{"id":209,"date":"2026-05-20T22:34:18","date_gmt":"2026-05-20T22:34:18","guid":{"rendered":"https:\/\/nils-becker.org\/?p=209"},"modified":"2026-05-20T22:35:16","modified_gmt":"2026-05-20T22:35:16","slug":"crisp-dm-einfach-erklaert-der-standardprozess-fuer-data-science-und-machine-learning-projekte","status":"publish","type":"post","link":"https:\/\/nils-becker.org\/?p=209","title":{"rendered":"CRISP-DM einfach erkl\u00e4rt \u2013 Der Standardprozess f\u00fcr Data-Science-und Machine-Learning-Projekte"},"content":{"rendered":"\n<p><\/p>\n\n\n\n<p>CRISP-DM steht f\u00fcr <em>Cross-Industry Standard Process for Data Mining<\/em>. Urspr\u00fcnglich wurde das Modell f\u00fcr klassische Data-Mining-Projekte entwickelt, heute wird es jedoch allgemein f\u00fcr Data-Science-, Analytics- und Machine-Learning-Projekte eingesetzt.<\/p>\n\n\n\n<p>CRISP-DM beschreibt einen strukturierten und iterativen Prozess zur Entwicklung datengetriebener L\u00f6sungen. Dabei besteht der Zyklus aus sechs Phasen:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Business Understanding<\/li>\n\n\n\n<li>Data Understanding<\/li>\n\n\n\n<li>Data Preparation<\/li>\n\n\n\n<li>Modeling<\/li>\n\n\n\n<li>Evaluation<\/li>\n\n\n\n<li>Deployment<\/li>\n<\/ol>\n\n\n\n<p>Der Prozess ist zyklisch aufgebaut. Nach einer Iteration kann erneut mit der Business-Understanding-Phase begonnen werden, um Modelle und Prozesse weiter zu verbessern.<\/p>\n\n\n\n<p>Wichtig ist dabei: Die Phasen sind nicht strikt linear. In der Praxis springt man h\u00e4ufig zwischen einzelnen Phasen hin und her. Besonders h\u00e4ufig passiert das zwischen:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Business Understanding &#x2194; Data Understanding<\/li>\n\n\n\n<li>Data Preparation &#x2194; Modeling<\/li>\n<\/ul>\n\n\n\n<p>Ein typisches Beispiel: Daten wurden zun\u00e4chst f\u00fcr einen Entscheidungsbaum vorbereitet. Anschlie\u00dfend soll zus\u00e4tzlich ein neuronales Netz trainiert werden, das andere Anforderungen an die Datenrepr\u00e4sentation hat. Dadurch wird ein erneuter Wechsel zur\u00fcck in die Data-Preparation-Phase notwendig.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">1. Business Understanding<\/h1>\n\n\n\n<p>Die Business-Understanding-Phase bildet die Grundlage eines erfolgreichen Projekts. H\u00e4ufig ist das urspr\u00fcngliche Problem zun\u00e4chst noch relativ abstrakt und muss erst konkretisiert werden.<\/p>\n\n\n\n<p>In dieser Phase werden:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Ziele,<\/li>\n\n\n\n<li>Anforderungen,<\/li>\n\n\n\n<li>Rahmenbedingungen,<\/li>\n\n\n\n<li>Risiken,<\/li>\n\n\n\n<li>Erfolgskriterien<\/li>\n<\/ul>\n\n\n\n<p>aus Sicht des Unternehmens definiert.<\/p>\n\n\n\n<p>Dabei ist besonders wichtig, dass Erfolgskriterien gesch\u00e4ftlicher und nicht rein technischer Natur sind.<\/p>\n\n\n\n<p>Ein Ziel lautet beispielsweise nicht: \u201eWir m\u00f6chten ein Modell mit 95 % Genauigkeit.\u201c<\/p>\n\n\n\n<p>Sondern eher:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>\u201e50 % der Kundenanfragen sollen automatisiert beantwortet werden.\u201c<\/li>\n\n\n\n<li>\u201eDie Maschinenausfallzeit soll um 3 % reduziert werden.\u201c<\/li>\n<\/ul>\n\n\n\n<p>Diese Trennung ist wichtig, da ein technisch \u201eschlechteres\u201c Modell unter Umst\u00e4nden trotzdem einen hohen gesch\u00e4ftlichen Nutzen liefern kann.<\/p>\n\n\n\n<p>Beispielsweise kann bereits ein Modell, das nur 20 % aller eingehenden Anfragen automatisch verarbeitet, einen erheblichen Mehrwert schaffen.<\/p>\n\n\n\n<p>Zus\u00e4tzlich werden in dieser Phase:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Ressourcen gepr\u00fcft,<\/li>\n\n\n\n<li>Risiken identifiziert,<\/li>\n\n\n\n<li>Projektpl\u00e4ne erstellt,<\/li>\n\n\n\n<li>und Business-Ziele in Data-Mining-Ziele \u00fcbersetzt.<\/li>\n<\/ul>\n\n\n\n<p>Ein Beispiel:<\/p>\n\n\n\n<p>Wenn das Business-Ziel lautet, Maschinenausf\u00e4lle zu reduzieren, k\u00f6nnte das technische Ziel darin bestehen, ein Modell zur Fr\u00fcherkennung von Ausf\u00e4llen auf Basis von Sensordaten zu entwickeln.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">2. Data Understanding<\/h1>\n\n\n\n<p>Nachdem die Ziele definiert wurden, beginnt die Arbeit mit den Daten.<\/p>\n\n\n\n<p>In der Data-Understanding-Phase wird:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>gepr\u00fcft, welche Daten existieren,<\/li>\n\n\n\n<li>wo diese liegen,<\/li>\n\n\n\n<li>wie darauf zugegriffen werden kann,<\/li>\n\n\n\n<li>und welche Qualit\u00e4t die Daten besitzen.<\/li>\n<\/ul>\n\n\n\n<p>In der Praxis bedeutet das h\u00e4ufig Abstimmungen mit:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Fachabteilungen,<\/li>\n\n\n\n<li>IT-Abteilungen,<\/li>\n\n\n\n<li>Data Engineers,<\/li>\n\n\n\n<li>oder externen Partnern.<\/li>\n<\/ul>\n\n\n\n<p>Oft treten bereits hier erste Herausforderungen auf:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>propriet\u00e4re Datenformate,<\/li>\n\n\n\n<li>fehlende Zugriffsrechte,<\/li>\n\n\n\n<li>Datenschutz- oder Compliance-Themen,<\/li>\n\n\n\n<li>unvollst\u00e4ndige Daten.<\/li>\n<\/ul>\n\n\n\n<p>Anschlie\u00dfend werden die Daten beschrieben:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Welche Datentypen liegen vor?<\/li>\n\n\n\n<li>Welche Zeitr\u00e4ume decken die Daten ab?<\/li>\n\n\n\n<li>Welche Bedeutung besitzen einzelne Spalten oder Felder?<\/li>\n\n\n\n<li>Handelt es sich um strukturierte oder unstrukturierte Daten?<\/li>\n<\/ul>\n\n\n\n<p>Danach folgt meist eine explorative Datenanalyse (EDA \u2013 Exploratory Data Analysis).<\/p>\n\n\n\n<p>Hier werden:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Verteilungen analysiert,<\/li>\n\n\n\n<li>Korrelationen untersucht,<\/li>\n\n\n\n<li>Auff\u00e4lligkeiten identifiziert,<\/li>\n\n\n\n<li>und erste Hypothesen gebildet.<\/li>\n<\/ul>\n\n\n\n<p>Werkzeuge wie Jupyter Notebook, Pandas oder Polars eignen sich daf\u00fcr besonders gut.<\/p>\n\n\n\n<p>Visualisierungen spielen in dieser Phase eine gro\u00dfe Rolle, da sie sowohl technische Erkenntnisse liefern als auch die Kommunikation mit Stakeholdern erleichtern.<\/p>\n\n\n\n<p>Oft werden bereits erste Probleme sichtbar:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>fehlende Werte,<\/li>\n\n\n\n<li>Ausrei\u00dfer,<\/li>\n\n\n\n<li>inkonsistente Schreibweisen,<\/li>\n\n\n\n<li>\u00c4nderungen fachlicher Definitionen,<\/li>\n\n\n\n<li>oder Ver\u00e4nderungen der Datenerfassung im Zeitverlauf.<\/li>\n<\/ul>\n\n\n\n<p>Diese Probleme werden sp\u00e4ter in der Data-Preparation-Phase behandelt.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">3. Data Preparation<\/h1>\n\n\n\n<p>Die Data-Preparation-Phase ist h\u00e4ufig die zeitintensivste Phase eines Projekts. In vielen Projekten flie\u00dfen 70\u201380 % der Arbeitszeit in die Datenaufbereitung.<\/p>\n\n\n\n<p>In dieser Phase werden die Daten:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>bereinigt,<\/li>\n\n\n\n<li>transformiert,<\/li>\n\n\n\n<li>erweitert,<\/li>\n\n\n\n<li>und modellierbar gemacht.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Data Cleaning<\/h2>\n\n\n\n<p>Typische Aufgaben sind:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Umgang mit fehlenden Werten,<\/li>\n\n\n\n<li>Entfernen von Duplikaten,<\/li>\n\n\n\n<li>Behandlung von Ausrei\u00dfern,<\/li>\n\n\n\n<li>Korrektur fehlerhafter Daten.<\/li>\n<\/ul>\n\n\n\n<p>Fehlende Werte k\u00f6nnen beispielsweise:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>entfernt,<\/li>\n\n\n\n<li>interpoliert,<\/li>\n\n\n\n<li>ersetzt,<\/li>\n\n\n\n<li>oder bewusst als eigenes Merkmal genutzt werden.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Feature Engineering<\/h2>\n\n\n\n<p>Anschlie\u00dfend werden aus Rohdaten sinnvolle Features abgeleitet.<\/p>\n\n\n\n<p>Ein klassisches Beispiel sind Zeitstempel. Ein roher Unix-Zeitstempel enth\u00e4lt oft wenig direkt interpretierbare Information f\u00fcr ein Modell. Daraus lassen sich jedoch sinnvolle Merkmale ableiten:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Wochentag,<\/li>\n\n\n\n<li>Uhrzeit,<\/li>\n\n\n\n<li>Feiertage,<\/li>\n\n\n\n<li>Monatsanfang,<\/li>\n\n\n\n<li>Jahreszeit.<\/li>\n<\/ul>\n\n\n\n<p>Zus\u00e4tzlich k\u00f6nnen weitere Datenquellen integriert werden, beispielsweise Wetterdaten oder externe Gesch\u00e4ftsdaten.<\/p>\n\n\n\n<p>Wichtig ist dabei:<br>Die zus\u00e4tzlichen Daten m\u00fcssen sp\u00e4ter im Produktivbetrieb ebenfalls verf\u00fcgbar sein.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Datenrepr\u00e4sentation<\/h2>\n\n\n\n<p>Je nach Modell m\u00fcssen Daten unterschiedlich aufbereitet werden.<\/p>\n\n\n\n<p>Ein Entscheidungsbaum kann oft direkt mit kategorialen Daten umgehen, w\u00e4hrend neuronale Netze numerische Eingaben ben\u00f6tigen. Daf\u00fcr kommen beispielsweise:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>One-Hot-Encoding,<\/li>\n\n\n\n<li>Embeddings,<\/li>\n\n\n\n<li>oder andere Kodierungsverfahren<\/li>\n<\/ul>\n\n\n\n<p>zum Einsatz.<\/p>\n\n\n\n<p>Am Ende m\u00fcssen die Daten in geeigneten Formaten gespeichert werden:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>CSV,<\/li>\n\n\n\n<li>Parquet,<\/li>\n\n\n\n<li>Pandas-\/Polars-Objekte,<\/li>\n\n\n\n<li>oder Datenbanken.<\/li>\n<\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">4. Modeling<\/h1>\n\n\n\n<p>In der Modeling-Phase werden die eigentlichen Machine-Learning-Modelle trainiert und technisch bewertet.<\/p>\n\n\n\n<p>Hierzu geh\u00f6ren:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Modellauswahl,<\/li>\n\n\n\n<li>Hyperparameteroptimierung,<\/li>\n\n\n\n<li>Training,<\/li>\n\n\n\n<li>Validierung,<\/li>\n\n\n\n<li>und technische Evaluation.<\/li>\n<\/ul>\n\n\n\n<p>Die technische Bewertung erfolgt beispielsweise anhand von:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Accuracy,<\/li>\n\n\n\n<li>Precision,<\/li>\n\n\n\n<li>Recall,<\/li>\n\n\n\n<li>F1-Score,<\/li>\n\n\n\n<li>RMSE,<\/li>\n\n\n\n<li>oder anderen Metriken.<\/li>\n<\/ul>\n\n\n\n<p>Dabei werden oft verschiedene Modelle und Parameterkombinationen getestet.<\/p>\n\n\n\n<p>Zus\u00e4tzlich muss festgelegt werden:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>wie der Datensatz aufgeteilt wird,<\/li>\n\n\n\n<li>welche Validierungsstrategie verwendet wird,<\/li>\n\n\n\n<li>und wie Experimente reproduzierbar bleiben.<\/li>\n<\/ul>\n\n\n\n<p>Typische Methoden sind:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Train\/Test-Split,<\/li>\n\n\n\n<li>Validierungsdaten,<\/li>\n\n\n\n<li>Kreuzvalidierung.<\/li>\n<\/ul>\n\n\n\n<p>F\u00fcr reproduzierbare Ergebnisse sollte ein fester Zufalls-Seed verwendet werden.<\/p>\n\n\n\n<p>Auch Hyperparameteroptimierung spielt eine wichtige Rolle. H\u00e4ufig genutzte Verfahren sind:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Grid Search,<\/li>\n\n\n\n<li>Random Search,<\/li>\n\n\n\n<li>oder Bayesian Optimization.<\/li>\n<\/ul>\n\n\n\n<p>Die verschiedenen Experimente sollten dokumentiert werden, beispielsweise mit Tools wie MLflow.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">5. Evaluation<\/h1>\n\n\n\n<p>Die Evaluation-Phase betrachtet die Modelle aus gesch\u00e4ftlicher Sicht.<\/p>\n\n\n\n<p>Hier geht es nicht mehr prim\u00e4r um technische Kennzahlen, sondern um Fragen wie:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Liefert das Modell einen echten Mehrwert?<\/li>\n\n\n\n<li>Rechtfertigt der Nutzen die Kosten?<\/li>\n\n\n\n<li>Passt die L\u00f6sung zum urspr\u00fcnglichen Business-Ziel?<\/li>\n<\/ul>\n\n\n\n<p>Ein technisch starkes Modell ist nicht automatisch die beste L\u00f6sung.<\/p>\n\n\n\n<p>Ein Beispiel:<br>Ein sehr gro\u00dfes Modell erreicht zwar eine hohe Genauigkeit, verursacht jedoch hohe Infrastrukturkosten. In der Praxis kann ein kleineres und kosteneffizienteres Modell die bessere Wahl sein.<\/p>\n\n\n\n<p>Zus\u00e4tzlich werden h\u00e4ufig:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Pilotbetriebe,<\/li>\n\n\n\n<li>kontrollierte Rollouts,<\/li>\n\n\n\n<li>oder A\/B-Tests<\/li>\n<\/ul>\n\n\n\n<p>durchgef\u00fchrt.<\/p>\n\n\n\n<p>Dabei zeigt sich oft erst unter realen Bedingungen:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>wie Nutzer tats\u00e4chlich mit dem System interagieren,<\/li>\n\n\n\n<li>ob Daten von den Trainingsdaten abweichen,<\/li>\n\n\n\n<li>oder welche neuen Risiken auftreten.<\/li>\n<\/ul>\n\n\n\n<p>Neben dem Modell selbst entstehen im Projekt h\u00e4ufig zus\u00e4tzliche gesch\u00e4ftliche Erkenntnisse.<\/p>\n\n\n\n<p>Beispielsweise kann w\u00e4hrend der Datenanalyse auffallen, dass Cloud-Ressourcen ineffizient genutzt werden oder Prozesse unn\u00f6tige Kosten verursachen \u2014 selbst wenn diese Erkenntnisse nicht direkt Bestandteil des finalen Modells sind.<\/p>\n\n\n\n<p>Am Ende der Evaluation erfolgt die eigentliche Go-\/No-Go-Entscheidung:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Deployment,<\/li>\n\n\n\n<li>weitere Iteration,<\/li>\n\n\n\n<li>oder Projektabbruch.<\/li>\n<\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">6. Deployment<\/h1>\n\n\n\n<p>In der Deployment-Phase wird das Modell produktiv eingesetzt.<\/p>\n\n\n\n<p>Dabei geht es nicht nur um die technische Bereitstellung per:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Docker,<\/li>\n\n\n\n<li>VM,<\/li>\n\n\n\n<li>API,<\/li>\n\n\n\n<li>oder Webanwendung.<\/li>\n<\/ul>\n\n\n\n<p>Zus\u00e4tzlich spielen organisatorische und rechtliche Aspekte eine gro\u00dfe Rolle:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Compliance,<\/li>\n\n\n\n<li>Datenschutz,<\/li>\n\n\n\n<li>IT-Sicherheit,<\/li>\n\n\n\n<li>Kostenstellen,<\/li>\n\n\n\n<li>Governance,<\/li>\n\n\n\n<li>und regulatorische Anforderungen wie der EU AI Act.<\/li>\n<\/ul>\n\n\n\n<p>Typische Fragen sind:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Wo l\u00e4uft das Modell?<\/li>\n\n\n\n<li>Wie gelangen aktuelle Daten ins System?<\/li>\n\n\n\n<li>Wo werden Ergebnisse gespeichert?<\/li>\n\n\n\n<li>Wie werden Ergebnisse visualisiert?<\/li>\n<\/ul>\n\n\n\n<p>H\u00e4ufig werden die Ergebnisse in Dashboards oder Reporting-Systeme integriert, beispielsweise:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Power BI,<\/li>\n\n\n\n<li>Apache Superset,<\/li>\n\n\n\n<li>oder Metabase.<\/li>\n<\/ul>\n\n\n\n<p>Nach dem produktiven Rollout folgt in vielen Teams zus\u00e4tzlich eine Retrospektive. Dabei wird analysiert:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>was gut funktioniert hat,<\/li>\n\n\n\n<li>welche Probleme aufgetreten sind,<\/li>\n\n\n\n<li>und wo zuk\u00fcnftige Projekte verbessert werden k\u00f6nnen.<\/li>\n<\/ul>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h1 class=\"wp-block-heading\">Fazit<\/h1>\n\n\n\n<p>CRISP-DM ist auch heute noch eines der wichtigsten Prozessmodelle f\u00fcr Data-Science- und Machine-Learning-Projekte.<\/p>\n\n\n\n<p>Besonders wertvoll ist dabei:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>die klare Struktur,<\/li>\n\n\n\n<li>die starke Business-Orientierung,<\/li>\n\n\n\n<li>und der iterative Ansatz.<\/li>\n<\/ul>\n\n\n\n<p>In der Praxis werden viele moderne Themen wie MLOps, Cloud-Deployment oder AI-Governance zus\u00e4tzlich integriert. Dennoch bildet CRISP-DM weiterhin eine sehr gute Grundlage f\u00fcr strukturierte datengetriebene Projekte.<\/p>\n\n\n\n<p>Der Prozess hilft dabei, technische L\u00f6sungen nicht isoliert zu betrachten, sondern immer im Kontext des gesch\u00e4ftlichen Nutzens zu entwickeln.<\/p>\n\n\n\n<p><\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio\"><div class=\"wp-block-embed__wrapper\">\n<iframe loading=\"lazy\" title=\"CRISP-DM einfach erkl\u00e4rt | Die 6 Phasen eines Data-Science-Projekts\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/NXzHVHz4PIA?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe>\n<\/div><\/figure>\n","protected":false},"excerpt":{"rendered":"<p>CRISP-DM steht f\u00fcr Cross-Industry Standard Process for Data Mining. Urspr\u00fcnglich wurde das Modell f\u00fcr klassische Data-Mining-Projekte entwickelt, heute wird es jedoch allgemein f\u00fcr Data-Science-, Analytics- und Machine-Learning-Projekte eingesetzt. CRISP-DM beschreibt einen strukturierten und iterativen Prozess zur Entwicklung datengetriebener L\u00f6sungen. Dabei besteht der Zyklus aus sechs Phasen: Der Prozess ist zyklisch aufgebaut. Nach einer Iteration kann [&hellip;]<\/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-209","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/nils-becker.org\/index.php?rest_route=\/wp\/v2\/posts\/209","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/nils-becker.org\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/nils-becker.org\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/nils-becker.org\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/nils-becker.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=209"}],"version-history":[{"count":2,"href":"https:\/\/nils-becker.org\/index.php?rest_route=\/wp\/v2\/posts\/209\/revisions"}],"predecessor-version":[{"id":211,"href":"https:\/\/nils-becker.org\/index.php?rest_route=\/wp\/v2\/posts\/209\/revisions\/211"}],"wp:attachment":[{"href":"https:\/\/nils-becker.org\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=209"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/nils-becker.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=209"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/nils-becker.org\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=209"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}