{"id":3371,"date":"2026-07-24T09:00:00","date_gmt":"2026-07-24T07:00:00","guid":{"rendered":"https:\/\/brentasoft.com\/blog\/ai-lead-scoring-odoo-19-implementazione-pmi-italiane\/"},"modified":"2026-06-10T07:55:53","modified_gmt":"2026-06-10T05:55:53","slug":"ai-lead-scoring-odoo-19-implementazione-pmi-italiane","status":"publish","type":"post","link":"https:\/\/brentasoft.com\/blog\/ai-lead-scoring-odoo-19-implementazione-pmi-italiane\/","title":{"rendered":"AI lead scoring in Odoo: implementazione step-by-step per PMI italiane (guida pratica)"},"content":{"rendered":"<p><em>Quarantasettesima guida operativa Odoo 19 per PMI italiane. Nella guida precedente abbiamo visto la panoramica AI\/ML per Odoo. Adesso scendiamo al concreto: come implementare un primo caso d&#8217;uso end-to-end. Scegliamo il lead scoring AI perch\u00e9 \u00e8 il caso d&#8217;uso con miglior rapporto ROI\/effort per PMI italiane. In questa guida vediamo step-by-step come implementare un sistema di scoring lead AI in Odoo, dalla raccolta dati al deployment in produzione, con esempi concreti.<\/em><\/p>\n<p>Vediamo: requisiti dati, feature engineering, scelta algoritmo, training modello, integrazione Odoo, monitoring, retraining, casi pratici PMI italiane.<\/p>\n<h2>Perch\u00e9 iniziare dal lead scoring<\/h2>\n<h3>Caratteristiche ideali<\/h3>\n<ul>\n<li>Dati gi\u00e0 strutturati in Odoo CRM<\/li>\n<li>Target chiaro (lead convertito vs non convertito)<\/li>\n<li>ROI quantificabile (conversion rate)<\/li>\n<li>Bassa complessit\u00e0 tecnica<\/li>\n<li>Effort tipico: 3-6 settimane end-to-end<\/li>\n<\/ul>\n<h3>Quando lead scoring AI NON serve<\/h3>\n<ul>\n<li>Volume lead &lt; 100\/mese (insufficiente per ML)<\/li>\n<li>Conversion rate &gt; 60% (sales team gi\u00e0 efficiente)<\/li>\n<li>Storico &lt; 18 mesi (dati insufficienti)<\/li>\n<li>Lead provengono da fonte unica (no diversit\u00e0 per modello)<\/li>\n<\/ul>\n<h2>Step 1: Requisiti dati<\/h2>\n<h3>Volume minimo<\/h3>\n<ul>\n<li>Almeno 500-1000 lead storici con outcome noto<\/li>\n<li>200+ lead &#8220;convertiti&#8221; per imparare pattern positivi<\/li>\n<li>800+ lead &#8220;non convertiti&#8221; per pattern negativi<\/li>\n<li>Distribuzione temporale di almeno 12 mesi<\/li>\n<\/ul>\n<h3>Dati necessari per ogni lead<\/h3>\n<ul>\n<li>Fonte (website, fiera, referral, AdWords)<\/li>\n<li>Dati azienda (settore, dimensione, geo)<\/li>\n<li>Comportamento (timing risposta, email engagement, pagine visitate)<\/li>\n<li>Persona contact (ruolo, decisore vs no)<\/li>\n<li>Timing (quando contattato, quando risposto)<\/li>\n<li>Storico interazioni (numero email, call)<\/li>\n<li>Outcome (won, lost, no decision)<\/li>\n<\/ul>\n<h3>Stato pipeline come fonte dati<\/h3>\n<p>La pipeline CRM Odoo contiene tutto lo storico di lead progrediti attraverso le stages. \u00c8 la fonte primaria di dati per addestrare il modello di lead scoring:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-ai-impl-01-pipeline.png\" alt=\"CRM Pipeline kanban Odoo 19 storico lead per training AI scoring PMI\" class=\"aligncenter size-full wp-image-3368\"\/><\/p>\n<ul>\n<li>Stage progression (lead \u2192 opportunity \u2192 quote \u2192 won\/lost)<\/li>\n<li>Tempo per stage (proxy di engagement)<\/li>\n<li>Activity history (chat, mail, calls)<\/li>\n<li>Probability assegnata manualmente da sales<\/li>\n<li>Reason di lost (per pattern negativi)<\/li>\n<\/ul>\n<h2>Step 2: Feature engineering<\/h2>\n<h3>Feature dirette da Odoo<\/h3>\n<ul>\n<li>Source code (categorica)<\/li>\n<li>Country\/region (categorica)<\/li>\n<li>Industry\/settore (categorica)<\/li>\n<li>Expected revenue (numerica)<\/li>\n<li>Team_id \/ salesperson (categorica)<\/li>\n<li>Day of week creazione lead (categorica)<\/li>\n<\/ul>\n<h3>Feature derivate da behavior<\/h3>\n<ul>\n<li>Tempo medio risposta a email (numerica)<\/li>\n<li>Numero email inviate\/ricevute (numerica)<\/li>\n<li>Tempo trascorso in ogni stage (numerica)<\/li>\n<li>Number of activities recorded (numerica)<\/li>\n<li>Last interaction days ago (numerica)<\/li>\n<\/ul>\n<h3>Feature derivate da master data<\/h3>\n<p>L&#8217;anagrafica cliente in Odoo contiene informazioni preziose per feature engineering. Settore, regime fiscale, condizioni di pagamento sono tutti indicatori predittivi:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-ai-impl-03-cliente-data.png\" alt=\"Anagrafica cliente Odoo 19 tab fatturazione per feature engineering AI PMI\" class=\"aligncenter size-full wp-image-3370\"\/><\/p>\n<ul>\n<li>Esistente cliente (boolean, has_history)<\/li>\n<li>Total revenue precedente (se cliente esistente)<\/li>\n<li>Pagamenti puntuali storici (% on time)<\/li>\n<li>Regime fiscale tipo (categorica)<\/li>\n<li>Account manager dedicato (boolean)<\/li>\n<\/ul>\n<h3>Feature da fonti esterne (opzionali)<\/h3>\n<ul>\n<li>Sito web aziendale (scraping per traffic, tech stack)<\/li>\n<li>LinkedIn dell&#8217;azienda (employees, growth)<\/li>\n<li>Visure camerali (fatturato, dipendenti)<\/li>\n<li>Notizie\/sentiment (news API)<\/li>\n<\/ul>\n<h2>Step 3: Scelta algoritmo<\/h2>\n<h3>Random Forest (raccomandato per iniziare)<\/h3>\n<ul>\n<li>Pro: robusto, gestisce mix categoriche\/numeriche, no overfit<\/li>\n<li>Contro: meno interpretabile di alberi singoli<\/li>\n<li>Accuracy tipica: 75-85%<\/li>\n<li>Training time: 1-5 minuti su dataset PMI<\/li>\n<\/ul>\n<h3>XGBoost (per accuracy avanzata)<\/h3>\n<ul>\n<li>Pro: state-of-the-art per dati strutturati, accuracy alta<\/li>\n<li>Contro: hyperparameter tuning pi\u00f9 complesso<\/li>\n<li>Accuracy tipica: 80-90%<\/li>\n<li>Training time: 5-20 minuti<\/li>\n<\/ul>\n<h3>Logistic Regression (baseline)<\/h3>\n<ul>\n<li>Pro: super interpretabile, veloce<\/li>\n<li>Contro: assume linearit\u00e0 (limitante)<\/li>\n<li>Accuracy tipica: 65-75%<\/li>\n<li>Useful come baseline per confronto<\/li>\n<\/ul>\n<h3>Neural Network (overkill per PMI tipica)<\/h3>\n<ul>\n<li>Solo se dataset &gt; 100k esempi<\/li>\n<li>Effort eccessivo per ROI tipico<\/li>\n<li>Sconsigliato come primo progetto<\/li>\n<\/ul>\n<h2>Step 4: Training del modello<\/h2>\n<h3>Stack tecnologico raccomandato<\/h3>\n<ul>\n<li>Python + scikit-learn (baseline + Random Forest)<\/li>\n<li>XGBoost library (per modello avanzato)<\/li>\n<li>Pandas per data manipulation<\/li>\n<li>Jupyter notebook per exploration<\/li>\n<li>MLflow per tracking esperimenti<\/li>\n<\/ul>\n<h3>Workflow tipico<\/h3>\n<ul>\n<li>1. Export dati Odoo via API (CSV o pandas DataFrame)<\/li>\n<li>2. Train\/test split (80\/20)<\/li>\n<li>3. Feature engineering + encoding<\/li>\n<li>4. Hyperparameter tuning (GridSearch o Optuna)<\/li>\n<li>5. Cross-validation (5-fold tipico)<\/li>\n<li>6. Test su holdout set<\/li>\n<li>7. Analisi feature importance<\/li>\n<li>8. Documentazione + versioning<\/li>\n<\/ul>\n<h3>Metriche da ottimizzare<\/h3>\n<ul>\n<li><strong>Precision<\/strong>: degli high-score lead, quanti veramente convertiti<\/li>\n<li><strong>Recall<\/strong>: dei lead convertiti, quanti score alto<\/li>\n<li><strong>F1 score<\/strong>: balance tra precision e recall<\/li>\n<li><strong>AUC-ROC<\/strong>: discriminative power complessivo<\/li>\n<li>Target tipico: AUC &gt; 0.75 per essere utile<\/li>\n<\/ul>\n<h2>Step 5: Integrazione Odoo<\/h2>\n<h3>Architettura raccomandata<\/h3>\n<ul>\n<li>Modello ML servito tramite API REST (Flask, FastAPI)<\/li>\n<li>Odoo chiama API su create\/update lead<\/li>\n<li>Score salvato in campo custom su <code>crm.lead<\/code><\/li>\n<li>Cron giornaliero per rescore lead esistenti<\/li>\n<\/ul>\n<h3>Esempio integrazione Python in Odoo<\/h3>\n<pre><code>import requests\n\nclass CrmLead(models.Model):\n    _inherit = 'crm.lead'\n\n    ai_score = fields.Float('AI Score', default=0)\n    ai_score_updated = fields.Datetime('AI Score Updated')\n\n    def compute_ai_score(self):\n        for lead in self:\n            features = self._extract_features(lead)\n            response = requests.post(\n                'http:\/\/ml-api.internal\/score',\n                json=features,\n                timeout=5,\n            )\n            lead.ai_score = response.json()['score']\n            lead.ai_score_updated = fields.Datetime.now()\n<\/code><\/pre>\n<h3>Visualizzazione nel form lead<\/h3>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-pool-054.png\" alt=\"AI lead scoring Odoo implementazione PMI\" class=\"aligncenter size-full wp-image-3464\"\/><\/p>\n<p>Il dettaglio del lead\/opportunit\u00e0 \u00e8 il posto dove mostrare il punteggio AI in modo contestuale, accanto agli altri dati commerciali. Il sales pu\u00f2 vedere immediatamente la priorit\u00e0 suggerita:<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-ai-impl-02-opp-detail.png\" alt=\"Dettaglio opportunit\u00e0 CRM Odoo 19 per visualizzazione AI lead scoring PMI\" class=\"aligncenter size-full wp-image-3369\"\/><\/p>\n<ul>\n<li>Badge &#8220;AI Score: 87&#8221; visibile sulla form<\/li>\n<li>Color-coding (verde &gt; 70, giallo 40-70, rosso &lt; 40)<\/li>\n<li>Suggested actions basate su score<\/li>\n<li>Feature importance per spiegare lo score<\/li>\n<li>Filtro pipeline per &#8220;high score only&#8221;<\/li>\n<\/ul>\n<h2>Step 6: Deployment in produzione<\/h2>\n<h3>Infrastructure<\/h3>\n<ul>\n<li>Container Docker per ML API<\/li>\n<li>Reverse proxy con SSL<\/li>\n<li>Monitoring (Prometheus + Grafana)<\/li>\n<li>Log centralizzato per debug<\/li>\n<li>Backup modello + dataset<\/li>\n<\/ul>\n<h3>Rollout graduale<\/h3>\n<ul>\n<li>Fase 1: shadow mode (score calcolato, non visibile ai sales)<\/li>\n<li>Fase 2: pilot team (1-2 sales team test) per 4 settimane<\/li>\n<li>Fase 3: full rollout con training utenti<\/li>\n<li>Fase 4: enforcement workflow (es. lead &lt; 30 score \u2192 low priority)<\/li>\n<\/ul>\n<h3>Change management<\/h3>\n<ul>\n<li>Workshop con sales team su come usare lo score<\/li>\n<li>Disclaimer su AI: &#8220;suggerimento, non oracolo&#8221;<\/li>\n<li>Override sempre possibile<\/li>\n<li>Feedback loop per migliorare modello<\/li>\n<\/ul>\n<h2>Step 7: Monitoring e retraining<\/h2>\n<h3>Metriche da monitorare<\/h3>\n<ul>\n<li>Distribuzione score (drift detection)<\/li>\n<li>Performance modello su nuovi dati (mensile)<\/li>\n<li>Adoption sales team (% lead reviewed con score)<\/li>\n<li>Business KPI: conversion rate per score bucket<\/li>\n<li>ROI tracking continuo<\/li>\n<\/ul>\n<h3>Retraining policy<\/h3>\n<ul>\n<li>Trigger: AUC scende sotto 0.7<\/li>\n<li>Trigger: distribuzione lead cambia significativamente<\/li>\n<li>Schedule: minimo ogni 6 mesi anche se non triggered<\/li>\n<li>Process: full training pipeline + validation + deploy<\/li>\n<\/ul>\n<h3>Feedback loop<\/h3>\n<ul>\n<li>Sales pu\u00f2 marcare &#8220;score wrong&#8221; su lead specifici<\/li>\n<li>Dati feedback raccolti per next training<\/li>\n<li>Review trimestrale con sales team sui false positive<\/li>\n<\/ul>\n<h2>Timeline e budget realistici<\/h2>\n<table border=\"1\" cellspacing=\"0\" cellpadding=\"6\">\n<thead>\n<tr>\n<th>Fase<\/th>\n<th>Durata<\/th>\n<th>Effort\/Costo<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Discovery + requisiti<\/td>\n<td>1-2 settimane<\/td>\n<td>2-4k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Data exploration + cleaning<\/td>\n<td>2-3 settimane<\/td>\n<td>3-6k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Feature engineering + training<\/td>\n<td>2-3 settimane<\/td>\n<td>4-8k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Integrazione Odoo + API<\/td>\n<td>1-2 settimane<\/td>\n<td>3-6k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Test + UAT<\/td>\n<td>2 settimane<\/td>\n<td>2-4k \u20ac<\/td>\n<\/tr>\n<tr>\n<td>Rollout + training<\/td>\n<td>2 settimane<\/td>\n<td>2-4k \u20ac<\/td>\n<\/tr>\n<tr>\n<td><strong>Totale<\/strong><\/td>\n<td><strong>10-14 settimane<\/strong><\/td>\n<td><strong>16-32k \u20ac<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h3>Costi ricorrenti annuali<\/h3>\n<ul>\n<li>Hosting ML API: 1-3k \u20ac<\/li>\n<li>Retraining periodico: 3-6k \u20ac<\/li>\n<li>Monitoring + maintenance: 2-4k \u20ac<\/li>\n<li>Feedback loop + tuning: 2-5k \u20ac<\/li>\n<li><strong>Totale ricorrente: 8-18k \u20ac\/anno<\/strong><\/li>\n<\/ul>\n<h2>Errori comuni nell&#8217;implementazione<\/h2>\n<h3>&#8220;Saltare data quality&#8221;<\/h3>\n<p><strong>Problema<\/strong>: training su dati con 30% missing, accuracy mediocre.<br \/>\n<strong>Soluzione<\/strong>: 50%+ dell&#8217;effort iniziale su data cleaning prima di model training.<\/p>\n<h3>&#8220;Overfitting senza accorgersene&#8221;<\/h3>\n<p><strong>Problema<\/strong>: accuracy 95% in test, 60% in produzione.<br \/>\n<strong>Soluzione<\/strong>: cross-validation rigorosa, test su periodo successivo al training.<\/p>\n<h3>&#8220;No baseline&#8221;<\/h3>\n<p><strong>Problema<\/strong>: AI 75% accurate, ma quanto era quello manuale?<br \/>\n<strong>Soluzione<\/strong>: baseline esplicita (es. % conversion lead &#8220;naturale&#8221;) prima di AI deploy.<\/p>\n<h3>&#8220;Black box senza explainability&#8221;<\/h3>\n<p><strong>Problema<\/strong>: sales non si fida, ignora lo score.<br \/>\n<strong>Soluzione<\/strong>: SHAP\/LIME per spiegare ogni score, top 3 driver del punteggio.<\/p>\n<h3>&#8220;Deploy senza shadow mode&#8221;<\/h3>\n<p><strong>Problema<\/strong>: produzione diretta, bug catastrofici visibili a sales.<br \/>\n<strong>Soluzione<\/strong>: shadow mode minimo 4 settimane prima di esposizione.<\/p>\n<h2>Casi pratici PMI italiane<\/h2>\n<h3>Caso 1 \u2014 Manifattura B2B: setup completo<\/h3>\n<ul>\n<li>1.200 lead\/anno, conversion baseline 12%<\/li>\n<li>Modello XGBoost, AUC 0.81<\/li>\n<li>Setup: 24k \u20ac, ricorrente 12k \u20ac\/anno<\/li>\n<li>Risultato: top 30% lead \u2192 conversion 28% (+135%)<\/li>\n<li>Sales team pi\u00f9 efficiente, payback 11 mesi<\/li>\n<\/ul>\n<h3>Caso 2 \u2014 Servizi B2B: implementazione lean<\/h3>\n<p><img decoding=\"async\" src=\"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-pool-055.png\" alt=\"Configurazione lead scoring Odoo step-by-step\" class=\"aligncenter size-full wp-image-3465\"\/><\/p>\n<ul>\n<li>600 lead\/anno, partito con Random Forest base<\/li>\n<li>Setup minimal: 18k \u20ac, ricorrente 8k \u20ac\/anno<\/li>\n<li>AUC 0.74 (sufficiente per caso d&#8217;uso)<\/li>\n<li>Risultato: tempo qualificazione lead -40%<\/li>\n<li>Payback 9 mesi<\/li>\n<\/ul>\n<h3>Caso 3 \u2014 Distributore: integrazione e-commerce<\/h3>\n<ul>\n<li>3.500 lead\/anno da multiple canali<\/li>\n<li>Feature engineering ricco (web behavior, email engagement)<\/li>\n<li>Setup: 35k \u20ac, ricorrente 15k \u20ac\/anno<\/li>\n<li>AUC 0.86<\/li>\n<li>Risultato: revenue +12% per allocazione sales su lead high-score<\/li>\n<\/ul>\n<h3>Caso 4 \u2014 Software house: fallimento iniziale<\/h3>\n<ul>\n<li>Tentativo con LSTM neural network su 800 lead<\/li>\n<li>Overfitting massivo, AUC test 0.55<\/li>\n<li>Refactor a Random Forest, AUC 0.72<\/li>\n<li>Lesson learned: start simple, complicate solo se necessario<\/li>\n<\/ul>\n<h2>FAQ<\/h2>\n<h3>Quanti lead servono minimo per training utile?<\/h3>\n<p>Soglia minima ragionevole: 500 lead storici con outcome noto. Sotto 500: alto rischio overfitting o accuracy bassa. Ideale: 2.000+ lead distribuiti su 18+ mesi per catturare pattern stagionali.<\/p>\n<h3>Posso usare AI lead scoring senza data scientist interno?<\/h3>\n<p>S\u00ec, partner Odoo con expertise AI pu\u00f2 consegnare progetto chiavi in mano. Per evolution e maintenance: data scientist part-time o consulenza ricorrente sufficient per PMI &lt; 200 utenti.<\/p>\n<h3>Quanto \u00e8 accurato un buon modello?<\/h3>\n<p>Per PMI tipica: AUC 0.75-0.85 \u00e8 realistico. Sopra 0.90 raro e potenzialmente segno di overfitting. Sotto 0.70 marginalmente utile, da migliorare. Comparison sempre con baseline pre-AI.<\/p>\n<h3>Devo coinvolgere il sales team da subito?<\/h3>\n<p>S\u00ec, ma con timing. Discovery e training: sales team coinvolto. Development tecnico: meno. Rollout: shadow mode prima, poi pilot, poi full. Comunicazione trasparente su capabilities e limiti modello.<\/p>\n<h3>Cosa fare se il modello fa errori evidenti?<\/h3>\n<p>Per ogni &#8220;errore evidente&#8221; raccoglierlo come feedback. Trimestralmente: review pattern errori, valutare se data quality, feature engineering, o limit fondamentale del modello. Retraining con dati corretti \/ nuove feature.<\/p>\n<h2>Prossimi passi<\/h2>\n<p>Nelle prossime guide vedremo come <strong>scalare l&#8217;AI da 1 a 5 casi d&#8217;uso<\/strong> con governance unitaria, come <strong>misurare ROI complessivo AI<\/strong> nel portafoglio, e come <strong>integrare AI con strategia digital transformation<\/strong> complessiva della PMI.<\/p>\n<p style=\"margin-top:30px;background:#f4f4f8;padding:18px;border-radius:8px;\"><strong>Vuoi implementare AI lead scoring nella tua PMI?<\/strong><br \/>\nG Tech Group sviluppa sistemi AI lead scoring per Odoo PMI italiane: data exploration, feature engineering, modello custom, integrazione, monitoring. Payback tipico 8-14 mesi.<br \/>\n<a href=\"https:\/\/brentasoft.com\/preventivatore.php\"><strong>Richiedi un preventivo gratuito<\/strong><\/a> oppure prova la nostra <a href=\"https:\/\/odoo.brentasoft.com\/\">demo Odoo 19 live<\/a>. Oppure <a href=\"https:\/\/www.odoo.com?utm_campaign=partner-d192ce8a&amp;utm_source=partner_ref\" target=\"_blank\" rel=\"noopener noreferrer\">prova Odoo direttamente su odoo.com<\/a> (link partner Brentasoft).<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Quarantasettesima guida Odoo 19: implementazione AI lead scoring step-by-step. Requisiti dati, feature engineering, algoritmo, integrazione, deployment, casi pratici PMI.<\/p>\n","protected":false},"author":2,"featured_media":3368,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"AI lead scoring Odoo: guida implementazione PMI","_seopress_titles_desc":"Come implementare AI lead scoring in Odoo step-by-step: requisiti dati, feature engineering, training, integrazione, deployment, casi pratici PMI italiane.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"https:\/\/brentasoft.com\/blog\/ai-lead-scoring-odoo-19-implementazione-pmi-italiane\/","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"https:\/\/brentasoft.com\/blog\/wp-content\/uploads\/2026\/06\/odoo-ai-impl-01-pipeline.png","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[689,4],"tags":[],"class_list":["post-3371","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-guide-odoo","category-intelligenza-artificiale"],"_links":{"self":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts\/3371","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/comments?post=3371"}],"version-history":[{"count":0,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/posts\/3371\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/media\/3368"}],"wp:attachment":[{"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/media?parent=3371"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/categories?post=3371"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/brentasoft.com\/blog\/wp-json\/wp\/v2\/tags?post=3371"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}