D\u00f3i ver datas de WhatsApp que n\u00e3o se conectam com o restante do funil: mensagens que n\u00e3o geram leads, leads que n\u00e3o viram receita, e n\u00fameros de GA4 ou Meta que simplesmente n\u00e3o batem. Um dashboard moderno para WhatsApp precisa ir al\u00e9m de \u201cn\u00famero de mensagens enviadas\u201d e falar a l\u00edngua do neg\u00f3cio: qual conversa levou a cliente, em que etapa houve drop-off, e como a convers\u00e3o offline (telefone ou WhatsApp) se conecta ao investimento de m\u00eddia. O desafio real \u00e9 construir uma vis\u00e3o unificada que combine WhatsApp Business API, CRM, dados de aquisi\u00e7\u00e3o em GA4 e eventos offline, tudo em uma \u00fanica tela, atualizada com dados reais, sem depender de planilhas fr\u00e1geis. Este artigo mostra como chegar a esse dashboard em aproximadamente uma hora, com Looker Studio e uma configura\u00e7\u00e3o pr\u00e1tica baseada em dados reais, sem promessas gen\u00e9ricas.<\/p>\n
Neste guia, voc\u00ea vai ver exatamente o que mapear, como estruturar a camada de dados e quais decis\u00f5es tomar ao montar o painel, sem perder tempo com etapas redundantes. O objetivo n\u00e3o \u00e9 criar um relat\u00f3rio bonito, mas um painel que responda \u00e0 pergunta cr\u00edtica: onde a conversa de WhatsApp se transforma em receita, e qual canal realmente financia esse efeito? A partir disso, o leitor sai capaz de diagnosticar gaps, corrigir o fluxo de dados e manter a governan\u00e7a de dados em dia, mesmo quando houver dados offline ou varia\u00e7\u00f5es entre plataformas. A tese central \u00e9 simples: conectando WhatsApp API, CRM e dados de atribui\u00e7\u00e3o em uma camada preparada no BigQuery e visualizada no Looker Studio, voc\u00ea gera decis\u00f5es r\u00e1pidas com base em dados reais, n\u00e3o suposi\u00e7\u00f5es.<\/p>\n
Antes de abrir o Looker Studio, \u00e9 essencial deixar claro quais fontes de dados participam do dashboard de WhatsApp. O ecossistema t\u00edpico envolve tr\u00eas pilares: (1) WhatsApp Business API para mensagens, status, tempo de resposta e intera\u00e7\u00f5es; (2) CRM\/atendimento para est\u00e1gio de lead, pipeline e fechamento; (3) dados de aquisi\u00e7\u00e3o e convers\u00e3o em GA4 ou logs de CRM que capturem offline (convers\u00f5es por telefone, WhatsApp, ou formul\u00e1rios). Em muitos cen\u00e1rios, o volume de dados precisa passar por BigQuery para cross-daciar as informa\u00e7\u00f5es com consist\u00eancia de chave (lead_id, contato_id, session_id, gclid, etc.). Sem esse alinhamento, fica imposs\u00edvel diferenciar, por exemplo, uma conversa que gerou lead versus uma conversa que apenas gerou clique sem efeito na venda real.<\/p>\n
\n\u00c9 comum ver diverg\u00eancia entre mensagens enviadas pelo WhatsApp e registros de CRM; a valida\u00e7\u00e3o cruzada \u00e9 indispens\u00e1vel para n\u00e3o confundir contato com convers\u00e3o.<\/p>\n<\/blockquote>\n
Para come\u00e7ar, mapeie: qual \u00e9 a fonte de verdade para cada evento? No WhatsApp, pense em eventos como message_sent, message_delivered, message_read e user_reply. No CRM, tracke lead_id, oportunidade, est\u00e1gio, valor total e fechamento. Em GA4, observe eventos de engajamento, convers\u00f5es assistidas e a janela de atribui\u00e7\u00e3o que voc\u00ea aceita. Em BigQuery, planeje tabelas que juntem esses eventos com o canal de origem (utm_source\/medium, gclid), a data de contato, a primeira intera\u00e7\u00e3o e a data de fechamento. Se voc\u00ea usa consentimento de dados, leve em conta Consent Mode v2 e pol\u00edticas de LGPD para evitar mostrar dados que n\u00e3o podem ser usados para atribui\u00e7\u00e3o. A ideia \u00e9 ter uma linha de \u00e1gua \u00fanica que permita cruzar: quem viu o an\u00fancio, quem clicou, quem recebeu a mensagem, quem respondeu e quem fechou.<\/p>\n
\nQuando o pipeline de dados cruza WhatsApp, CRM e offline, voc\u00ea deixa de depender de sinais isolados que tendem a mentir em momentos de pico de volume.<\/p>\n<\/blockquote>\n
Arquitetura r\u00e1pida para o dashboard<\/h2>\n
A arquitetura pr\u00e1tica para entregar um dashboard com dados reais envolve tr\u00eas camadas distintas, mas integradas: ingest\u00e3o e modelagem de dados no BigQuery, prepara\u00e7\u00e3o de dados para o Looker Studio e o layout anal\u00edtico no painel. A vantagem de essa abordagem \u00e9 a capacidade de aplicar regras de neg\u00f3cio (ex.: tempo m\u00e1ximo entre clique e primeira mensagem, tempo m\u00e9dio de resposta, taxa de convers\u00e3o por est\u00e1gio) sem depender de diversas planilhas que perdem atualiza\u00e7\u00e3o a cada minuto.<\/p>\n
Conectar Looker Studio a BigQuery \u00e9 o caminho natural quando se lida com dados que exigem jun\u00e7\u00e3o entre grandes volumes de eventos (WhatsApp API), dados estruturados do CRM e logs de convers\u00f5es offline. A documenta\u00e7\u00e3o oficial do Looker Studio orienta como conectar BigQuery, criar fontes de dados e construir visualiza\u00e7\u00f5es que combinem essas tabelas de forma est\u00e1vel e perform\u00e1tica. Al\u00e9m disso, \u00e9 comum complementar com feeds de GA4 para entender o percurso do usu\u00e1rio antes do engajamento via WhatsApp. A disponibilidade de conectores diretos facilita essa jun\u00e7\u00e3o, mas a melhor pr\u00e1tica \u00e9 consolidar as jun\u00e7\u00f5es no BigQuery e apenas trazer views prontas para o Looker Studio.<\/p>\n
\nConectar o Looker Studio ao BigQuery para consolidar dados \u00e9 o passo que transforma dados dispersos em insights acion\u00e1veis, especialmente quando offline e online precisam falar a mesma l\u00edngua.<\/p>\n<\/blockquote>\n
Alguns pontos t\u00e9cnicos que ajudam a manter o dashboard confi\u00e1vel:<\/p>\n
\n
- Crie uma camada de modelagem no BigQuery com views que j\u00e1 juntem eventos de WhatsApp, leads do CRM e convers\u00f5es offline por cliente ou contato. Evita-se repeti\u00e7\u00e3o de jun\u00e7\u00f5es no Looker Studio e facilita auditoria de dados.<\/li>\n
- Estabele\u00e7a uma taxonomia de campos comum: lead_id (ou contato_id), canal (utm_source), data_evento, data_conversao, valor_conversao, e status_de_conversa (respondida, n\u00e3o respondida, convertida).<\/li>\n
- Defina janelas de atribui\u00e7\u00e3o claras (p. ex., janela de 7 dias para atribui\u00e7\u00e3o de primeiro clique para WhatsApp; 30 dias para convers\u00e3o final) e registre qual janela est\u00e1 sendo usada para cada m\u00e9trica. Tenha em mente que o tempo de lead a venda pode variar bastante por setor e por tipo de venda via WhatsApp.<\/li>\n
- Considere Consent Mode v2 para dados de convers\u00e3o; explique aos times onde os dados podem ser limitados pela privacidade e como isso afeta a atribui\u00e7\u00e3o.<\/li>\n<\/ul>\n
Quando j\u00e1 h\u00e1 BigQuery na jogada, o Looker Studio consome apenas as views prontas, o que facilita manter o painel r\u00e1pido e est\u00e1vel mesmo com picos de tr\u00e1fego. Em termos de fontes, as liga\u00e7\u00f5es t\u00edpicas que voc\u00ea poder\u00e1 usar no Looker Studio s\u00e3o BigQuery (com a view criada), GA4 para visita e engajamento, e, se houver, um conector de CRM (ou arquivo exportado) para trazer dados de pipeline. Em combina\u00e7\u00f5es mais avan\u00e7adas, voc\u00ea pode incorporar dados do WhatsApp Business API, conectando diretamente via API ou atrav\u00e9s de pipelines de dados dedicados, caso sua infraestrutura permita. A documenta\u00e7\u00e3o oficial do BigQuery e do Looker Studio orienta esses fluxos; explore as se\u00e7\u00f5es de modelagem de dados, cria\u00e7\u00e3o de views e conectores para entender as melhores pr\u00e1ticas.<\/p>\n
Construindo o dashboard em uma hora<\/h2>\n
Agora chega a parte pr\u00e1tica: como montar o painel no Looker Studio de forma \u00e1gil, sem sacrificar qualidade. A ideia \u00e9 ter um conjunto de vis\u00f5es que respondam a perguntas cr\u00edticas: qual \u00e9 a taxa de resposta por campanha, quanto tempo levou para converter ap\u00f3s a primeira mensagem, e qual parte da receita pode ser atribu\u00edda a mensagens via WhatsApp em cada canal? Abaixo est\u00e1 um roteiro objetivo, com foco na decis\u00e3o r\u00e1pida e na confiabilidade dos dados.<\/p>\n
Passos r\u00e1pidos de configura\u00e7\u00e3o<\/h3>\n
\n
- Defina o objetivo do dashboard: quais m\u00e9tricas de WhatsApp importam para voc\u00ea (tempo de resposta, taxa de convers\u00e3o por conversa, receita atribu\u00edda, pipeline de leads) e qual janela de atribui\u00e7\u00e3o ser\u00e1 usada (padr\u00e3o de 7 dias para primeira intera\u00e7\u00e3o, 30 dias para convers\u00f5es).<\/li>\n
- Conecte BigQuery ao Looker Studio e selecione a view que j\u00e1 junta WhatsApp, CRM e dados offline. Evite conectar v\u00e1rias tabelas separadas sem uma camada de prepara\u00e7\u00e3o; prefira uma \u00fanica fonte que traga j\u00e1 as m\u00e9tricas calculadas.<\/li>\n
- Crie campos calculados essenciais no Looker Studio (por exemplo, tempo entre primeira mensagem e primeira resposta, taxa de resposta, taxa de convers\u00e3o por lead, valor de venda atribu\u00eddo a cada lead).<\/li>\n
- Projete o layout do painel com foco em decis\u00e3o: linha do tempo de mensagens, funil de leads, mapa de convers\u00f5es por canal, e um bloco de valor por canal. Reserve espa\u00e7o para uma se\u00e7\u00e3o de valida\u00e7\u00e3o de dados (resultado da jun\u00e7\u00e3o entre WhatsApp, CRM e offline).<\/li>\n
- Implemente valida\u00e7\u00f5es simples: verifique consist\u00eancia de IDs (lead_id\/contato_id), datas lidas vs. datas registradas, e se as convers\u00f5es offline aparecem com o mesmo identificador que o lead criado no CRM.<\/li>\n
- Teste com alguns conjuntos de dados representativos (picos de campanha e per\u00edodos de menor tr\u00e1fego) para assegurar que n\u00e3o h\u00e1 ruptura de filtros ou desbalanceamento de m\u00e9tricas entre fontes.<\/li>\n<\/ol>\n
Ao seguir esse roteiro, voc\u00ea chegar\u00e1 a um painel funcional em menos de uma hora, capaz de responder perguntas como: que canal est\u00e1 gerando maior volume de convers\u00f5es via WhatsApp? Qual \u00e9 o tempo m\u00e9dio entre o clique e a primeira conversa? Em que est\u00e1gio do funil ocorrem as perdas mais relevantes? Lembre-se de testar com dados reais, n\u00e3o apenas com cen\u00e1rios ideais; a diferen\u00e7a entre teoria e pr\u00e1tica costuma aparecer logo nos primeiros dias de produ\u00e7\u00e3o.<\/p>\n
Valida\u00e7\u00e3o de dados em tempo real<\/h3>\n
Valida\u00e7\u00e3o \u00e9 o que separa um dashboard utiliz\u00e1vel de um relat\u00f3rio bonito. Quanto mais voc\u00ea puder validar, menos ru\u00eddo ter\u00e1 na tomada de decis\u00e3o. Em Looker Studio, voc\u00ea pode criar filtros simples que comparam contagens por fonte (WhatsApp vs. formul\u00e1rios, chamadas, etc.), ou cruzar com janelas de tempo para confirmar que a atribui\u00e7\u00e3o est\u00e1 alinhada com a janela de convers\u00e3o. Em BigQuery, mantenha uma rotina de checagem com verifica\u00e7\u00f5es de integridade de dados, como: aus\u00eancia de correspond\u00eancia entre lead_id nas tabelas de WhatsApp e CRM, ou discrep\u00e2ncias entre a contagem de mensagens enviadas e a contagem de leads gerados no CRM. Esse tipo de valida\u00e7\u00e3o ajuda a evitar que o dashboard repasse dados inv\u00e1lidos para o gestor ou para o cliente.<\/p>\n
Decis\u00f5es, limita\u00e7\u00f5es e cen\u00e1rios de uso<\/h2>\n
Nem toda empresa consegue, de in\u00edcio, implantar uma solu\u00e7\u00e3o completa de dados que una WhatsApp, CRM e dados offline. Em alguns cen\u00e1rios, a solu\u00e7\u00e3o ideal depende de contexto espec\u00edfico do neg\u00f3cio, como a disponibilidade de dados offline, a estrat\u00e9gia de aquisi\u00e7\u00e3o (campanhas com UTM, tags no WhatsApp, ou integra\u00e7\u00f5es com plataformas de atendimento), ou o tipo de CRM utilizado (HubSpot, RD Station, etc.). \u00c9 comum que haja limita\u00e7\u00f5es: por exemplo, nem todas as mensagens capturam o mesmo n\u00edvel de detalhe no CRM, ou h\u00e1 restri\u00e7\u00f5es de consentimento que afetam a contagem de convers\u00f5es. Nesses casos, o dashboard deve sinalizar claramente quais m\u00e9tricas s\u00e3o estimadas, quais s\u00e3o limitadas pela privacidade e quais dependem de dados adicionais para uma atribui\u00e7\u00e3o mais robusta.<\/p>\n
Sinais de que o setup pode estar quebrado<\/h3>\n
\n
- Conflitos entre a data da mensagem e a data de convers\u00e3o que n\u00e3o parecem coerentes com a janela de atribui\u00e7\u00e3o definida.<\/li>\n
- IDs que n\u00e3o batem entre WhatsApp API, CRM e eventos offline, gerando duplas contagens ou gaps de leads.<\/li>\n
- Diferen\u00e7as significativas entre n\u00fameros exibidos no Looker Studio e o que chega no CRM ou no sistema de atendimento.<\/li>\n
- Conformidade de dados ausente para consent mode ou limita\u00e7\u00f5es por LGPD que mudam a disponibilidade de dados sens\u00edveis ou identificadores.<\/li>\n<\/ul>\n
Quando esses sinais aparecem, \u00e9 crucial revisitar a camada de dados no BigQuery: verifique a modelagem, jun\u00e7\u00f5es e as chaves de correla\u00e7\u00e3o entre eventos de WhatsApp, leads do CRM e convers\u00f5es offline. A arquitetura de dados precisa permitir transpar\u00eancia: quem fez a primeira intera\u00e7\u00e3o, quem respondeu, e como isso se traduz em receita. Em termos de governan\u00e7a, mantenha documenta\u00e7\u00e3o simples sobre as regras de atribui\u00e7\u00e3o e as pol\u00edticas de privacidade aplicadas, para que o time de BI possa auditar as transforma\u00e7\u00f5es sem depender do conhecimento privado de algu\u00e9m.<\/p>\n
Erros comuns com corre\u00e7\u00f5es pr\u00e1ticas<\/h2>\n
A pr\u00e1tica mostra que alguns padr\u00f5es costumam reaparecer em dashboards de WhatsApp. Abaixo, listo problemas recorrentes e solu\u00e7\u00f5es diretas para cada um deles.<\/p>\n
Erros comuns e como corrigir<\/h3>\n
\n
- N\u00e3o preservar a cadeia de identifica\u00e7\u00e3o entre WhatsApp e CRM. Corre\u00e7\u00e3o: padronize um identificador \u00fanico (lead_id\/contato_id) na API do WhatsApp e exiba esse mesmo ID no CRM e nas tabelas do BigQuery para jun\u00e7\u00f5es consistentes.<\/li>\n
- Dados offline n\u00e3o considerados na atribui\u00e7\u00e3o. Corre\u00e7\u00e3o: inclua convers\u00f5es offline em uma camada do BigQuery com um identificador comum, para que Looker Studio possa refletir a receita atribu\u00edda a conversas offline tamb\u00e9m.<\/li>\n
- Perda de dados por Consent Mode. Corre\u00e7\u00e3o: documente as limita\u00e7\u00f5es de consentimento e sinalize no painel quais m\u00e9tricas s\u00e3o afetadas pela indisponibilidade de dados e como isso impacta a atribui\u00e7\u00e3o.<\/li>\n
- Atraso na atualiza\u00e7\u00e3o entre fontes. Corre\u00e7\u00e3o: implemente uma janela de atualiza\u00e7\u00e3o para cada fonte e garanta que o Looker Studio recupere a partir de uma view est\u00e1vel, minimizando lacunas de dados durante picos.<\/li>\n
- Vis\u00e3o muito gen\u00e9rica que n\u00e3o ajuda na decis\u00e3o. Corre\u00e7\u00e3o: inclua m\u00e9tricas acion\u00e1veis (tempo at\u00e9 resposta, tempo at\u00e9 convers\u00e3o, taxa de resposta por campanha, receita atribu\u00edda por canal) com visualiza\u00e7\u00f5es que priorizam decis\u00f5es r\u00e1pidas.<\/li>\n<\/ul>\n
Adapta\u00e7\u00e3o \u00e0 realidade do projeto ou do cliente<\/h2>\n
Projetos de ag\u00eancia costumam exigir padroniza\u00e7\u00f5es r\u00e1pidas e entreg\u00e1veis que satisfa\u00e7am clientes com diferentes n\u00edveis de maturidade de dados. Em muitos casos, o cliente tem uma infraestrutura de CRM espec\u00edfica (HubSpot ou RD Station), usa Google Ads e Meta, mas n\u00e3o disp\u00f5e de BigQuery ainda. Nesse cen\u00e1rio, uma estrat\u00e9gia mais conservadora \u00e9 montar uma camada de dados enxuta: conectores diretos do Looker Studio para GA4 e CRM, com exporta\u00e7\u00f5es peri\u00f3dicas, enquanto se constr\u00f3i a ponte para BigQuery para a vers\u00e3o final do dashboard de WhatsApp. O importante \u00e9 manter o principle: dados de WhatsApp, dados de CRM e dados offline precisam falar a mesma l\u00edngua. Documente as limita\u00e7\u00f5es e apresente um plano de evolu\u00e7\u00e3o com prazos claros para o cliente e para a equipe interna.<\/p>\n
Se o projeto envolve m\u00faltiplos clientes, estabele\u00e7a uma padroniza\u00e7\u00e3o de nomenclatura, das chaves de jun\u00e7\u00e3o e de as regras de atribui\u00e7\u00e3o. Uma \u00e1rvore de decis\u00e3o simples pode economizar tempo em novas implementa\u00e7\u00f5es, evitando que cada cliente tenha um modelo diferente de dados. Por fim, mantenha o dashboard vivo com revis\u00f5es peri\u00f3dicas: verifique se as fontes seguem est\u00e1veis, se houve altera\u00e7\u00f5es de API ou de pol\u00edticas de privacidade e se as metas de neg\u00f3cio continuam alinhadas com a visualiza\u00e7\u00e3o apresentada.<\/p>\n
\u00c1rvore de decis\u00e3o pr\u00e1tica para escolher entre abordagens de dados<\/h3>\n
\n
- Se o objetivo \u00e9 velocidade de entrega para clientes que n\u00e3o t\u00eam infraestrutura de BigQuery, comece com Looker Studio conectando GA4 e CRM, com exporta\u00e7\u00f5es de offline em CSV e importa\u00e7\u00e3o para um data source simples. Em fases posteriores, migre para BigQuery para maior controle e escalabilidade.<\/li>\n
- Se h\u00e1 necessidade de correlacionar milh\u00f5es de mensagens com centenas de milh\u00f5es de linhas de CRM, use BigQuery como camada \u00fanica de dados e traga apenas views preparadas para o Looker Studio.<\/li>\n
- Para privacidade e conformidade, priorize Consent Mode v2 e pol\u00edticas de LGPD desde o in\u00edcio, deixando claro no painel quando dados est\u00e3o limitados pela configura\u00e7\u00e3o de consentimento.<\/li>\n
- Se a qualidade de dados falhar, pare e corrija a origem do problema (IDs, jun\u00e7\u00f5es, timestamps) antes de ajustar o painel. A precis\u00e3o da fonte evita que o dashboard se torne ru\u00eddo.<\/li>\n<\/ul>\n
O resultado \u00e9 um dashboard de WhatsApp que entrega visibilidade r\u00e1pida sobre o que realmente converge para receita, com dados reais, conectados de forma sustent\u00e1vel e pass\u00edveis de auditoria. O painel n\u00e3o apenas mostra n\u00fameros; ele aponta onde investir tempo de desenvolvimento, onde ajustar a estrat\u00e9gia de atendimento e como melhorar a qualidade de dados para decis\u00f5es futuras.<\/p>\n
Pr\u00f3ximo passo: pe\u00e7a ao time de dados para criar a view no BigQuery que una WhatsApp API, CRM e offline, e conecte esse conjunto ao Looker Studio para o painel inicial. A implementa\u00e7\u00e3o cuidadosa dessa estrutura j\u00e1 garante que, ao navegar pelo dashboard, voc\u00ea tenha clareza suficiente para agir com rapidez e precis\u00e3o, sem perder tempo com ajustes repetidos ou com dados que n\u00e3o far\u00e3o sentido aos olhos do neg\u00f3cio.<\/p>\n","protected":false},"excerpt":{"rendered":"
D\u00f3i ver datas de WhatsApp que n\u00e3o se conectam com o restante do funil: mensagens que n\u00e3o geram leads, leads que n\u00e3o viram receita, e n\u00fameros de GA4 ou Meta que simplesmente n\u00e3o batem. Um dashboard moderno para WhatsApp precisa ir al\u00e9m de \u201cn\u00famero de mensagens enviadas\u201d e falar a l\u00edngua do neg\u00f3cio: qual conversa…<\/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":[3],"tags":[9,13,26,7,62],"content_language":[6],"class_list":["post-1447","post","type-post","status-publish","format-standard","hentry","category-blogbr","tag-crm","tag-ga4","tag-looker-studio","tag-whatsapp","tag-whatsapp-business-api","content_language-br"],"acf":[],"_links":{"self":[{"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=\/wp\/v2\/posts\/1447","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=1447"}],"version-history":[{"count":0,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=\/wp\/v2\/posts\/1447\/revisions"}],"wp:attachment":[{"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1447"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1447"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1447"},{"taxonomy":"content_language","embeddable":true,"href":"https:\/\/cms.funnelsheet.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcontent_language&post=1447"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}