{"id":1175,"date":"2026-04-11T20:22:29","date_gmt":"2026-04-11T20:22:29","guid":{"rendered":"https:\/\/cms.funnelsheet.com\/?p=1175"},"modified":"2026-04-11T20:22:29","modified_gmt":"2026-04-11T20:22:29","slug":"how-to-track-multiple-brands-under-one-ga4-and-bigquery-account","status":"publish","type":"post","link":"https:\/\/cms.funnelsheet.com\/?p=1175","title":{"rendered":"How to Track Multiple Brands Under One GA4 and BigQuery Account"},"content":{"rendered":"

Rastreamento de v\u00e1rias marcas sob uma \u00fanica conta GA4 e BigQuery \u00e9 uma demanda que aparece com frequ\u00eancia entre equipes de m\u00eddia paga que precisam conectar o investimento em an\u00fancios \u00e0 receita real, sem perder granularidade ou governan\u00e7a. Quando cada marca opera com silos de dados distintos, o resultado \u00e9 uma vis\u00e3o fragmentada: atribui\u00e7\u00e3o torta, canais que parecem performar bem apenas por coincid\u00eancia de dataset e uma incapacidade de comparar performance entre marcas de forma confi\u00e1vel. O que se paga nesse cen\u00e1rio n\u00e3o \u00e9 apenas precis\u00e3o; \u00e9 a velocidade para tomar decis\u00f5es (ou n\u00e3o tom\u00e1-las) com um n\u00edvel de confian\u00e7a que aguenta escrut\u00ednio de clientes, executivos e parceiros. Este artigo mapeia um caminho pr\u00e1tico para consolidar marcas em uma \u00fanica conta GA4 com BigQuery, sem sacrificar a nuance de cada marca nem a governan\u00e7a de dados.<\/p>\n

Meu objetivo aqui \u00e9 entregar n\u00e3o apenas teoria, mas um arcabou\u00e7o utiliz\u00e1vel que voc\u00ea possa aplicar hoje mesmo. Voc\u00ea vai ver como estruturar a conta, padronizar eventos e par\u00e2metros, pensar a camada de dados de forma cross-brand e, principalmente, criar consultas e dashboards que mostrem revenue, leads e atribui\u00e7\u00e3o por marca com o mesmo n\u00edvel de detalhe que voc\u00ea tem hoje por campanha. Ao longo do texto, voc\u00ea vai encontrar pontos cr\u00edticos de decis\u00e3o, armadilhas comuns (UTMs quebrados, GCLID que some no redirecionamento, diverg\u00eancia entre GA4 e BigQuery) e um roteiro claro de implementa\u00e7\u00e3o com checklists e valida\u00e7\u00f5es. No fim, a meta \u00e9 que voc\u00ea tenha um ecossistema de dados que responda: qual marca impacta mais o objetivo de neg\u00f3cio, em quais caminhos, e com qual margem de confian\u00e7a.<\/p>\n\n\n

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

Vis\u00e3o geral e desafios<\/h2>\n

Qual \u00e9 o problema quando v\u00e1rias marcas compartilham GA4?<\/h3>\n

O cerne do desafio \u00e9 a fragmenta\u00e7\u00e3o. Em muitos cen\u00e1rios, organiza\u00e7\u00f5es criam uma \u00fanica inst\u00e2ncia de GA4 com v\u00e1rias datas streams ou mant\u00eam datasets distintos por marca, mas sem um modelo de dados que permita cruzar eventos entre marcas. Sem esse modelo, fica dif\u00edcil responder perguntas como: qual marca gerou a maior receita no \u00faltimo m\u00eas quando o usu\u00e1rio realiza compras de diferentes marcas no mesmo caminho de compra? Como comparar o ROI de anunciar a Brand A versus Brand B sem confundir dados de or\u00e7amentos, criativos e jornadas? Al\u00e9m disso, a atribui\u00e7\u00e3o entre marcas tende a ficar enviesada quando n\u00e3o h\u00e1 um identificador comum, ou quando eventos de diferentes propriedades n\u00e3o s\u00e3o padronizados (nome de eventos, par\u00e2metros, UID). Em termos pr\u00e1ticos, isso se traduz em:<\/p>\n

– Dificuldade de reconcilia\u00e7\u00e3o de m\u00e9tricas entre GA4 e BigQuery quando as propriedades exportam para datasets distintos.
\n– Necessidade de estados de usu\u00e1rio (user_id, brand_context) que permitam manter a continuidade entre marcas no n\u00edvel de usu\u00e1rio.
\n– Desafios de governan\u00e7a: quem pode ver o que, como as altera\u00e7\u00f5es de configura\u00e7\u00e3o afetam o modelo de dados e como manter consist\u00eancia de naming conventions ao longo do tempo.<\/p>\n

\u201cO erro mais comum \u00e9 n\u00e3o planejar a governan\u00e7a de dados entre marcas e n\u00e3o padronizar o que \u00e9 contado como \u2018brand\u2019 em toda a jornada.\u201d<\/p><\/blockquote>\n

\u00c9 comum ouvir que \u201cuma \u00fanica conta GA4 resolve\u201d ou que \u201cBigQuery j\u00e1 permite cruzar dados de v\u00e1rias propriedades\u201d. A verdade \u00e9 mais pragm\u00e1tica: voc\u00ea precisa de uma arquitetura que permita cruzar dados entre marcas sem perder a autonomia de cada marca, mantendo a capacidade de auditar, validar e explicar n\u00fameros. Sem isso, a consolida\u00e7\u00e3o vira uma arma de consulta pesada que n\u00e3o entrega clareza no business impact. A boa not\u00edcia \u00e9 que, com as escolhas corretas de modelagem de dados, de naming convention e de governan\u00e7a, \u00e9 poss\u00edvel alcan\u00e7ar uma vis\u00e3o consolidada sem abrir m\u00e3o da granularidade por marca.<\/p>\n

Limites de BigQuery para dados de v\u00e1rias propriedades<\/h3>\n

BigQuery j\u00e1 facilita consultas entre datasets, o que \u00e9 essencial para um modelo cross-brand. Mas algumas armadilhas merecem aten\u00e7\u00e3o:<\/p>\n

– Exporta\u00e7\u00e3o GA4 por propriedade: cada propriedade GA4 exporta para um dataset distinto em BigQuery. Isso significa que, para consultas entre marcas, voc\u00ea precisa estruturar queries federadas que cruzem os datasets relevantes (events, users, e.g.). Sem uma camada de conven\u00e7\u00e3o, as jun\u00e7\u00f5es ficam fr\u00e1geis.<\/p>\n

– Consist\u00eancia de schema e nomes: eventos, par\u00e2metros (por exemplo, utm_source, campaign, medium) e campos de usu\u00e1rio precisam seguir um padr\u00e3o entre marcas para que as jun\u00e7\u00f5es sejam diretas. Pequenas varia\u00e7\u00f5es (ex.: channel, traffic_source) quebram a compara\u00e7\u00e3o.<\/p>\n

– Governan\u00e7a de acesso e reten\u00e7\u00e3o: com dados sens\u00edveis e multi-brand, a configura\u00e7\u00e3o de permiss\u00f5es no BigQuery (datasets, tables, views) precisa ser clara. Al\u00e9m disso, a reten\u00e7\u00e3o de dados pode variar entre marcas; a configura\u00e7\u00e3o de pol\u00edticas de reten\u00e7\u00e3o precisa ser alinhada ao compliance e LGPD.<\/p>\n

– Data freshness e consultas de hist\u00f3rico: ao consolidar dados ao longo de anos, as consultas podem ficar mais caras. Planeje views materializadas, particionamento por data e cache estrat\u00e9gico para n\u00e3o impactar o custo.<\/p>\n

\u201cBigQuery permite cruzar datasets, desde que voc\u00ea tenha uma camada de modelagem clara e jun\u00e7\u00f5es expl\u00edcitas entre marcas.\u201d<\/p><\/blockquote>\n

Estrutura recomendada de GA4 + BigQuery<\/h2>\n

Modelo de dados recomendado e naming conventions<\/h3>\n

A base de uma arquitetura robusta para m\u00faltiplas marcas come\u00e7a pela conven\u00e7\u00e3o de dados. Recomendamos adotar um modelo de dados com pelo menos os seguintes elementos:<\/p>\n

– Um GA4 property central por organiza\u00e7\u00e3o, com data streams separados por marca (Web, iOS, Android) sob a mesma estrutura de governan\u00e7a. Isso facilita a exporta\u00e7\u00e3o para BigQuery e facilita a identifica\u00e7\u00e3o de origem no n\u00edvel de dataset, sem perder a capacidade de cruzar information entre marcas.<\/p>\n

– Campos de marca padronizados: brand_id, brand_name, brand_market (opcional), e um field global de campaign_id quando aplic\u00e1vel. Em GA4, crie dimens\u00f5es personalizadas (custom dimensions) para brand_id e brand_name, associadas a cada evento relevante (page_view, purchase, lead, etc.).<\/p>\n

– Identificadores de usu\u00e1rio consistentes: use user_id entre marcas quando poss\u00edvel, ou crie um identificador de sess\u00f5es que preserve a continuidade entre jornadas que atravessam marcas diferentes. A ideia \u00e9 ter uma chave que permita reconhecer o mesmo usu\u00e1rio ao longo do tempo, mesmo com a transi\u00e7\u00e3o entre marcas.<\/p>\n

– Eventos padronizados: garanta que nomes de eventos (purchase, begin_checkout, add_to_cart, lead) e seus par\u00e2metros (value, currency, revenue, brand_id, source, medium) sejam consistentes entre marcas. Evite duplica\u00e7\u00e3o de nomes que tenham significados diferentes entre marcas.<\/p>\n

– Tabelas de apoio no BigQuery: crie views que agreguem dados por brand, por campanha e por janela de atribui\u00e7\u00e3o. Considere tabelas de refer\u00eancia para campanhas, criativos e canais para manter o contexto. Isso facilita a compara\u00e7\u00e3o cross-brand sem depender da presen\u00e7a de um mesmo dataset brinco espec\u00edfico. <\/p>\n

Data streams, audiences, e eventos cross-brand<\/h3>\n

Data streams encapsulam as fontes de dados de cada marca, mas \u00e9 fundamental harmonizar as audi\u00eancias e eventos para que a vis\u00e3o cross-brand seja fiel. Recomenda-se:<\/p>\n

– Harmonizar par\u00e2metros de audience entre marcas, definindo regras comuns (p. ex., “visitou_pagina_produto”, “ad_click”, “purchase_completado”) com equivalentes entre marcas para que Looker Studio ou dashboards possam apresentar m\u00e9tricas consolidadas sem ambiguidades.<\/p>\n

– Eventos cross-brand devem carregar o brand_context. Em GTM, capture o brand_id no data layer e envie-o como par\u00e2metro de eventos no GA4. Se poss\u00edvel, tamb\u00e9m inclua brand_id no user properties para facilitar a segmenta\u00e7\u00e3o persistente.<\/p>\n

– Audiences compartilhadas: se houver regras de retargeting entre marcas (por exemplo, usu\u00e1rios que visitaram v\u00e1rias marcas no mesmo funil), modele estas audi\u00eancias em GA4 com base no brand_id cruzado, mas mantenha a governan\u00e7a para evitar sobreposi\u00e7\u00f5es indesejadas em campanhas pagas.<\/p>\n

– Looker Studio e dashboards: organize as visualiza\u00e7\u00f5es para mostrar m\u00e9tricas por marca, por conjunto de campanhas e por canal, com a capacidade de descer para o n\u00edvel de evento. Um modelo consolidado facilita a compara\u00e7\u00e3o entre marcas sem perder a granularidade por marca.<\/p>\n

Estrat\u00e9gias de atribui\u00e7\u00e3o e modelagem<\/h2>\n

Atribui\u00e7\u00e3o entre marcas vs. atribui\u00e7\u00e3o dentro da marca<\/h3>\n

Atribui\u00e7\u00e3o entre marcas \u00e9, muitas vezes, o maior salto de confiabilidade: em vez de aceitar que cada marca \u00e9 avaliada isoladamente, voc\u00ea cria uma vis\u00e3o integrada da jornada do cliente. Considere:<\/p>\n

– Defini\u00e7\u00e3o de janela de atribui\u00e7\u00e3o unificada: por exemplo, 30 dias para m\u00eddia paga, com regras consistentes para brand interactions e convers\u00f5es offline. Em GA4, utilize modelos de atribui\u00e7\u00e3o baseados em dados (data-driven) quando dispon\u00edveis, mas garanta que o modelo seja aplicado de forma consistente em todas as marcas.<\/p>\n

– Consolida\u00e7\u00e3o de touchpoints: ao identificar que o mesmo usu\u00e1rio interage com Brand A, Brand B e, eventualmente, converte em Brand C, mantenha uma linha de tempo comum com timestamps consistentes. A an\u00e1lise de last interaction, first interaction ou multi-touch deve ser ajustada no contexto de cross-brand.<\/p>\n

– Reconcilia\u00e7\u00e3o de revenue: defina como interpretar a receita gerada por marcas distintas em cofins de uma jornada comum. Em BigQuery, crie uma camada de dados que some o revenue por marca e por jornada, mantendo a rastreabilidade de cada evento de origem (campanha, canal, criativo).<\/p>\n

– Sinaliza\u00e7\u00f5es de discrep\u00e2ncia: implemente valida\u00e7\u00f5es que ressaltem diverg\u00eancias entre GA4 e BigQuery para o mesmo conjunto de dados. Quando houver diverg\u00eancia, registre a hip\u00f3tese (por exemplo, lat\u00eancia de evento, atraso de envio, ou filtragem de bot).<\/p>\n

Coleta de first-party e consent mode considerations<\/h3>\n

Privacidade e LGPD imp\u00f5em realidades que n\u00e3o podem ser ignoradas. Em ambientes com consentimento vari\u00e1vel, a captura de dados precisa ser configurada com cuidado:<\/p>\n

– Consent Mode v2: implemente o Consent Mode para permitir que GA4 e o ecossistema de marketing ajustem o processamento de dados com o consentimento do usu\u00e1rio. Em cen\u00e1rios multi-brand, mantenha uma pol\u00edtica consistente para cada marca sem comprometer a governan\u00e7a de dados.<\/p>\n

– Dados first-party: priorize a captura de identifiers first-party (user_id, brand_id) para reduzir depend\u00eancia de cookies de terceiros. Em BigQuery, isso facilita cruzar dados entre marcas e manter a continuidade do usu\u00e1rio, mesmo com mudan\u00e7as de tecnologia de consentimento.<\/p>\n

– Gest\u00e3o de dados offline: quando convers\u00f5es offline entram no funil (WhatsApp, telefone, CRM), crie um fluxo de importa\u00e7\u00e3o que preserve a associa\u00e7\u00e3o com brand_id e campanhas. Em GA4, isso pode requerer o envio de convers\u00f5es offline via API ou planilha para BigQuery, mantendo o rastro de origem.<\/p>\n

Implementa\u00e7\u00e3o pr\u00e1tica e checklist<\/h2>\n

Valida\u00e7\u00e3o e checklist inicial<\/h3>\n
    \n
  1. Defina a arquitetura: GA4 property \u00fanica com data streams por marca; datasets no BigQuery correspondentes; e uma camada de views que unifique dados por brand.<\/li>\n
  2. Padronize eventos e par\u00e2metros: escolha nomes consistentes (purchase, lead, signup) e inclua brand_id, brand_name e user_id em cada evento relevante.<\/li>\n
  3. Configure GTM Server-Side e GTM Web para enviar contextos: crie data layer variables para brand_id, brand_name e adicione-os aos par\u00e2metros de eventos no GA4.<\/li>\n
  4. Habilite exporta\u00e7\u00e3o para BigQuery na(s) propriedade(ies) GA4: mantenha datasets separados por marca, mas planeje views para consolida\u00e7\u00e3o cross-brand.<\/li>\n
  5. Crie uma camada de modelagem em BigQuery: tabelas ou views que consolidem eventos por brand, com uma tabela de refer\u00eancia de campanhas e canais para cada brand.<\/li>\n
  6. Desenhe dashboards cross-brand: comece com Looker Studio ou Looker, com m\u00e9tricas consolidadas e drill-down por marca e por campanha; inclua m\u00e9tricas de revenue, leads e mapeamento de jornadas.<\/li>\n
  7. Implemente valida\u00e7\u00f5es cont\u00ednuas: alerts de discrep\u00e2ncia entre GA4 e BigQuery, checagens de dados ausentes e checks de consist\u00eancia de brand_id em eventos.<\/li>\n<\/ol>\n

    Na pr\u00e1tica, o segredo est\u00e1 na governan\u00e7a: renomeie campos de forma est\u00e1vel ao longo do tempo, trate mudan\u00e7as de criativo como eventos com contexto, e mantenha um dicion\u00e1rio de dados acess\u00edvel para a equipe de analytics, growth e dev. Abaixo, exemplifico como a arquitetura pode se comportar em uma opera\u00e7\u00e3o com v\u00e1rias marcas, incluindo campanhas de WhatsApp, UTM que quebra e atribui\u00e7\u00e3o entre plataformas.<\/p>\n

    Monitoramento, valida\u00e7\u00e3o e casos de uso<\/h2>\n

    Valida\u00e7\u00e3o de dados com Looker Studio e BigQuery<\/h3>\n

    Para manter a confian\u00e7a, configure valida\u00e7\u00f5es que perguntem: os eventos de cada brand chegam com brand_id correto? As convers\u00f5es est\u00e3o sendo atribu\u00eddas de forma coerente com a janela de atributo? O revenue agregado por marca bate com o ERP\/CRM quando importado? Use Looker Studio para criar pain\u00e9is que mostrem: receita por brand, custo por marca, CPA por brand, e uma linha do tempo unificada da jornada cross-brand. A valida\u00e7\u00e3o deve incluir compara\u00e7\u00f5es entre GA4 e BigQuery, com diferenciais audit\u00e1veis e log de altera\u00e7\u00f5es. Em BigQuery, utilize queries com partitioning por data para n\u00e3o pagar caro ao trazer per\u00edodos extensos de dados.<\/p>\n

    Erros comuns e corre\u00e7\u00f5es pr\u00e1ticas<\/h3>\n

    Erros frequentes costumam comprometer a confiabilidade do conjunto cross-brand. Exemplos pr\u00e1ticos:<\/p>\n

    – brand_id ausente em alguns eventos: adote valida\u00e7\u00e3o de data layer na p\u00e1gina e no GTM para garantir que cada evento carregue brand_id. Sem isso, a jun\u00e7\u00e3o entre marcas quebra.<\/p>\n

    – GCLID ou par\u00e2metros de campanha perdidos no redirecionamento: implemente fallback para par\u00e2metros de URL e valide a presen\u00e7a de utm_source\/utm_campaign em todas as pr\u00e1ticas de redirecionamento.<\/p>\n

    – Diverg\u00eancia entre GA4 e BigQuery: alinhe a time zone, a janela de lookback e requisitos de convers\u00e3o; estabele\u00e7a uma rotina de reconcilia\u00e7\u00e3o mensal para entender a varia\u00e7\u00e3o e ajustar modelos de atribui\u00e7\u00e3o.<\/p>\n

    – Dados offline n\u00e3o atribu\u00eddos corretamente: use um matching table para associar convers\u00f5es offline a eventos on-line com brand_id e user_id, mantendo a linha do tempo da jornada.<\/p>\n

    \u201cConsolidar marcas n\u00e3o \u00e9 apenas exportar dados para um mesmo lugar; \u00e9 alinhar o esquema de eventos, o brand_context e a governan\u00e7a para que a vis\u00e3o cross-brand seja realmente acion\u00e1vel.\u201d<\/p><\/blockquote>\n

    Casos de uso relevantes e cen\u00e1rios de implementa\u00e7\u00e3o<\/h2>\n

    Considere cen\u00e1rios reais, como campanhas de WhatsApp que quebram UTM, ou GCLID que some no redirecionamento. Em situa\u00e7\u00f5es assim, a arquitetura proposta ajuda a: manter o repasse de dados entre GA4 e BigQuery, preservar a continuidade da jornada do usu\u00e1rio e permitir a constru\u00e7\u00e3o de modelos de atribui\u00e7\u00e3o que considerem a contribui\u00e7\u00e3o de cada marca ao longo de 30 dias ou mais. Outro cen\u00e1rio comum \u00e9 o alinhamento entre CRM, WhatsApp Business API e GA4: quando uma lead fecha ap\u00f3s v\u00e1rias intera\u00e7\u00f5es com diferentes marcas, ter um brand_id consistente facilita o relat\u00f3rio de contribui\u00e7\u00e3o e o ROI efetivo de cada marca.<\/p>\n

    Al\u00e9m disso, a integra\u00e7\u00e3o com ferramentas de visualiza\u00e7\u00e3o como Looker Studio permite que o time de performance compare marcas de forma direta, sem perder a granularidade de fonte, campanha, criativo e etapa do funil. Em termos de governan\u00e7a, um conjunto bem definido de pol\u00edticas de dataset, naming e acesso evita que altera\u00e7\u00f5es acidentais causem desalinhamento nos dados.<\/p>\n

    Conclus\u00e3o pr\u00e1tica e pr\u00f3ximos passos<\/h2>\n

    Consolidar v\u00e1rias marcas sob uma \u00fanica conta GA4 e BigQuery n\u00e3o \u00e9 magia; \u00e9 arquitetura de dados com governan\u00e7a clara. Comece definindo a estrutura de conta, padronizando eventos e preparando o caminho para consultas cross-brand no BigQuery via views e queries consistentes. Monte dashboards que entreguem a vis\u00e3o consolidada sem perder a linha de cada marca, e implemente valida\u00e7\u00f5es que detectem desvios e problemas de qualidade antes que vire decis\u00e3o errada. O pr\u00f3ximo passo concreto \u00e9 iniciar um diagn\u00f3stico t\u00e9cnico com a equipe de dados para mapear onde seus datasets j\u00e1 est\u00e3o e quais ajustes de naming, de data layer e de exporta\u00e7\u00e3o s\u00e3o necess\u00e1rios para chegar a uma consolida\u00e7\u00e3o confi\u00e1vel hoje mesmo. Se quiser, agende uma consultoria de diagn\u00f3stico de 90 minutos para tra\u00e7armos o caminho com base no seu stack atual (GA4, GTM Web, GTM Server-Side, BigQuery, Looker Studio) e definirmos as a\u00e7\u00f5es priorit\u00e1rias para a sua opera\u00e7\u00e3o.<\/p>","protected":false},"excerpt":{"rendered":"

    Rastreamento de v\u00e1rias marcas sob uma \u00fanica conta GA4 e BigQuery \u00e9 uma demanda que aparece com frequ\u00eancia entre equipes de m\u00eddia paga que precisam conectar o investimento em an\u00fancios \u00e0 receita real, sem perder granularidade ou governan\u00e7a. Quando cada marca opera com silos de dados distintos, o resultado \u00e9 uma vis\u00e3o fragmentada: atribui\u00e7\u00e3o torta,…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[4],"tags":[15,20,381,13,39],"content_language":[5],"class_list":["post-1175","post","type-post","status-publish","format-standard","hentry","category-blogen","tag-atribuicao","tag-bigquery","tag-consolidacao-de-marcas","tag-ga4","tag-governanca-de-dados","content_language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=\/wp\/v2\/posts\/1175","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1175"}],"version-history":[{"count":0,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=\/wp\/v2\/posts\/1175\/revisions"}],"wp:attachment":[{"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1175"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1175"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1175"},{"taxonomy":"content_language","embeddable":true,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcontent_language&post=1175"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}