{"id":1496,"date":"2020-04-16T17:15:15","date_gmt":"2020-04-16T17:15:15","guid":{"rendered":"https:\/\/lisdatasolutions.sidnpre.com\/2020\/04\/16\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/"},"modified":"2022-08-01T15:46:41","modified_gmt":"2022-08-01T15:46:41","slug":"big-data-para-el-mantenimiento-preventivo-y-predictivo","status":"publish","type":"post","link":"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/","title":{"rendered":"Big Data para el mantenimiento preventivo y predictivo"},"content":{"rendered":"<p>A todo proceso productivo, y m\u00e1s si este est\u00e1 relacionado con maquinaria, se asocia un mantenimiento. Si aseguramos un mantenimiento rutinario para los equipos, cambios de aceite, lubricaci\u00f3n, remplazos de piezas, aseguramos el correcto funcionamiento de los equipos durante largas jornadas de trabajo, evitando paradas inesperadas, no programadas, por desgaste de los equipos.<\/p>\n<p>A la hora de comprar un equipo industrial, <strong>el fabricante suele aportar informaci\u00f3n sobre la frecuencia en la realizaci\u00f3n del mantenimiento preventivo<\/strong>, para asegurar su correcto funcionamiento a lo largo de su vida \u00fatil.<\/p>\n<p>Sin embargo, muchos de estos resultados son obtenidos usando la interpolaci\u00f3n de ensayos de laboratorio. Fijar el tiempo ideal para el mantenimiento preventivo resulta un proceso complejo. Adem\u00e1s<strong>, debido a las particularidades de cada empresa, <\/strong>el uso intensivo de unas caracter\u00edsticas m\u00e1s favorables al proceso productivo, defectos producidos por accidentes,<strong> obligan a adaptar los mantenimientos a las necesidades de los equipos<\/strong>.<\/p>\n<p>Esta nueva estimaci\u00f3n la realizan, las personas responsables en base a su experiencia, valid\u00e1ndolo posteriormente a base de ensayo error.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_55 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title \" >Tabla de contenidos<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Toggle Table of Content\" role=\"button\"><label for=\"item-6a172a672db1d\" ><span class=\"\"><span style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input aria-label=\"Toggle\" aria-label=\"item-6a172a672db1d\"  type=\"checkbox\" id=\"item-6a172a672db1d\"><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/#Escuchar_a_los_equipos_reduce_las_paradas_inesperadas\" title=\"Escuchar a los equipos reduce las paradas inesperadas\">Escuchar a los equipos reduce las paradas inesperadas<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/#Diferencias_entre_mantenimiento_predictivo_y_preventivo\" title=\"Diferencias entre mantenimiento predictivo y preventivo\">Diferencias entre mantenimiento predictivo y preventivo<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Escuchar_a_los_equipos_reduce_las_paradas_inesperadas\"><\/span>Escuchar a los equipos reduce las paradas inesperadas<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Se estima que <strong>entorno al 30% de los mantenimientos preventivos son innecesarios<\/strong>, incurriendo, adem\u00e1s, en intervenciones sobre los equipos que pueden afectar a su posterior desempe\u00f1o, ya sea porque requieren de desmontar partes o por la necesidad de parar por completo todo un proceso, impactando directamente en los costes de producci\u00f3n, y en el medio ambiente, cuando se tratan de productos contaminantes como aceites, taladrinas\u2026<\/p>\n<p>A pesar de todos los esfuerzos, siempre ocurren situaciones que obligan a parar el funcionamiento habitual de los equipos. Este tipo de <strong>paradas inesperadas<\/strong>, pueden ser atribuidas a defectos mec\u00e1nicos desconocidos, los cuales hasta encontrar el motivo o conjunto de motivos que impiden continuar, obligan a las empresas y a los empleados, a sufrir <strong>altos niveles de estr\u00e9s<\/strong>, en el mejor de los casos, durante breves periodos de tiempo.<\/p>\n<p style=\"text-align: justify;\">\u00bfC\u00f3mo calcular el mantenimiento preventivo perfecto?<\/p>\n<p>En LIS-Solutions disponemos de sistemas que aseguran un <strong>mantenimiento preventivo eficaz y real, bas\u00e1ndose en los datos,<\/strong> haciendo uso de las mejores tecnolog\u00edas y <strong>herramientas de el mantenimiento predictivo<\/strong>. Los tiempos de inactividad, sobreesfuerzos sufridos durante procesos an\u00f3malos, condiciones clim\u00e1ticas y otros aspectos son tenidos en cuenta para aportar, en funci\u00f3n del hist\u00f3rico, un indicador del estado actual de los componentes de los equipos, visualizando esta informaci\u00f3n a trav\u00e9s de dashboard interactivos que muestren <strong>el estado real de los equipos<\/strong>, permitiendo fijar as\u00ed un <strong>plan de mantenimiento preventivo<\/strong> eficiente y ajustado a las necesidades reales de los equipos.<\/p>\n<p><img src=\"https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/imagen-1-1024x632.jpeg\" sizes=\"(max-width: 1024px) 100vw, 1024px\" srcset=\"https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/imagen-1-1024x632.jpeg 1024w, https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/imagen-1-300x185.jpeg 300w, https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/imagen-1-768x474.jpeg 768w, https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/imagen-1-1536x948.jpeg 1536w, https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/imagen-1.jpeg 1600w\" alt=\"\" width=\"1024\" height=\"632\" \/><\/p>\n<p><strong>Pero tras esto surge una duda, \u00bfCu\u00e1l es la diferencia entre mantenimiento preventivo y predictivo basados en el Big Data?<\/strong><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Diferencias_entre_mantenimiento_predictivo_y_preventivo\"><\/span>Diferencias entre mantenimiento predictivo y preventivo<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Es cierto que <strong>conceptualmente son muy parecidas<\/strong>, ambas se basan en la informaci\u00f3n de los equipos, para definir cu\u00e1l es el mejor momento para realizar un cambio, reduciendo notablemente los procesos innecesarios y las paradas inesperadas. Sin embargo, <strong>hay algo que las distingue<\/strong>, haciendo que sea recomendable trabajar ambas simult\u00e1neamente,<strong> y es el an\u00e1lisis de la interconexi\u00f3n entre los datos<\/strong> aportados por los equipos<strong>. <\/strong><\/p>\n<p>Por un lado, el uso de <strong>Big Data en procesos de mantenimiento preventivo<\/strong>, es muy \u00fatil para definir el momento \u00f3ptimo de cambio de componentes o elementos que, en un momento u otro deben ser cambiados, por ejemplo, aceites o taladrinas. Bas\u00e1ndose en las horas de uso reales tomados gracias a dispositivos <strong>IoT<\/strong> de <strong>captura de datos en planta<\/strong>, as\u00ed como el uso que ha recibido durante esas horas, podemos determinar el estado exacto de degradaci\u00f3n en el que se encuentran los componentes, permitiendo a los equipos de mantenimiento <strong>definir el momento ideal para su remplazo<\/strong>.<\/p>\n<p><img src=\"https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/2.png\" sizes=\"(max-width: 676px) 100vw, 676px\" srcset=\"https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/2.png 676w, https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2020\/04\/2-300x288.png 300w\" alt=\"\" width=\"676\" height=\"649\" \/><\/p>\n<p><strong>En qu\u00e9 consiste el mantenimiento predictivo<\/strong>, este tiene como objetivo la supervisi\u00f3n y aseguramiento del correcto funcionamiento de componentes que no disponen un proceso de reposici\u00f3n programado, como pueden ser los rodamientos, v\u00e1lvulas neum\u00e1ticas, grippers\u2026evitando paradas inesperadas de manera anticipada. Adem\u00e1s, el mantenimiento predictivo tiene un factor muy importante, la <strong>correlaci\u00f3n de variables<\/strong>, con esto se puede determinar y cuantificar, <strong>la degradaci\u00f3n que se est\u00e1 sufriendo en los procesos.<\/strong><\/p>\n<p>Para el mantenimiento predictivo de hardware, por ejemplo, basado en machine learning, se requiere otro tipo de informaci\u00f3n, m\u00e1s compleja que la usada en el mantenimiento preventivo, no relacionada con el causa efecto. <strong>Una misma correlaci\u00f3n de variables pueden llevar en unos casos a un tipo de fallo o a otro, en funci\u00f3n de en qu\u00e9 situaci\u00f3n se encuentren cada una de las variables.<\/strong><\/p>\n<p>Para este tipo de c\u00e1lculos basados en modelos matem\u00e1ticos, en LIS-Solutions, disponemos de un departamento de anal\u00edtica a avanzada, en combinaci\u00f3n las mejores tecnolog\u00edas predictivas en mantenimiento, lo que nos permite dar a los clientes una visi\u00f3n global de los datos. Entendemos sus procesos, y c\u00f3mo la interacci\u00f3n de la informaci\u00f3n de sus equipos puede aportar un valor a\u00f1adido en su cadena de valor.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>A todo proceso productivo, y m\u00e1s si este est\u00e1 relacionado con maquinaria, se asocia un mantenimiento. Si aseguramos un mantenimiento rutinario para los equipos, cambios de aceite, lubricaci\u00f3n, remplazos de piezas, aseguramos el correcto funcionamiento de los equipos durante largas jornadas de trabajo, evitando paradas inesperadas, no programadas, por desgaste de los equipos. A la [&hellip;]<\/p>\n","protected":false},"author":21,"featured_media":1497,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0},"categories":[111,35],"tags":[],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v20.1 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Big Data para el mantenimiento preventivo y predictivo | LIS Data Solutions<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Big Data para el mantenimiento preventivo y predictivo | LIS Data Solutions\" \/>\n<meta property=\"og:description\" content=\"A todo proceso productivo, y m\u00e1s si este est\u00e1 relacionado con maquinaria, se asocia un mantenimiento. Si aseguramos un mantenimiento rutinario para los equipos, cambios de aceite, lubricaci\u00f3n, remplazos de piezas, aseguramos el correcto funcionamiento de los equipos durante largas jornadas de trabajo, evitando paradas inesperadas, no programadas, por desgaste de los equipos. A la [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/\" \/>\n<meta property=\"og:site_name\" content=\"LIS Data Solutions\" \/>\n<meta property=\"article:published_time\" content=\"2020-04-16T17:15:15+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-08-01T15:46:41+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2022\/07\/mantenimiento-predictivo-preventivo.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"512\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Natalia Andueza\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Natalia Andueza\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"5 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/\",\"url\":\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/\",\"name\":\"Big Data para el mantenimiento preventivo y predictivo | LIS Data Solutions\",\"isPartOf\":{\"@id\":\"https:\/\/www.lisdatasolutions.com\/es\/#website\"},\"datePublished\":\"2020-04-16T17:15:15+00:00\",\"dateModified\":\"2022-08-01T15:46:41+00:00\",\"author\":{\"@id\":\"https:\/\/www.lisdatasolutions.com\/es\/#\/schema\/person\/b2748ac1971664b77f38389a77eb1fc7\"},\"breadcrumb\":{\"@id\":\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Portada\",\"item\":\"https:\/\/www.lisdatasolutions.com\/es\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Big Data para el mantenimiento preventivo y predictivo\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.lisdatasolutions.com\/es\/#website\",\"url\":\"https:\/\/www.lisdatasolutions.com\/es\/\",\"name\":\"LIS Data Solutions\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.lisdatasolutions.com\/es\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.lisdatasolutions.com\/es\/#\/schema\/person\/b2748ac1971664b77f38389a77eb1fc7\",\"name\":\"Natalia Andueza\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/www.lisdatasolutions.com\/es\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/67d34db2d9aca971aeec85ef05923c86?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/67d34db2d9aca971aeec85ef05923c86?s=96&d=mm&r=g\",\"caption\":\"Natalia Andueza\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Big Data para el mantenimiento preventivo y predictivo | LIS Data Solutions","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/","og_locale":"es_ES","og_type":"article","og_title":"Big Data para el mantenimiento preventivo y predictivo | LIS Data Solutions","og_description":"A todo proceso productivo, y m\u00e1s si este est\u00e1 relacionado con maquinaria, se asocia un mantenimiento. Si aseguramos un mantenimiento rutinario para los equipos, cambios de aceite, lubricaci\u00f3n, remplazos de piezas, aseguramos el correcto funcionamiento de los equipos durante largas jornadas de trabajo, evitando paradas inesperadas, no programadas, por desgaste de los equipos. A la [&hellip;]","og_url":"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/","og_site_name":"LIS Data Solutions","article_published_time":"2020-04-16T17:15:15+00:00","article_modified_time":"2022-08-01T15:46:41+00:00","og_image":[{"width":1024,"height":512,"url":"https:\/\/www.lisdatasolutions.com\/wp-content\/uploads\/2022\/07\/mantenimiento-predictivo-preventivo.jpg","type":"image\/jpeg"}],"author":"Natalia Andueza","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"Natalia Andueza","Tiempo de lectura":"5 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/","url":"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/","name":"Big Data para el mantenimiento preventivo y predictivo | LIS Data Solutions","isPartOf":{"@id":"https:\/\/www.lisdatasolutions.com\/es\/#website"},"datePublished":"2020-04-16T17:15:15+00:00","dateModified":"2022-08-01T15:46:41+00:00","author":{"@id":"https:\/\/www.lisdatasolutions.com\/es\/#\/schema\/person\/b2748ac1971664b77f38389a77eb1fc7"},"breadcrumb":{"@id":"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.lisdatasolutions.com\/es\/blog\/big-data-para-el-mantenimiento-preventivo-y-predictivo\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Portada","item":"https:\/\/www.lisdatasolutions.com\/es\/"},{"@type":"ListItem","position":2,"name":"Big Data para el mantenimiento preventivo y predictivo"}]},{"@type":"WebSite","@id":"https:\/\/www.lisdatasolutions.com\/es\/#website","url":"https:\/\/www.lisdatasolutions.com\/es\/","name":"LIS Data Solutions","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.lisdatasolutions.com\/es\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/www.lisdatasolutions.com\/es\/#\/schema\/person\/b2748ac1971664b77f38389a77eb1fc7","name":"Natalia Andueza","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.lisdatasolutions.com\/es\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/67d34db2d9aca971aeec85ef05923c86?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/67d34db2d9aca971aeec85ef05923c86?s=96&d=mm&r=g","caption":"Natalia Andueza"}}]}},"_links":{"self":[{"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/posts\/1496"}],"collection":[{"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/users\/21"}],"replies":[{"embeddable":true,"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/comments?post=1496"}],"version-history":[{"count":1,"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/posts\/1496\/revisions"}],"predecessor-version":[{"id":3717,"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/posts\/1496\/revisions\/3717"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/media\/1497"}],"wp:attachment":[{"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/media?parent=1496"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/categories?post=1496"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.lisdatasolutions.com\/es\/wp-json\/wp\/v2\/tags?post=1496"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}