorizado\/o-argumento-a-favor-de-excecoes-de-amarracao-como-um-kpi-de-primeira-linha\/"},"modified":"2026-10-06T17:16:57","modified_gmt":"2026-10-06T17:16:57","slug":"fvl-fixacao-excecoes-kpi","status":"publish","type":"post","link":"https:\/\/focalx.ai\/pt-br\/logistica-de-veiculos-acabados\/fvl-fixacao-excecoes-kpi\/","title":{"rendered":"O argumento a favor de \u201cexce\u00e7\u00f5es de amarra\u00e7\u00e3o\u201d como um KPI de primeira linha"},"content":{"rendered":"<p>O argumento a favor de \u201cexce\u00e7\u00f5es de amarra\u00e7\u00e3o\u201d como um KPI de primeira linha \u00e9 que, ao medir exce\u00e7\u00f5es de amarra\u00e7\u00e3o e taxas de corre\u00e7\u00e3o, \u00e9 poss\u00edvel gerenciar a preven\u00e7\u00e3o \u2014 e n\u00e3o apenas documentar resultados. Na log\u00edstica de ve\u00edculos acabados (FVL), KPIs de danos muitas vezes viram uma aut\u00f3psia: descrevem o que foi descoberto na entrega, n\u00e3o o que poderia ter sido evitado antes mesmo de uma unidade se mover. Este artigo explica por que as exce\u00e7\u00f5es de amarra\u00e7\u00e3o devem ser tratadas como um indicador antecedente, como o KPI pode ser na pr\u00e1tica, como revis\u00e1-lo mensalmente sem criar uma cultura de culpa e como ele se encaixa no conjunto padr\u00e3o de KPIs de FVL.  <\/p>\n<h2>Por que KPIs defasados mant\u00eam sua opera\u00e7\u00e3o reativa<\/h2>\n<p>KPIs defasados, como \u00edndice de danos, n\u00famero de sinistros ou custo por unidade, s\u00e3o \u00fateis para relat\u00f3rios, mas chegam tarde do ponto de vista operacional. Quando o dano \u00e9 detectado, o ve\u00edculo j\u00e1 foi manuseado, movimentado e realocado entre locais e parceiros. Esse problema de timing leva a comportamentos reativos: as equipes discutem responsabilidade, procuram evid\u00eancias ausentes e negociam estornos, em vez de eliminar as condi\u00e7\u00f5es a montante que tornaram o dano prov\u00e1vel.  <\/p>\n<p>Em nosso trabalho de campo, vimos repetidamente o mesmo padr\u00e3o: o \u00edndice de danos \u00e9 um indicador defasado, e a alavanca est\u00e1 a montante, na qualidade da amarra\u00e7\u00e3o. Exce\u00e7\u00f5es de amarra\u00e7\u00e3o \u2014 aus\u00eancia de cintas, espa\u00e7amento incorreto, cal\u00e7os mal posicionados ou geometria de amarra\u00e7\u00e3o fora do padr\u00e3o \u2014 s\u00e3o sinais de alerta antecipados porque mostram o risco antes da partida, quando a a\u00e7\u00e3o corretiva ainda \u00e9 barata e control\u00e1vel. Esse enquadramento causal \u00e9 explorado com mais profundidade em nosso conte\u00fado sobre <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-damage-starts-with-securement\/\">o dano come\u00e7a na amarra\u00e7\u00e3o<\/a>.  <\/p>\n<p>Quando come\u00e7amos a estruturar exce\u00e7\u00f5es de amarra\u00e7\u00e3o de forma sistem\u00e1tica, a diferen\u00e7a em rela\u00e7\u00e3o \u00e0s verifica\u00e7\u00f5es manuais foi marcante: capturamos cerca de 27 vezes mais exce\u00e7\u00f5es de espa\u00e7amento, aproximadamente 129 vezes mais exce\u00e7\u00f5es de amarra\u00e7\u00e3o ausente e cerca de 17 vezes mais exce\u00e7\u00f5es de espa\u00e7amento de cal\u00e7os do que as pessoas registravam. O motivo n\u00e3o era indiferen\u00e7a; era a realidade. As verifica\u00e7\u00f5es de amarra\u00e7\u00e3o s\u00e3o r\u00e1pidas, f\u00edsicas e realizadas sob press\u00e3o de tempo, em que a qualidade da inspe\u00e7\u00e3o previsivelmente desaba \u2014 mesmo para equipes experientes. Discutimos essa limita\u00e7\u00e3o explicitamente em <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/why-inspection-quality-collapses\/\">a qualidade da inspe\u00e7\u00e3o desaba sob press\u00e3o de tempo<\/a>. Um KPI que depende de detec\u00e7\u00e3o consistente precisa levar em conta esse contexto operacional, e n\u00e3o presumir uma captura manual perfeita.    <\/p>\n<h2>Como um KPI de exce\u00e7\u00f5es de amarra\u00e7\u00e3o pode ser na pr\u00e1tica<\/h2>\n<p>Um KPI de exce\u00e7\u00f5es de amarra\u00e7\u00e3o deve ser definido como um sistema de medi\u00e7\u00e3o em pares: uma taxa de exce\u00e7\u00f5es para quantificar a exposi\u00e7\u00e3o e uma taxa de corre\u00e7\u00e3o para quantificar o controle. Medir apenas exce\u00e7\u00f5es pode incentivar a subnotifica\u00e7\u00e3o; medir apenas resultados (danos) deixa a opera\u00e7\u00e3o cega para riscos evit\u00e1veis. A vis\u00e3o combinada permite gerenciar a preven\u00e7\u00e3o como um processo governado, e n\u00e3o como uma iniciativa pontual \u2014 uma abordagem alinhada \u00e0 mentalidade mais ampla em <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/damage-prevention-kpi\/\">preven\u00e7\u00e3o de danos \u00e9 um KPI<\/a>.  <\/p>\n<p><strong>Na pr\u00e1tica, uma defini\u00e7\u00e3o \u00fatil de KPI \u00e9 espec\u00edfica quanto a denominadores, janelas de tempo e repetibilidade. As constru\u00e7\u00f5es a seguir costumam ser acion\u00e1veis no dia a dia das opera\u00e7\u00f5es de FVL: <\/strong><\/p>\n<ul>\n<li><strong>Taxa de exce\u00e7\u00f5es de amarra\u00e7\u00e3o:<\/strong> exce\u00e7\u00f5es por unidade manuseada, segmentadas por tipo de exce\u00e7\u00e3o (por exemplo: amarra\u00e7\u00e3o ausente, n\u00e3o conformidade de espa\u00e7amento, n\u00e3o conformidade de espa\u00e7amento de cal\u00e7os) e por faixa, rampa, transportadora e turno.<\/li>\n<li><strong>Taxa de corre\u00e7\u00e3o antes da partida:<\/strong> propor\u00e7\u00e3o das exce\u00e7\u00f5es detectadas que s\u00e3o corrigidas e verificadas antes de a unidade sair do ponto de controle, operacionalizando o princ\u00edpio de <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/vehicle-logistics-damage-prevention-2\/\">evitar danos antes da partida<\/a>.<\/li>\n<li><strong>Tempo para corre\u00e7\u00e3o (TTF):<\/strong> tempo mediano e percentil 90 do momento da detec\u00e7\u00e3o at\u00e9 a corre\u00e7\u00e3o verificada, com um SLA expl\u00edcito vinculado aos hor\u00e1rios de partida.<\/li>\n<li><strong>Taxa de repeti\u00e7\u00e3o de exce\u00e7\u00f5es:<\/strong> recorr\u00eancia do mesmo tipo de exce\u00e7\u00e3o na mesma rampa, equipe ou transportadora dentro de um per\u00edodo definido, indicando uma lacuna de treinamento, lacuna de ferramentas ou desvio de processo, e n\u00e3o uma falha pontual.<\/li>\n<li><strong>Taxa de verifica\u00e7\u00e3o de corre\u00e7\u00e3o:<\/strong> porcentagem de corre\u00e7\u00f5es que t\u00eam evid\u00eancias validadas (imagens e metadados) confirmando o estado de amarra\u00e7\u00e3o corrigido.<\/li>\n<\/ul>\n<p>O valor operacional dessas medi\u00e7\u00f5es \u00e9 que elas transformam a amarra\u00e7\u00e3o de uma atividade de conformidade presumida em um ciclo de controle mensur\u00e1vel. \u00c9 poss\u00edvel ver onde o risco se concentra, se as corre\u00e7\u00f5es acontecem antes da movimenta\u00e7\u00e3o e quais problemas s\u00e3o sistem\u00e1ticos, e n\u00e3o incidentais. <\/p>\n<h2>Como revisar mensalmente sem culpa<\/h2>\n<p>Revis\u00f5es mensais de KPIs de amarra\u00e7\u00e3o funcionam quando s\u00e3o desenhadas como governan\u00e7a de processo, e n\u00e3o como teatro de desempenho. O objetivo \u00e9 reduzir exce\u00e7\u00f5es repet\u00edveis e encurtar o tempo para corre\u00e7\u00e3o, e n\u00e3o atribuir culpa por falhas individuais. Isso exige separar tr\u00eas perguntas que frequentemente s\u00e3o confundidas em discuss\u00f5es de log\u00edstica: o que foi detectado, o que foi corrigido e quais condi\u00e7\u00f5es tornaram a exce\u00e7\u00e3o prov\u00e1vel.  <\/p>\n<p><strong>Uma cad\u00eancia mensal pr\u00e1tica normalmente segue uma sequ\u00eancia simples e consistente:<\/strong><\/p>\n<ul>\n<li><strong>Comece por tend\u00eancias, n\u00e3o por anedotas:<\/strong> taxa de exce\u00e7\u00f5es por tipo e por faixa\/rampa, depois taxa de corre\u00e7\u00e3o e distribui\u00e7\u00f5es de tempo para corre\u00e7\u00e3o.<\/li>\n<li><strong>Identifique concentra\u00e7\u00e3o:<\/strong> os principais contribuintes para repeti\u00e7\u00f5es e se eles se correlacionam com janelas espec\u00edficas de partida, n\u00edveis de equipe ou restri\u00e7\u00f5es de equipamentos.<\/li>\n<li><strong>Acorde a\u00e7\u00f5es corretivas que removam atrito:<\/strong> ajustar checklists, adicionar padr\u00f5es visuais, padronizar refer\u00eancias de posicionamento de cal\u00e7os, alterar o layout de staging ou modificar a l\u00f3gica de atribui\u00e7\u00e3o para que as corre\u00e7\u00f5es sejam encaminhadas imediatamente.<\/li>\n<li><strong>Feche o ciclo de forma expl\u00edcita:<\/strong> confirmar que as a\u00e7\u00f5es corretivas alteraram a taxa de repeti\u00e7\u00e3o e o tempo para corre\u00e7\u00e3o do m\u00eas seguinte, e n\u00e3o apenas que foram \u201ccomunicadas\u201d.<\/li>\n<\/ul>\n<p>Essa abordagem tamb\u00e9m reduz o t\u00edpico \u201cjogo de empurra\u201d na etapa final, porque a governan\u00e7a se concentra em remedia\u00e7\u00e3o controlada e prova documentada. Quando faltam evid\u00eancias, disputas se tornam caras e lentas. Tratar evid\u00eancias como um ativo operacional \u2014 e n\u00e3o como burocracia \u2014 reduz esse overhead e est\u00e1 intimamente relacionado ao que descrevemos como <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-evidence-debt-cost\/\">d\u00edvida de evid\u00eancias<\/a> em FVL.  <\/p>\n<p>Em nossa experi\u00eancia, o KPI de exce\u00e7\u00f5es de amarra\u00e7\u00e3o s\u00f3 funciona como um sistema. O Inspect encontra e padroniza a exce\u00e7\u00e3o, o Stream encaminha e acompanha a corre\u00e7\u00e3o at\u00e9 a conclus\u00e3o, e o Recover preserva a trilha de comprova\u00e7\u00e3o quando surgem d\u00favidas mais tarde. A l\u00f3gica \u00e9 a mesma de <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-closed-loop-inspections-value\/\">inspe\u00e7\u00f5es em ciclo fechado<\/a>: detec\u00e7\u00e3o sem resolu\u00e7\u00e3o verificada n\u00e3o cria controle operacional. Para leitores que desejam a mec\u00e2nica do fluxo de trabalho por tr\u00e1s de encaminhamento, atribui\u00e7\u00e3o e status, tamb\u00e9m detalhamos isso em <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-photo-to-action-workflows\/\">fluxos de trabalho da foto \u00e0 a\u00e7\u00e3o<\/a>.   <\/p>\n<h2>Como as exce\u00e7\u00f5es de amarra\u00e7\u00e3o se encaixam no conjunto padr\u00e3o de KPIs de FVL<\/h2>\n<p>Exce\u00e7\u00f5es de amarra\u00e7\u00e3o devem ficar ao lado \u2014 e n\u00e3o no lugar \u2014 do conjunto existente de KPIs de FVL. O \u00edndice de danos e o custo de sinistros continuam sendo medidas essenciais de resultado, mas devem ser interpretados como confirma\u00e7\u00e3o a jusante \u2014 e n\u00e3o como o principal volante. Em um conjunto equilibrado de KPIs, as exce\u00e7\u00f5es de amarra\u00e7\u00e3o funcionam como um indicador antecedente que conecta o comportamento operacional a resultados financeiros e de servi\u00e7o.  <\/p>\n<p>Na pr\u00e1tica, a liga\u00e7\u00e3o \u00e9 assim: a taxa de exce\u00e7\u00f5es de amarra\u00e7\u00e3o e o tempo para corre\u00e7\u00e3o influenciam a qualidade pr\u00e9-partida; a qualidade pr\u00e9-partida influencia a probabilidade de danos em tr\u00e2nsito; a probabilidade de danos influencia sinistros, interrup\u00e7\u00f5es no tempo de ciclo e a aceita\u00e7\u00e3o do cliente na entrega. Essa cadeia se torna mensur\u00e1vel quando taxa de exce\u00e7\u00f5es e taxa de corre\u00e7\u00e3o s\u00e3o acompanhadas com a mesma disciplina que KPIs tradicionais, como tempo de perman\u00eancia, ader\u00eancia \u00e0 partida e \u00edndice de danos. Se voc\u00ea quiser um contexto mais amplo de m\u00e9tricas que equipes de lideran\u00e7a frequentemente usam para alinhar a governan\u00e7a entre opera\u00e7\u00f5es, nossa vis\u00e3o geral de <a href=\"https:\/\/focalx.ai\/fleet-management\/fleet-management-metrics\/\">m\u00e9tricas de gest\u00e3o de frotas<\/a> oferece um bom ponto de refer\u00eancia.  <\/p>\n<h2>Contexto de tecnologia e automa\u00e7\u00e3o: por que a IA torna o KPI mensur\u00e1vel<\/h2>\n<p>Exce\u00e7\u00f5es de amarra\u00e7\u00e3o s\u00f3 se tornam um KPI de primeira linha quando a detec\u00e7\u00e3o \u00e9 consistente o suficiente para ser confi\u00e1vel. A captura manual \u00e9 inerentemente vari\u00e1vel sob press\u00e3o de tempo, entre turnos e entre sites \u2014 exatamente as condi\u00e7\u00f5es em que as exce\u00e7\u00f5es mais importam. A vis\u00e3o computacional baseada em IA muda o problema de medi\u00e7\u00e3o ao padronizar o que \u201cconta\u201d como exce\u00e7\u00e3o e ao escalar a captura sem reduzir a vaz\u00e3o.  <\/p>\n<p>Operacionalmente, o suporte de automa\u00e7\u00e3o n\u00e3o se trata de substituir o trabalho de amarra\u00e7\u00e3o; trata-se de tornar a governan\u00e7a de amarra\u00e7\u00e3o mensur\u00e1vel e aplic\u00e1vel:<\/p>\n<ul>\n<li>A vis\u00e3o computacional pode detectar e categorizar tipos espec\u00edficos de exce\u00e7\u00e3o de forma consistente, gerando taxas compar\u00e1veis entre rampas e parceiros.<\/li>\n<li>A automa\u00e7\u00e3o de fluxos de trabalho pode encaminhar exce\u00e7\u00f5es ao respons\u00e1vel correto imediatamente, acompanhar mudan\u00e7as de status e aplicar SLAs de tempo para corre\u00e7\u00e3o antes que as janelas de partida se fechem.<\/li>\n<li>A captura estruturada de evid\u00eancias (imagens mais metadados) d\u00e1 suporte \u00e0 verifica\u00e7\u00e3o de corre\u00e7\u00f5es e reduz disputas posteriores quando as partes interessadas reconstroem os eventos depois do fato.<\/li>\n<\/ul>\n<p>Isso tamb\u00e9m explica por que nossa observa\u00e7\u00e3o de campo sobre subcaptura importa: quando a detec\u00e7\u00e3o estruturada revelou ordens de grandeza mais exce\u00e7\u00f5es do que as pessoas registravam, ficou demonstrado que o fator limitante era a confiabilidade da medi\u00e7\u00e3o. Quando a medi\u00e7\u00e3o \u00e9 est\u00e1vel, o KPI se torna uma ferramenta de gest\u00e3o, e n\u00e3o um artefato de relat\u00f3rio. <\/p>\n<h2>Conclus\u00e3o<\/h2>\n<p>Exce\u00e7\u00f5es de amarra\u00e7\u00e3o devem ser tratadas como um KPI de primeira linha porque est\u00e3o a montante, s\u00e3o acion\u00e1veis e mensur\u00e1veis no momento \u2014 enquanto o \u00edndice de danos est\u00e1 a jusante e \u00e9 em grande parte irrevers\u00edvel. Uma defini\u00e7\u00e3o pr\u00e1tica de KPI combina taxa de exce\u00e7\u00f5es com taxa de corre\u00e7\u00e3o, tempo para corre\u00e7\u00e3o e exce\u00e7\u00f5es repetidas, para que a organiza\u00e7\u00e3o gerencie a preven\u00e7\u00e3o em vez de documentar resultados. A revis\u00e3o mensal funciona quando \u00e9 enquadrada como governan\u00e7a de processo, sustentada por fluxos de trabalho em ciclo fechado e evid\u00eancias verific\u00e1veis, e n\u00e3o por culpa individual.  <\/p>\n<p>Para stakeholders do setor automotivo e de FVL, esse reenquadramento conecta o comportamento de amarra\u00e7\u00e3o ao conjunto padr\u00e3o de KPIs de uma forma operacionalmente control\u00e1vel: \u00e9 poss\u00edvel ver o risco antes da partida, corrigi-lo dentro de um SLA definido e comprovar o fechamento mais tarde. \u00c9 isso que transforma a amarra\u00e7\u00e3o de uma verifica\u00e7\u00e3o presumida em um sistema de controle governado. <\/p>\n","protected":false},"excerpt":{"rendered":"<p>O argumento a favor de \u201cexce\u00e7\u00f5es de amarra\u00e7\u00e3o\u201d como um KPI de primeira linha \u00e9 que, ao medir exce\u00e7\u00f5es de [&hellip;]<\/p>\n","protected":false},"author":12,"featured_media":15224,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_titles_title":"%%post_title%%","_seopress_titles_desc":"Exce\u00e7\u00f5es de amarra\u00e7\u00e3o como KPI de FVL ajudam a prevenir danos ao acompanhar riscos e taxas de corre\u00e7\u00e3o, melhorando o controle e reduzindo sinistros.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"none","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"ambos","_seopress_redirections_param":"","_seopress_redirections_type":301,"_seopress_analysis_target_kw":"","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":[187,193],"tags":[],"class_list":["post-15223","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-logistica-de-veiculos-acabados","category-operacoes-ferroviarias"],"acf":[],"_links":{"self":[{"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/posts\/15223","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/comments?post=15223"}],"version-history":[{"count":1,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/posts\/15223\/revisions"}],"predecessor-version":[{"id":15912,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/posts\/15223\/revisions\/15912"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/media\/15224"}],"wp:attachment":[{"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/media?parent=15223"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/categories?post=15223"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/tags?post=15223"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}