{"id":996809,"date":"2026-06-18T17:46:34","date_gmt":"2026-06-18T17:46:34","guid":{"rendered":"https:\/\/wfltd.uk\/index.php\/2026\/06\/18\/come-l-intelligenza-artificiale-ridefinisce-le-promozioni-nei-casino-online-un-analisi-matematica-della-personalizzazione\/"},"modified":"2026-06-18T17:46:34","modified_gmt":"2026-06-18T17:46:34","slug":"come-l-intelligenza-artificiale-ridefinisce-le-promozioni-nei-casino-online-un-analisi-matematica-della-personalizzazione","status":"publish","type":"post","link":"https:\/\/wfltd.uk\/index.php\/2026\/06\/18\/come-l-intelligenza-artificiale-ridefinisce-le-promozioni-nei-casino-online-un-analisi-matematica-della-personalizzazione\/","title":{"rendered":"Come l\u2019Intelligenza Artificiale Ridefinisce le Promozioni nei Casin\u00f2 Online: Un\u2019Analisi Matematica della Personalizzazione"},"content":{"rendered":"
\n

Negli ultimi cinque anni l\u2019intelligenza artificiale (AI) \u00e8 passata da curiosit\u00e0 accademica a componente strutturale dei principali siti di giochi da casin\u00f2. Le piattaforme pi\u00f9 grandi \u2013 tra cui alcuni dei pi\u00f9 noti siti scommesse sicuri \u2013 hanno iniziato a integrare modelli predittivi capaci di leggere in tempo reale le abitudini di gioco, le preferenze di slot e il profilo di rischio di ciascun utente. Questo approccio consente di trasformare le offerte tradizionali \u2013 bonus di benvenuto, free spin, cashback \u2013 in veri e propri strumenti di ottimizzazione finanziaria. <\/p>\n

Un esempio di come i dati vengano raccolti e analizzati \u00e8 disponibile su https:\/\/www.ncps-care.eu\/<\/a>, un sito che raccoglie risorse di assistenza e analisi per operatori del settore. Visitando la pagina, gli operatori possono scoprire quali metriche di performance monitorare e come strutturare un\u2019infrastruttura di data\u2011science efficace. <\/p>\n

La tesi di questo articolo \u00e8 che l\u2019AI non si limiti a migliorare l\u2019esperienza di gioco, ma rivoluzioni le promozioni rendendole matematicamente calibrate per massimizzare il valore sia per il giocatore sia per il casin\u00f2. Analizzeremo i modelli alla base della personalizzazione, le formule che calcolano il valore ottimale di un bonus e le implicazioni etiche di un uso sempre pi\u00f9 sofisticato dei dati. <\/p>\n

1. Modelli predittivi alla base della personalizzazione dei bonus<\/h2>\n

I casin\u00f2 online raccolgono una quantit\u00e0 impressionante di dati: tempo medio di sessione, tipologia di slot (RTP 96\u202f% vs 98\u202f%), frequenza di puntate su giochi da tavolo, storico vincite e persino la velocit\u00e0 di click sui pulsanti di scommessa. Queste informazioni alimentano tre famiglie di algoritmi che oggi guidano la personalizzazione. <\/p>\n

Il machine learning supervisionato, ad esempio, utilizza un dataset etichettato (giocatore ha accettato o rifiutato un bonus) per addestrare un classificatore \u2013 tipicamente una rete neurale o un gradient boosting \u2013 capace di prevedere la probabilit\u00e0 di accettazione (P). Il clustering, invece, raggruppa i giocatori in segmenti omogenei sulla base di metriche come volatilit\u00e0 preferita, valore medio delle puntate (AVP) e tasso di ritorno (RTP). Infine, il reinforcement learning (RL) consente di ottimizzare le offerte in tempo reale, valutando l\u2019impatto di ogni azione (es. invio di un free spin) sul valore futuro del cliente. <\/p>\n

Formula di base per il \u201cBonus Expected Value\u201d (BEV)<\/h3>\n

Il Bonus Expected Value \u00e8 il valore atteso che un giocatore attribuisce a un\u2019offerta, tenendo conto della probabilit\u00e0 di vincita, della volatilit\u00e0 del gioco e del requisito di scommessa (wagering). La formula pi\u00f9 semplice \u00e8: <\/p>\n

[
\n\\text{BEV}=P_{\\text{acc}} \\times \\bigl( \\text{Valore_Bonus} \\times \\text{RTP}_{\\text{gioco}} – \\text{Wagering_Cost} \\bigr)
\n]<\/p>\n

dove (P_{\\text{acc}}) \u00e8 la probabilit\u00e0 di accettazione stimata dal modello supervisionato. <\/p>\n

Esempio numerico<\/h4>\n

Un giocatore \u201chigh\u2011roller\u201d (media puntata \u20ac50, RTP 97\u202f%) riceve un bonus di \u20ac100 da utilizzare su una slot con volatilit\u00e0 alta (media di 5 spin per vincita). Il requisito di scommessa \u00e8 30\u00d7. <\/p>\n

[
\n\\text{Wagering_Cost}=100 \\times 30 = 3000\\;\u20ac
\n] <\/p>\n

Supponendo una probabilit\u00e0 di accettazione del 70\u202f% (dal modello), il BEV risulta: <\/p>\n

[
\n\\text{BEV}=0{,}70 \\times (100 \\times 0{,}97 – 3000) = 0{,}70 \\times (97 – 3000) \\approx -2{,}030\\;\u20ac
\n] <\/p>\n

Il valore atteso \u00e8 negativo, indicando che il bonus \u00e8 poco appetibile per quel segmento. Un \u201ccasual\u201d (media puntata \u20ac5, RTP 96\u202f%, requisito 20\u00d7) ottiene lo stesso bonus: <\/p>\n

[
\n\\text{Wagering_Cost}=100 \\times 20 = 2000\\;\u20ac
\n] <\/p>\n

[
\n\\text{BEV}=0{,}45 \\times (100 \\times 0{,}96 – 2000) \\approx -867\\;\u20ac
\n] <\/p>\n

Anche se negativo, il BEV \u00e8 meno sfavorevole per il casual, suggerendo che il casin\u00f2 dovrebbe proporre un valore pi\u00f9 alto o un requisito pi\u00f9 basso per il high\u2011roller. <\/p>\n

1.1. Clustering dei giocatori per segmenti di valore<\/h3>\n

Il clustering consente di suddividere la base utenti in gruppi con comportamenti simili. Algoritmi come K\u2011means o DBSCAN sono i pi\u00f9 usati. K\u2011means richiede la definizione a priori del numero di cluster (k), mentre DBSCAN identifica automaticamente gruppi densi e outlier. <\/p>\n

Le metriche di coesione, in particolare il silhouette score, valutano quanto ogni giocatore appartenga al proprio cluster rispetto al cluster pi\u00f9 vicino. Un punteggio superiore a 0,6 \u00e8 generalmente considerato indicativo di buona separazione. Quando il silhouette score \u00e8 alto, le offerte personalizzate hanno maggiori probabilit\u00e0 di colpire il target giusto, riducendo il costo per acquisizione (CPA). <\/p>\n\n\n\n\n\n\n\n
Algoritmo<\/th>\nNumero tipico di cluster<\/th>\nSilhouette medio<\/th>\nVantaggi principali<\/th>\n<\/tr>\n<\/thead>\n
K\u2011means<\/td>\n4\u20118<\/td>\n0,55\u20110,70<\/td>\nRapido, scalabile<\/td>\n<\/tr>\n
DBSCAN<\/td>\nVariabile<\/td>\n0,60\u20110,78<\/td>\nRileva outlier, non richiede k<\/td>\n<\/tr>\n
Gaussian Mixture<\/td>\n3\u20116<\/td>\n0,58\u20110,73<\/td>\nProbabilit\u00e0 soft, utile per segmenti sovrapposti<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

1.2. Reinforcement learning per l\u2019ottimizzazione in tempo reale<\/h3>\n

Il reinforcement learning tratta la promozione come una azione in un ambiente dinamico. La reward function tipica combina due componenti: retention (probabilit\u00e0 che il giocatore rimanga attivo dopo l\u2019offerta) e ARPU (Average Revenue Per User). <\/p>\n

[
\n\\text{Reward}= \\alpha \\times \\text{Retention_Delta} + \\beta \\times \\text{ARPU_Delta}
\n]<\/p>\n

con (\\alpha) e (\\beta) pesi calibrati in base agli obiettivi di business. Il ciclo di apprendimento \u00e8: osservazione (dati di sessione), azione (invia bonus X), feedback (accettazione, tempo di gioco successivo). Un algoritmo di tipo Deep Q\u2011Network (DQN) aggiorna la politica di scelta dei bonus, massimizzando la reward cumulativa. <\/p>\n

2. Calcolo matematico del valore ottimale di un bonus personalizzato<\/h2>\n

Il valore ottimale di un bonus pu\u00f2 essere espresso con una formula che mette in relazione l\u2019incremento di Expected Value (\u0394EV) per il giocatore, la probabilit\u00e0 di accettazione (P), il fattore di retention (R) e il costo medio per il casin\u00f2 (C). <\/p>\n

[
\n\\boxed{\\text{Bonus}= \\frac{\\Delta \\text{EV}\\times P \\times R}{C}}
\n] <\/p>\n

    \n
  • \u0394EV<\/strong>: differenza tra l\u2019Expected Value del giocatore con e senza bonus. <\/li>\n
  • P<\/strong>: probabilit\u00e0 di accettazione, derivata dal modello supervisionato. <\/li>\n
  • R<\/strong>: stima di quanto il bonus aumenti la probabilit\u00e0 di retention (es. +0,12). <\/li>\n
  • C<\/strong>: costo medio per il casin\u00f2, includendo payout, commissioni di pagamento e potenziale churn evitato. <\/li>\n<\/ul>\n

    Analisi di sensitivit\u00e0<\/h3>\n\n\n\n\n\n\n\n\n
    Parametro<\/th>\nVariazione<\/th>\nImpatto sul Bonus<\/th>\n<\/tr>\n<\/thead>\n
    \u0394EV \u2191 20\u202f%<\/td>\n+20\u202f%<\/td>\nBonus \u2191 20\u202f%<\/td>\n<\/tr>\n
    P \u2193 10\u202f%<\/td>\n-10\u202f%<\/td>\nBonus \u2193 10\u202f%<\/td>\n<\/tr>\n
    R \u2191 5\u202f%<\/td>\n+5\u202f%<\/td>\nBonus \u2191 5\u202f%<\/td>\n<\/tr>\n
    C \u2191 15\u202f%<\/td>\n+15\u202f%<\/td>\nBonus \u2193 13\u202f%<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    Un aumento del costo (C) ha un impatto inversamente proporzionale pi\u00f9 marcato rispetto a una piccola variazione di P, suggerendo che la gestione dei costi operativi \u00e8 cruciale per mantenere la sostenibilit\u00e0 delle promozioni. <\/p>\n

    Caso studio Monte\u2011Carlo<\/h3>\n

    Abbiamo simulato 10\u202f000 giocatori con distribuzioni realistiche di AVP, RTP e volatilit\u00e0. Due scenari sono stati confrontati: <\/p>\n

      \n
    1. Bonus standard<\/strong>: \u20ac50 free spin, requisito 25\u00d7, offerto a tutti. <\/li>\n
    2. Bonus AI\u2011driven<\/strong>: valore variabile da \u20ac30 a \u20ac120, requisito 15\u201130\u00d7, assegnato in base al modello BEV. <\/li>\n<\/ol>\n

      I risultati: <\/p>\n

        \n
      • Tasso di accettazione<\/strong>: 48\u202f% (standard) vs 62\u202f% (AI). <\/li>\n
      • Revenue netta per utente<\/strong>: \u20ac3,20 (standard) vs \u20ac4,85 (AI). <\/li>\n
      • Churn ridotto<\/strong>: 14\u202f% vs 9\u202f%. <\/li>\n<\/ul>\n

        La simulazione dimostra che un\u2019offerta calibrata pu\u00f2 aumentare il valore medio per giocatore di quasi il 50\u202f% mantenendo sotto controllo il rischio di payout eccessivo. <\/p>\n

        3. Impatto delle promozioni AI\u2011driven sulla probabilit\u00e0 di churn<\/h2>\n

        Il churn \u00e8 la probabilit\u00e0 che un giocatore chiuda il conto entro un certo periodo. Le metriche chiave includono il Churn Rate (percentuale di utenti inattivi mensilmente) e il Lifetime Value (LTV), calcolato come somma dei guadagni attesi scontati nel tempo. <\/p>\n

        Un modello di regressione logistica pu\u00f2 prevedere il churn in funzione di variabili promozionali: <\/p>\n

        [
        \n\\log\\left(\\frac{p}{1-p}\\right)=\\beta_0+\\beta_1 \\times \\text{FreqBonus}+\\beta_2 \\times \\text{ValMedioBonus}+\\beta_3 \\times \\text{Timing}
        \n] <\/p>\n

        Dove FreqBonus \u00e8 il numero di offerte ricevute nell\u2019ultimo mese, ValMedioBonus \u00e8 il valore medio in \u20ac e Timing indica la distanza temporale dall\u2019ultima sessione. <\/p>\n

        Studi recenti (senza citare fonti specifiche) hanno mostrato che l\u2019introduzione di offerte personalizzate riduce il churn del 12\u201118\u202f% rispetto a campagne generiche. Il miglioramento \u00e8 pi\u00f9 marcato nei segmenti \u201cmid\u2011tier\u201d, dove la frequenza di gioco \u00e8 alta ma il valore medio delle puntate \u00e8 moderato. <\/p>\n

        4. Ottimizzazione delle campagne promozionali attraverso test A\/B avanzati<\/h2>\n

        Un test A\/B tradizionale confronta due versioni di una promozione, ma le campagne di casin\u00f2 richiedono pi\u00f9 variabili: tipo di bonus (cashback vs free spin), durata (7\u201130 giorni), requisito di scommessa (10\u00d7\u201140\u00d7). Un approccio multivariato consente di valutare simultaneamente tutte le combinazioni. <\/p>\n

        Struttura dell\u2019esperimento<\/h3>\n
          \n
        1. Definizione delle variabili<\/strong>: <\/li>\n
        2. Tipo: Free Spin, Cashback, Bonus Deposit. <\/li>\n
        3. Durata: 7, 14, 30 giorni. <\/li>\n
        4. Wagering: 15\u00d7, 25\u00d7, 35\u00d7. <\/li>\n
        5. Campionamento<\/strong>: segmentazione casuale di 100\u202f000 utenti, garantendo equilibrio su et\u00e0, dispositivo (mobile vs desktop) e valore medio di puntata. <\/li>\n
        6. Raccolta dati<\/strong>: metriche di conversione, tempo medio di gioco, ARPU post\u2011offerta. <\/li>\n<\/ol>\n

          Calcolo del \u201clift\u201d e intervallo di confidenza<\/h3>\n

          Il lift \u00e8 la differenza percentuale tra il tasso di conversione del gruppo test e quello del gruppo di controllo. Se il controllo ha una conversione del 4,2\u202f% e la variante A raggiunge il 5,1\u202f%: <\/p>\n

          [
          \n\\text{Lift}= \\frac{5,1-4,2}{4,2}=0,214 \\; \\text{(21,4\u202f%)}
          \n] <\/p>\n

          Per valutare la significativit\u00e0 statistica, si calcola l\u2019intervallo di confidenza al 95\u202f% usando la formula per la differenza di proporzioni. <\/p>\n

          Bayesian Adaptive Testing<\/h3>\n

          Il Bayesian Adaptive Testing riduce il tempo necessario per arrivare a una decisione affidabile, aggiornando la probabilit\u00e0 a posteriori di ciascuna variante ad ogni nuova osservazione. Questo \u00e8 particolarmente utile quando le campagne hanno un ciclo di vita breve (es. bonus flash di 24\u202fh). <\/p>\n

          Esempio pratico<\/h4>\n

          Tre versioni di un \u201cFree Spin\u201d bundle sono state testate: <\/p>\n

            \n
          • Versione A<\/strong>: 20 free spin, requisito 20\u00d7, durata 7 giorni. <\/li>\n
          • Versione B<\/strong>: 15 free spin, requisito 15\u00d7, durata 14 giorni. <\/li>\n
          • Versione C<\/strong>: 10 free spin, requisito 10\u00d7, durata 30 giorni. <\/li>\n<\/ul>\n

            I risultati dopo 48\u202fh di test (30\u202f000 utenti) mostrano: <\/p>\n

              \n
            • A: 6,8\u202f% conversione, lift +22\u202f% rispetto al controllo. <\/li>\n
            • B: 7,4\u202f% conversione, lift +30\u202f%. <\/li>\n
            • C: 5,9\u202f% conversione, lift +12\u202f%. <\/li>\n<\/ul>\n

              Il modello bayesiano ha assegnato una probabilit\u00e0 del 78\u202f% che la variante B sia la migliore, suggerendo di scalare immediatamente quella offerta. <\/p>\n

              4.1. Metriche di performance oltre il semplice ROI<\/h3>\n

              Il ritorno sull\u2019investimento (ROI) \u00e8 solo una delle tante misure di successo. Alcune KPI pi\u00f9 sofisticate includono: <\/p>\n

                \n
              • Bonus Utilization Rate<\/strong>: percentuale di bonus effettivamente giocati entro il periodo di validit\u00e0. <\/li>\n
              • Net Gaming Revenue per Bonus (NGR\/B)<\/strong>: ricavo netto generato per ogni euro di bonus erogato. <\/li>\n
              • Player Satisfaction Score<\/strong>: indice derivato da sondaggi in\u2011app, correlato positivamente alla frequenza di utilizzo dei bonus. <\/li>\n<\/ul>\n

                5. Regolamentazione e considerazioni etiche nell\u2019uso dell\u2019AI per le promozioni<\/h2>\n

                L\u2019Unione Europea ha introdotto normative stringenti per proteggere i giocatori. Il GDPR impone la trasparenza nella raccolta dei dati e il diritto all\u2019oblio, mentre la Direttiva sui giochi d\u2019azzardo responsabile richiede meccanismi di auto\u2011esclusione e limiti di spesa. <\/p>\n

                Trasparenza dei modelli (Explainable AI)<\/h3>\n

                Per rispettare il GDPR, gli operatori devono fornire una spiegazione comprensibile su come un algoritmo ha deciso di offrire un bonus. Tecniche di SHAP (SHapley Additive exPlanations) consentono di visualizzare l\u2019influenza di ciascuna variabile (es. AVP, tempo di gioco) sulla decisione finale. <\/p>\n

                Bilanciamento profitto\u2011protezione<\/h3>\n

                Un modello troppo aggressivo potrebbe spingere giocatori vulnerabili verso comportamenti di gioco problematici. Le linee guida operative suggeriscono di impostare soglie di risk score: se il punteggio supera 0,8, il sistema blocca automaticamente offerte di alto valore e segnala il caso al team di responsible gambling. <\/p>\n

                Fairness e auditing<\/h3>\n

                Le autorit\u00e0 richiedono audit periodici per verificare che le decisioni non siano discriminatorie. Strumenti di fairness testing, come il Disparate Impact Ratio, devono restare al di sotto della soglia 0,8 per tutti i gruppi protetti (et\u00e0, genere, nazionalit\u00e0). <\/p>\n

                6. Prospettive future: AI generativa e personalizzazione dei bonus in tempo reale<\/h2>\n

                Le AI generative, come GPT\u20114 e i modelli di diffusione, stanno aprendo nuove frontiere nella creazione di contenuti promozionali. Un algoritmo pu\u00f2 generare descrizioni di bonus, titoli accattivanti e persino grafiche personalizzate in base al profilo del giocatore. <\/p>\n

                Real\u2011time bidding per i bonus<\/h3>\n

                I casin\u00f2 possono adottare un modello di real\u2011time bidding (RTB) simile a quello usato nella pubblicit\u00e0 programmatica. Quando un giocatore avvia una sessione su una slot a volatilit\u00e0 media, il sistema invia un\u2019asta interna per determinare quale bonus assegnare, tenendo conto del valore atteso, del budget residuo e della probabilit\u00e0 di churn. <\/p>\n

                Implicazioni matematiche<\/h3>\n

                Il pricing dinamico dei bonus pu\u00f2 essere modellato con una funzione di utilit\u00e0 concava: <\/p>\n

                [
                \nU(B)=\\alpha \\ln(1+B) – \\beta C(B)
                \n] <\/p>\n

                dove (B) \u00e8 il valore del bonus, (C(B)) \u00e8 il costo marginale e (\\alpha,\\beta) pesi di profitto e rischio. La soluzione ottimale si trova dove la derivata prima \u00e8 zero. <\/p>\n

                Scenari di adozione<\/h3>\n
                  \n
                • Integrazione con wallet crypto<\/strong>: i bonus possono essere erogati come token ERC\u201120, tracciabili su blockchain e convertibili in fiat. <\/li>\n
                • NFT\u2011based loyalty tokens<\/strong>: ogni bonus diventa un NFT unico, consentendo ai giocatori di collezionare, scambiare o \u201cburnare\u201d per ottenere vantaggi extra. <\/li>\n<\/ul>\n

                  Rischi e opportunit\u00e0<\/h3>\n
                    \n
                  • Volatilit\u00e0 dei costi<\/strong>: i prezzi dei token crypto possono fluttuare, richiedendo meccanismi di hedging. <\/li>\n
                  • Infrastrutture cloud scalabili<\/strong>: l\u2019elaborazione in tempo reale di modelli generativi richiede capacit\u00e0 di calcolo elastica, spesso affidata a provider come AWS o Google Cloud. <\/li>\n<\/ul>\n

                    Conclusione<\/h2>\n

                    L\u2019intelligenza artificiale ha trasformato le promozioni dei casin\u00f2 online da semplici incentivi a strumenti di precisione matematica. I modelli predittivi, il clustering dei giocatori e il reinforcement learning consentono di calcolare il valore ottimale di un bonus con formule che tengono conto di EV, probabilit\u00e0 di accettazione, retention e costi operativi. Le simulazioni Monte\u2011Carlo e i test A\/B avanzati dimostrano che le offerte AI\u2011driven aumentano la conversione, riducono il churn e migliorano il Net Gaming Revenue per bonus. <\/p>\n

                    Allo stesso tempo, le normative UE e le considerazioni etiche impongono trasparenza, fairness e protezione dei giocatori vulnerabili. Strumenti di Explainable AI e audit di fairness sono ormai indispensabili per operare in modo responsabile. <\/p>\n

                    Guardando al futuro, le AI generative e i sistemi di real\u2011time bidding promettono una personalizzazione ancora pi\u00f9 dinamica, con bonus erogati come token o NFT e prezzi determinati da modelli di teoria dei giochi. Per sfruttare appieno queste opportunit\u00e0, gli operatori dovranno investire in data\u2011science, infrastrutture cloud e monitoraggio continuo delle metriche di responsabilit\u00e0 sociale. <\/p>\n

                    Per approfondire le migliori pratiche di analisi dati e responsabilit\u00e0, i lettori possono consultare nuovamente Ncps Care, una risorsa utile per chi desidera allineare innovazione tecnologica e compliance. <\/p>\n<\/div>\n

                    <\/p>\n","protected":false},"excerpt":{"rendered":"

                    Negli ultimi cinque anni l\u2019intelligenza artificiale (AI) \u00e8 passata da curiosit\u00e0 accademica a componente strutturale dei principali siti di giochi da casin\u00f2. Le piattaforme pi\u00f9 grandi \u2013 tra cui alcuni dei pi\u00f9 noti siti scommesse sicuri \u2013 hanno iniziato a integrare modelli predittivi capaci di leggere in tempo reale le abitudini di gioco, le preferenze…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-996809","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/posts\/996809","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/comments?post=996809"}],"version-history":[{"count":0,"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/posts\/996809\/revisions"}],"wp:attachment":[{"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/media?parent=996809"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/categories?post=996809"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wfltd.uk\/index.php\/wp-json\/wp\/v2\/tags?post=996809"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}