{"id":3100042,"date":"2025-06-11T19:26:31","date_gmt":"2025-06-11T19:26:31","guid":{"rendered":"https:\/\/www.clicdata.com\/guides\/quest-ce-que-lanalyse-des-series-temporelles\/"},"modified":"2025-11-17T15:43:51","modified_gmt":"2025-11-17T15:43:51","slug":"quest-ce-que-lanalyse-des-series-temporelles","status":"publish","type":"guide","link":"https:\/\/www.clicdata.com\/fr\/guides\/quest-ce-que-lanalyse-des-series-temporelles\/","title":{"rendered":"Qu&rsquo;est-ce que l&rsquo;analyse des s\u00e9ries temporelles ?"},"content":{"rendered":"\n<p>L&rsquo;<strong>analyse des s\u00e9ries chronologiques<\/strong> est une technique statistique utilis\u00e9e pour analyser des points de donn\u00e9es collect\u00e9s ou enregistr\u00e9s \u00e0 des moments successifs. Elle se concentre sur l&rsquo;identification des tendances, des mod\u00e8les saisonniers et des fluctuations dans les donn\u00e9es ordonn\u00e9es dans le temps afin de d\u00e9couvrir des informations ou de pr\u00e9voir des valeurs futures. <\/p>\n\n<p>Les donn\u00e9es chronologiques sont omnipr\u00e9sentes, qu&rsquo;il s&rsquo;agisse du trafic quotidien sur un site web, des ventes horaires, du chiffre d&rsquo;affaires mensuel ou des relev\u00e9s climatiques annuels. En \u00e9tudiant l&rsquo;\u00e9volution des valeurs dans le temps, les entreprises peuvent mieux comprendre les comportements, d\u00e9tecter les anomalies et faire des pr\u00e9visions bas\u00e9es sur des donn\u00e9es. <\/p>\n\n<h2 class=\"wp-block-heading\">Concepts cl\u00e9s de l&rsquo;analyse des s\u00e9ries temporelles<\/h2>\n\n<ul class=\"wp-block-list\">\n<li><strong>Donn\u00e9es horodat\u00e9es :<\/strong> Chaque point de donn\u00e9es est li\u00e9 \u00e0 une heure sp\u00e9cifique (par exemple, jour, heure, mois).<\/li>\n\n\n\n<li><strong>Tendance :<\/strong> Mouvement \u00e0 long terme des donn\u00e9es (\u00e0 la hausse, \u00e0 la baisse ou stable).<\/li>\n\n\n\n<li><strong>Saisonnalit\u00e9 :<\/strong> Des sch\u00e9mas r\u00e9currents \u00e0 intervalles r\u00e9guliers (par exemple, des pics de trafic hebdomadaires).<\/li>\n\n\n\n<li><strong>Comportement cyclique :<\/strong> Fluctuations qui ne suivent pas une p\u00e9riode calendaire fixe (par exemple, les cycles \u00e9conomiques).<\/li>\n\n\n\n<li><strong>Bruit :<\/strong> Variation al\u00e9atoire qui ne refl\u00e8te pas les vrais mod\u00e8les.<\/li>\n<\/ul>\n\n<h2 class=\"wp-block-heading\">Quand utiliser les s\u00e9ries temporelles ?<\/h2>\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th>L&rsquo;industrie<\/th><th>Use cases<\/th><\/tr><\/thead><tbody><tr><td><strong>Finances<\/strong><\/td><td>Analyser les cours des actions et pr\u00e9voir les tendances du march\u00e9<\/td><\/tr><tr><td><strong>Vente au d\u00e9tail<\/strong><\/td><td>Suivre les ventes quotidiennes et pr\u00e9voir les besoins en stocks<\/td><\/tr><tr><td><strong>Marketing<\/strong><\/td><td>Contr\u00f4ler les performances de la campagne au fil du temps<\/td><\/tr><tr><td><strong>Op\u00e9rations<\/strong><\/td><td>Surveiller les param\u00e8tres de la machine et pr\u00e9voir les besoins de maintenance<\/td><\/tr><tr><td><strong>Soins de sant\u00e9<\/strong><\/td><td>Suivre les constantes du patient ou les admissions \u00e0 l&rsquo;h\u00f4pital au fil du temps<\/td><\/tr><\/tbody><\/table><\/figure>\n\n<h3 class=\"wp-block-heading\">Types de mod\u00e8les de s\u00e9ries temporelles<\/h3>\n\n<ul class=\"wp-block-list\">\n<li><strong>Stationnaire :<\/strong> La moyenne et la variance restent constantes dans le temps<\/li>\n\n\n\n<li><strong>Non-stationnaire :<\/strong> La moyenne ou la variance change dans le temps (souvent en raison d&rsquo;une tendance ou d&rsquo;une saisonnalit\u00e9).<\/li>\n\n\n\n<li><strong>Univari\u00e9 :<\/strong> Analyse d&rsquo;une seule variable d\u00e9pendante du temps<\/li>\n\n\n\n<li><strong>Multivariable :<\/strong> Implique de multiples s\u00e9ries temporelles li\u00e9es entre elles<\/li>\n<\/ul>\n\n<h2 class=\"wp-block-heading\">Quelles sont les diff\u00e9rentes techniques d&rsquo;analyse des s\u00e9ries temporelles ?<\/h2>\n\n<ul class=\"wp-block-list\">\n<li><strong>Moyennes mobiles :<\/strong> Lisse les fluctuations \u00e0 court terme pour r\u00e9v\u00e9ler les tendances \u00e0 plus long terme.<\/li>\n\n\n\n<li><strong>Lissage exponentiel :<\/strong> les donn\u00e9es r\u00e9centes sont plus fortement pond\u00e9r\u00e9es<\/li>\n\n\n\n<li><strong>D\u00e9composition :<\/strong> S\u00e9pare la tendance, la saisonnalit\u00e9 et les r\u00e9sidus.<\/li>\n\n\n\n<li><strong>ARIMA (Moyenne mobile int\u00e9gr\u00e9e autor\u00e9gressive) :<\/strong> Largement utilis\u00e9 pour les pr\u00e9visions<\/li>\n\n\n\n<li><strong>Apprentissage automatique :<\/strong> Mod\u00e8les tels que LSTM et Prophet pour des pr\u00e9visions avanc\u00e9es<\/li>\n<\/ul>\n\n<p>Contrairement aux mod\u00e8les de r\u00e9gression classiques, l&rsquo;analyse des s\u00e9ries temporelles suppose que <strong>l&rsquo;ordre des points de donn\u00e9es est important<\/strong> et que l <strong>&lsquo;autocorr\u00e9lation joue un r\u00f4le<\/strong>. Vous devez donc traiter d&#8217;embl\u00e9e des aspects tels que le d\u00e9calage, la saisonnalit\u00e9 et la non-stationnarit\u00e9. <\/p>\n\n<p><strong>Mise en garde<\/strong>: les donn\u00e9es temporelles contiennent souvent du bruit et des valeurs manquantes, et l&rsquo;ajustement excessif est facile si vous ne faites pas attention \u00e0 la s\u00e9lection et \u00e0 la validation du mod\u00e8le.<\/p>\n\n<h2 class=\"wp-block-heading\">S\u00e9ries chronologiques et autres types de donn\u00e9es<\/h2>\n\n<p>Les donn\u00e9es de s\u00e9ries temporelles sont ordonn\u00e9es dans le temps, ce qui signifie que la s\u00e9quence des observations est importante. Chaque point de donn\u00e9es est li\u00e9 \u00e0 une date sp\u00e9cifique, et des mod\u00e8les tels que les tendances, la saisonnalit\u00e9 ou les relations d\u00e9cal\u00e9es existent souvent, contrairement aux donn\u00e9es transversales ou aux donn\u00e9es de panel. <\/p>\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th>Aspect<\/th><th>Donn\u00e9es de s\u00e9ries temporelles<\/th><th>Donn\u00e9es transversales<\/th><\/tr><\/thead><tbody><tr><td>Structure<\/td><td>Class\u00e9s par ordre chronologique<\/td><td>Instantan\u00e9 \u00e0 un moment donn\u00e9<\/td><\/tr><tr><td>Focus<\/td><td>Tendances et mod\u00e8les dans le temps<\/td><td>Diff\u00e9rences entre les entit\u00e9s<\/td><\/tr><tr><td>Exemples<\/td><td>Ventes quotidiennes, temp\u00e9rature horaire, recettes mensuelles<\/td><td>R\u00e9sultats d&rsquo;enqu\u00eates, donn\u00e9es d\u00e9mographiques sur les clients, ventes r\u00e9gionales<\/td><\/tr><\/tbody><\/table><\/figure>\n\n<h2 class=\"wp-block-heading\">Avantages de l&rsquo;analyse des s\u00e9ries temporelles<\/h2>\n\n<ul class=\"wp-block-list\">\n<li><strong>Pr\u00e9vision :<\/strong> Pr\u00e9dire les valeurs futures sur la base des tendances pass\u00e9es<\/li>\n\n\n\n<li><strong>D\u00e9tection des anomalies :<\/strong> Identifiez les pics, les chutes ou les comportements irr\u00e9guliers<\/li>\n\n\n\n<li><strong>Planification des ressources :<\/strong> Anticiper la demande et allouer les ressources de mani\u00e8re efficace<\/li>\n\n\n\n<li><strong>Suivi des performances :<\/strong> Suivez les indicateurs cl\u00e9s de performance en temps r\u00e9el ou au fil du temps.<\/li>\n\n\n\n<li><strong>La narration de donn\u00e9es :<\/strong> Montrez l&rsquo;\u00e9volution des performances de l&rsquo;entreprise<\/li>\n<\/ul>\n\n<h2 class=\"wp-block-heading\">Comment ClicData supporte l&rsquo;analyse des s\u00e9ries temporelles<\/h2>\n\n<p><strong>ClicData<\/strong> rend l&rsquo;analyse des s\u00e9ries temporelles simple et accessible gr\u00e2ce \u00e0 sa plateforme BI intuitive. Avec ClicData, vous pouvez :<\/p>\n\n<ul class=\"wp-block-list\">\n<li>Connectez-vous \u00e0 des donn\u00e9es temporelles provenant de <a href=\"https:\/\/www.clicdata.com\/fr\/plateforme\/integration-donnees\/\" data-type=\"page\" data-id=\"6080\">bases de donn\u00e9es, d&rsquo;API et d&rsquo;applications.<\/a><\/li>\n\n\n\n<li>Cr\u00e9ez des <a href=\"https:\/\/www.clicdata.com\/fr\/plateforme\/visualisation\/\" data-type=\"page\" data-id=\"6037\">tableaux de bord dynamiques<\/a> pour suivre les tendances et les comportements saisonniers.<\/li>\n\n\n\n<li>Cr\u00e9ez des filtres personnalis\u00e9s bas\u00e9s sur la date, des moyennes mobiles et des lignes de tendance.<\/li>\n\n\n\n<li><a href=\"https:\/\/www.clicdata.com\/fr\/plateforme\/data-automation\/\" data-type=\"page\" data-id=\"6098\">Automatiser les programmes de rafra\u00eechissement<\/a> pour maintenir les donn\u00e9es \u00e0 jour<\/li>\n\n\n\n<li><a href=\"https:\/\/www.clicdata.com\/fr\/plateforme\/data-sharing\/\" data-type=\"page\" data-id=\"6101\">Incorporer ou partager des<\/a> visualisations de s\u00e9ries temporelles interactives<\/li>\n<\/ul>\n\n<p>Qu&rsquo;il s&rsquo;agisse de pr\u00e9voir le chiffre d&rsquo;affaires, d&rsquo;analyser la fid\u00e9lisation des clients ou de suivre les indicateurs op\u00e9rationnels, ClicData vous donne les moyens de visualiser et d&rsquo;exploiter les donn\u00e9es temporelles sans configuration ni codage complexes.<\/p>\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n<h2 class=\"wp-block-heading\">FAQ sur l&rsquo;analyse des s\u00e9ries temporelles<\/h2>\n\n<div class=\"wp-block-wpseopress-faq-block-v2 is-layout-flow wp-block-wpseopress-faq-block-v2-is-layout-flow\" style=\"padding-top:var(--wp--preset--spacing--50);padding-right:0;padding-bottom:var(--wp--preset--spacing--50);padding-left:0\">\n<details id=\"how-do-i-check-if-a-time-series-is-stationary\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Comment v\u00e9rifier si une s\u00e9rie temporelle est stationnaire ?<\/strong><\/summary>\n<p>Utilisez des tests statistiques tels que :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Test de Dickey-Fuller augment\u00e9 (ADF)<\/li>\n\n\n\n<li>Test KPSS<\/li>\n<\/ul>\n\n\n\n<p>Vous pouvez \u00e9galement inspecter visuellement la s\u00e9rie : si la moyenne ou la variance change au fil du temps, il s&rsquo;agit probablement d&rsquo;une s\u00e9rie non stationnaire. La plupart des mod\u00e8les tels que l&rsquo;ARIMA exigent la stationnarit\u00e9, il se peut donc que vous deviez diff\u00e9rencier les donn\u00e9es ou appliquer des transformations telles que le logarithme ou le Box-Cox. <\/p>\n<\/details>\n\n\n\n<details id=\"whats-the-difference-between-trend-seasonality-and-cyclic-patterns\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Quelle est la diff\u00e9rence entre les tendances, la saisonnalit\u00e9 et les mod\u00e8les cycliques ?<\/strong><\/summary>\n<ul class=\"wp-block-list\">\n<li><strong>Tendance<\/strong>: Direction \u00e0 long terme des donn\u00e9es (par exemple, croissance r\u00e9guli\u00e8re).<\/li>\n\n\n\n<li><strong>Saisonnalit\u00e9<\/strong>: Des mod\u00e8les r\u00e9guliers \u00e0 court terme li\u00e9s au calendrier (par exemple, des pics mensuels).<\/li>\n\n\n\n<li><strong>Comportement cyclique<\/strong>: Fluctuations irr\u00e9guli\u00e8res, \u00e0 plus long terme, non li\u00e9es \u00e0 un calendrier (par exemple, les cycles \u00e9conomiques).<\/li>\n<\/ul>\n<\/details>\n\n\n\n<details id=\"how-do-i-handle-missing-data-in-time-series\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Comment traiter les donn\u00e9es manquantes dans les s\u00e9ries temporelles ?<\/strong><\/summary>\n<p>Les options comprennent<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Interpolation (lin\u00e9aire, spline, temporelle)<\/li>\n\n\n\n<li>Remplissage avant\/arri\u00e8re<\/li>\n\n\n\n<li>Imputation bas\u00e9e sur un mod\u00e8le<\/li>\n<\/ul>\n\n\n\n<p>\u00c9vitez d&rsquo;imputer aveugl\u00e9ment si les intervalles sont longs ou s&rsquo;il s&rsquo;agit de mod\u00e8les saisonniers. Cela peut fausser votre mod\u00e8le. <\/p>\n<\/details>\n\n\n\n<details id=\"how-do-i-evaluate-forecast-accuracy\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Comment \u00e9valuer la pr\u00e9cision des pr\u00e9visions ?<\/strong><\/summary>\n<p>Utilisez des mesures telles que :<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>MAE (erreur absolue moyenne)<\/li>\n\n\n\n<li>RMSE (Erreur quadratique moyenne)<\/li>\n\n\n\n<li>MAPE (erreur moyenne absolue en pourcentage)<\/li>\n\n\n\n<li>SMAPE (MAPE sym\u00e9trique) pour les s\u00e9ries bas\u00e9es sur des pourcentages<\/li>\n<\/ul>\n\n\n\n<p>Visualisez \u00e9galement les r\u00e9sidus pour v\u00e9rifier l&rsquo;absence d&rsquo;autocorr\u00e9lation ou de saisonnalit\u00e9.<\/p>\n<\/details>\n\n\n\n<details id=\"what-are-common-pitfalls-to-avoid\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Quels sont les pi\u00e8ges \u00e0 \u00e9viter ?<\/strong><\/summary>\n<ul class=\"wp-block-list\">\n<li>Ignorer la stationnarit\u00e9<\/li>\n\n\n\n<li>Ajustement excessif avec trop de retards ou de param\u00e8tres<\/li>\n\n\n\n<li>Interpr\u00e9tation erron\u00e9e de la corr\u00e9lation comme de la causalit\u00e9 dans les configurations multivari\u00e9es<\/li>\n\n\n\n<li>Ne pas valider les pr\u00e9visions \u00e0 l&rsquo;aide de donn\u00e9es hors \u00e9chantillon<\/li>\n\n\n\n<li>Utilisation d&rsquo;un lissage inappropri\u00e9 qui masque les anomalies<\/li>\n<\/ul>\n\n\n\n<p><\/p>\n<\/details>\n<script type=\"application\/ld+json\">{\"@context\":\"https:\/\/schema.org\",\"@type\":\"FAQPage\",\"url\":\"https:\/\/www.clicdata.com\/guides\/time-series-analysis\/\",\"@id\":\"https:\/\/www.clicdata.com\/guides\/time-series-analysis\/\",\"mainEntity\":[{\"@type\":\"Question\",\"url\":\"https:\/\/www.clicdata.com\/guides\/time-series-analysis\/#how-do-i-check-if-a-time-series-is-stationary\",\"name\":\"How do I check if a time series is stationary?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;p>Use statistical tests like:&lt;\/p>&lt;ul class=\\\"wp-block-list\\\">&lt;!-- wp:list-item -->\\n&lt;li>Augmented Dickey-Fuller (ADF) test&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>KPSS test&lt;\/li>\\n&lt;!-- \/wp:list-item -->&lt;\/ul>&lt;p>You can also visually inspect the series: if the mean or variance changes over time, it\u2019s likely non-stationary. Most models like ARIMA require stationarity, so you may need to difference the data or apply transformations like log or Box-Cox.&lt;\/p>\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/www.clicdata.com\/guides\/time-series-analysis\/#whats-the-difference-between-trend-seasonality-and-cyclic-patterns\",\"name\":\"What\u2019s the difference between trend, seasonality, and cyclic patterns?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;ul class=\\\"wp-block-list\\\">&lt;!-- wp:list-item -->\\n&lt;li>&lt;strong>Trend&lt;\/strong>: Long-term direction in the data (e.g., steady growth).&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>&lt;strong>Seasonality&lt;\/strong>: Short-term, regular patterns tied to calendar time (e.g., monthly spikes).&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>&lt;strong>Cyclic behavior&lt;\/strong>: Irregular, longer-term fluctuations not fixed to a calendar (e.g., business cycles).&lt;\/li>\\n&lt;!-- \/wp:list-item -->&lt;\/ul>\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/www.clicdata.com\/guides\/time-series-analysis\/#how-do-i-handle-missing-data-in-time-series\",\"name\":\"How do I handle missing data in time series?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;p>Options include:&lt;\/p>&lt;ul class=\\\"wp-block-list\\\">&lt;!-- wp:list-item -->\\n&lt;li>Interpolation (linear, spline, time-based)&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>Forward\/Backward fill&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>Model-based imputation&lt;\/li>\\n&lt;!-- \/wp:list-item -->&lt;\/ul>&lt;p>Avoid blindly imputing if the gaps are long or seasonal patterns are involved. This can distort your model.&lt;\/p>\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/www.clicdata.com\/guides\/time-series-analysis\/#how-do-i-evaluate-forecast-accuracy\",\"name\":\"How do I evaluate forecast accuracy?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;p>Use metrics like:&lt;\/p>&lt;ul class=\\\"wp-block-list\\\">&lt;!-- wp:list-item -->\\n&lt;li>MAE (Mean Absolute Error)&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>RMSE (Root Mean Squared Error)&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>MAPE (Mean Absolute Percentage Error)&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>SMAPE (Symmetric MAPE) for percentage-based series&lt;\/li>\\n&lt;!-- \/wp:list-item -->&lt;\/ul>&lt;p>Also visualize residuals to check for autocorrelation or missed seasonality.&lt;\/p>\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/www.clicdata.com\/guides\/time-series-analysis\/#what-are-common-pitfalls-to-avoid\",\"name\":\"What are common pitfalls to avoid?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"&lt;ul class=\\\"wp-block-list\\\">&lt;!-- wp:list-item -->\\n&lt;li>Ignoring stationarity&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>Overfitting with too many lags or parameters&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>Misinterpreting correlation as causation in multivariate setups&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>Failing to validate forecasts with out-of-sample data&lt;\/li>\\n&lt;!-- \/wp:list-item -->\\n\\n&lt;!-- wp:list-item -->\\n&lt;li>Using inappropriate smoothing that hides anomalies&lt;\/li>\\n&lt;!-- \/wp:list-item -->&lt;\/ul>\"}}]}<\/script><\/div>\n\n<p><\/p>\n","protected":false},"featured_media":0,"menu_order":0,"template":"","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"","_seopress_titles_title":"Int\u00e9gration de donn\u00e9es : Connectez n'importe quelle donn\u00e9e, de n'importe o\u00f9 | ClicData","_seopress_titles_desc":"Connectez-vous facilement \u00e0 plus de 500 sources de donn\u00e9es avec ClicData. Connecteurs intelligents, options de mise \u00e0 jour, Data Loader, et API de premi\u00e8re classe pour une int\u00e9gration transparente des donn\u00e9es.","_seopress_robots_index":"","_seopress_analysis_target_kw":""},"guide-section":[100586],"class_list":["post-3100042","guide","type-guide","status-publish","hentry","guide-section-analytics-types-data-use-cases-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.clicdata.com\/fr\/wp-json\/wp\/v2\/guide\/3100042","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.clicdata.com\/fr\/wp-json\/wp\/v2\/guide"}],"about":[{"href":"https:\/\/www.clicdata.com\/fr\/wp-json\/wp\/v2\/types\/guide"}],"wp:attachment":[{"href":"https:\/\/www.clicdata.com\/fr\/wp-json\/wp\/v2\/media?parent=3100042"}],"wp:term":[{"taxonomy":"guide-section","embeddable":true,"href":"https:\/\/www.clicdata.com\/fr\/wp-json\/wp\/v2\/guide-section?post=3100042"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}