{"id":34111,"date":"2025-07-31T10:22:53","date_gmt":"2025-07-31T08:22:53","guid":{"rendered":"https:\/\/www.haufe-akademie.de\/blog\/?post_type=glossary&#038;p=34111"},"modified":"2025-07-31T10:23:12","modified_gmt":"2025-07-31T08:23:12","slug":"eda","status":"publish","type":"glossary","link":"https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/","title":{"rendered":"EDA"},"content":{"rendered":"<h1><strong>Explorative Datenanalyse (EDA)<\/strong><\/h1>\n<h2><strong>Was ist eine explorative Datenanalyse?<\/strong><\/h2>\n<p>Explorative Datenanalyse steht f\u00fcr <strong><em>Exploratory Data Analysis<\/em><\/strong> (kurz EDA). Sie ist ein methodischer Ansatz zur systematischen Untersuchung von Datens\u00e4tzen. Dabei werden ohne vorab festgelegte Hypothesen Muster, Zusammenh\u00e4nge, Ausrei\u00dfer und Strukturen entdeckt. Oft bildet sie den ersten Schritt in der Analyse. So lassen sich Daten besser verstehen.<\/p>\n<h2><strong>Was sind Ziele der explorativen Datenanalyse?<\/strong><\/h2>\n<p>Ziel der EDA ist es, ein Gef\u00fchl f\u00fcr die Daten zu entwickeln: Was steckt drin? Welche Merkmale sind auff\u00e4llig? Wo gibt es L\u00fccken oder Anomalien? Sie bereitet die Grundlage f\u00fcr weiterf\u00fchrende statistische Analysen oder Modellierungen.<\/p>\n<h2><strong>Typische Aufgaben der EDA<\/strong><\/h2>\n<ul>\n<li>Pr\u00fcfung, ob Werte fehlen, ausrei\u00dfen oder nicht stimmen<\/li>\n<li>Ermittlung von Verteilungen und Korrelationen<\/li>\n<li>Visualisierung von Daten mittels Diagrammen (Boxplots, Histogramme, Scatterplots etc.)<\/li>\n<li>Aufdeckung von Zusammenh\u00e4ngen, Mustern oder Trends<\/li>\n<\/ul>\n<p><strong>Wichtig:<\/strong> Die Datenqualit\u00e4t muss vor der Modellbildung oder dem Hypothesentest \u00fcberpr\u00fcft werden.<\/p>\n<h2><strong>Abgrenzung zur allgemeinen Datenanalyse<\/strong><\/h2>\n<p>Die explorative Datenanalyse ist ein Teil der Datenanalyse. Sie ist jedoch offen und ohne Hypothesen. Die klassische Datenanalyse versucht meistens, eine bestimmte Frage zu beantworten oder zu \u00fcberpr\u00fcfen, ob eine bestimmte Annahme stimmt (zum Beispiel: \u201eIst Ma\u00dfnahme A wirksamer als B?\u201c).<\/p>\n<p>Bei EDA geht es stattdessen darum, die Daten einfach zu untersuchen. Sie ist besonders n\u00fctzlich, wenn ein Projekt gerade erst begonnen hat, bei unbekannten Datens\u00e4tzen oder wenn weitere Analysen vorbereitet werden sollen.<\/p>\n<h2><strong>Vor- und Nachteile der explorativen Datenanalyse<\/strong><\/h2>\n<table>\n<tbody>\n<tr>\n<td width=\"293\"><strong>Vorteile<\/strong><\/td>\n<td width=\"311\"><strong>Nachteile<\/strong><\/td>\n<\/tr>\n<tr>\n<td width=\"293\">Liefert wertvolle Einblicke ohne Vorannahmen<\/td>\n<td width=\"311\">Ergebnisse sind nicht verallgemeinerbar<\/td>\n<\/tr>\n<tr>\n<td width=\"293\">Hilft, Modelle oder Hypothesen zu bilden<\/td>\n<td width=\"311\">Manche Muster werden \u00fcberinterpretiert<\/td>\n<\/tr>\n<tr>\n<td width=\"293\">Zeigt Datenqualit\u00e4tsprobleme auf<\/td>\n<td width=\"311\">Nicht geeignet f\u00fcr kausale Aussagen<\/td>\n<\/tr>\n<tr>\n<td width=\"293\">Unterst\u00fctzt ein tiefes Verst\u00e4ndnis komplexer Daten zu gewinnen<\/td>\n<td width=\"311\">Kann ohne Erfahrung zeitaufwendig sein<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>&nbsp;<\/p>\n<h2><strong>Wie wichtig ist EDA im Unternehmen?<\/strong><\/h2>\n<p>EDA ist besonders f\u00fcr Unternehmen hilfreich, die Daten f\u00fcr Entscheidungen nutzen m\u00f6chten. Das gilt f\u00fcr die Marktforschung, das Kundenmanagement oder die Produktion. Sie wird verwendet, wenn neue Datenquellen integriert oder gro\u00dfe Mengen an Nutzungsdaten analysiert werden. EDA hilft auch im Bereich HR Analytics. Sie erkennt Muster in Fluktuation, Krankmeldungen oder Weiterbildungsnutzung \u2013 lange bevor konkrete Ma\u00dfnahmen abgeleitet werden.<\/p>\n<h2><strong>Praxisbeispiel<\/strong><\/h2>\n<p>Ein Online-Shop m\u00f6chte wissen, warum bestimmte Kundengruppen seltener kaufen. Bevor Hypothesen aufgestellt werden, f\u00fchrt ein Data Analyst eine explorative Analyse durch. Hierf\u00fcr wertet er demografische Daten, Kaufverhalten, Retourenraten und Support-Kontakte aus.<\/p>\n<p>Daraus kann er ableiten wie die Kundinnen und Kunden \u201eticken\u201c, also was sie kaufen, wie viele Sachen sie zur\u00fcckschicken und wie oft sie Hilfe brauchen. Mithilfe von Visualisierungen erkennt er, dass besonders Neukundinnen und -kunden aus st\u00e4dtischen Regionen mit niedriger Retourenquote selten erneut bestellen \u2013 ein \u00fcberraschendes Muster.<\/p>\n<p>Eine genauere Untersuchung zeigt: Die Lieferzeiten in diesen Regionen sind h\u00e4ufig l\u00e4nger als versprochen. Die EDA liefert damit erste Hinweise, wo nachjustiert werden muss.<\/p>\n<p>&nbsp;<\/p>\n<div class=\"seminartipp\">\r\n\t\r\n\t<div class=\"content-wrapper\">\r\n\t\t\r\n\t\t<div class=\"\">\r\n\t\t\t\r\n\t\t\t<p class=\"h3\">Mit Daten und KI die Zukunft gestalten<\/p>\r\n\t\t\t<p>Ob Grundlagen oder Deep Dive \u2013 entwickle deine Skills im Bereich \u201cData Analytics und K\u00fcnstliche Intelligenz\u201d gezielt weiter und mach dich fit f\u00fcr die datengetriebene Arbeitswelt.<\/p>\n<br\/>\r\n\t\t\t<a class=\"btn\" href=\"https:\/\/www.haufe-akademie.de\/hierarchy\/data-analytics-ki\" onclick=\"target_econda_article()\" data-track-style=\"clickbtn\" data-track-type=\"link\" data-track-action=\"recoprimary\" target=\"_blank\">Jetzt entdecken<\/a>\r\n\t\t<\/div>\r\n\t<\/div>\r\n\t<div class=\"clear\"><\/div>\r\n\t\r\n<\/div><h2><strong>FAQ<\/strong><\/h2>\n<h3><strong>Was ist das Ziel der explorativen Datenanalyse?<\/strong><\/h3>\n<p>Nicht das Best\u00e4tigen, sondern das Entdecken: Ziel ist es, Muster, Auff\u00e4lligkeiten und Strukturen in Daten zu erkennen, die als Grundlage f\u00fcr sp\u00e4tere Analysen dienen k\u00f6nnen.<\/p>\n<h3><strong>Welche Tools werden f\u00fcr EDA h\u00e4ufig verwendet?<\/strong><\/h3>\n<p>Typische Tools bzw. Programmiersprachen sind Python (z.\u202fB. mit Programmbibliotheken wie Pandas, Matplotlib, Seaborn), R, Power BI oder Excel \u2013 je nach Komplexit\u00e4t und Zielgruppe.<\/p>\n<h3><strong>Wann ist EDA sinnvoll?<\/strong><\/h3>\n<p>Immer dann, wenn mit neuen Daten gearbeitet wird, die Datenstruktur unbekannt ist oder als Vorbereitung f\u00fcr statistische Tests oder Machine-Learning-Modelle.<\/p>\n<h3><strong>Was unterscheidet EDA von Data Mining?<\/strong><\/h3>\n<p>EDA ist st\u00e4rker visuell und hypothesenfrei. Data Mining hingegen nutzt oft komplexere Algorithmen, um Muster zu erkennen.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Explorative Datenanalyse (EDA) Was ist eine explorative Datenanalyse? Explorative Datenanalyse steht f\u00fcr Exploratory Data Analysis (kurz EDA). Sie ist ein methodischer Ansatz zur systematischen Untersuchung von Datens\u00e4tzen. Dabei werden ohne vorab festgelegte Hypothesen Muster, Zusammenh\u00e4nge, Ausrei\u00dfer und Strukturen entdeckt. Oft bildet sie den ersten Schritt in der Analyse. So lassen sich Daten besser verstehen. Was<\/p>\n<div class=\"pageReadMore\"><i class=\"fa fa-angle-right\"><\/i><a href=\"https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/\" title=\"Beitrag lesen\">Beitrag lesen<\/a><\/div>\n","protected":false},"author":148,"featured_media":0,"menu_order":0,"template":"","meta":{"_acf_changed":false,"_lmt_disableupdate":"no","_lmt_disable":"","footnotes":""},"glossary-categories":[6428],"glossary-tags":[],"glossary-languages":[],"class_list":{"0":"post-34111","1":"glossary","2":"type-glossary","3":"status-publish","5":"glossary-categories-data-ki"},"post_title":"EDA","post_content":"<h1><strong>Explorative Datenanalyse (EDA)<\/strong><\/h1>\r\n<h2><strong>Was ist eine explorative Datenanalyse?<\/strong><\/h2>\r\nExplorative Datenanalyse steht f\u00fcr <strong><em>Exploratory Data Analysis<\/em><\/strong> (kurz EDA). Sie ist ein methodischer Ansatz zur systematischen Untersuchung von Datens\u00e4tzen. Dabei werden ohne vorab festgelegte Hypothesen Muster, Zusammenh\u00e4nge, Ausrei\u00dfer und Strukturen entdeckt. Oft bildet sie den ersten Schritt in der Analyse. So lassen sich Daten besser verstehen.\r\n<h2><strong>Was sind Ziele der explorativen Datenanalyse?<\/strong><\/h2>\r\nZiel der EDA ist es, ein Gef\u00fchl f\u00fcr die Daten zu entwickeln: Was steckt drin? Welche Merkmale sind auff\u00e4llig? Wo gibt es L\u00fccken oder Anomalien? Sie bereitet die Grundlage f\u00fcr weiterf\u00fchrende statistische Analysen oder Modellierungen.\r\n<h2><strong>Typische Aufgaben der EDA<\/strong><\/h2>\r\n<ul>\r\n \t<li>Pr\u00fcfung, ob Werte fehlen, ausrei\u00dfen oder nicht stimmen<\/li>\r\n \t<li>Ermittlung von Verteilungen und Korrelationen<\/li>\r\n \t<li>Visualisierung von Daten mittels Diagrammen (Boxplots, Histogramme, Scatterplots etc.)<\/li>\r\n \t<li>Aufdeckung von Zusammenh\u00e4ngen, Mustern oder Trends<\/li>\r\n<\/ul>\r\n<strong>Wichtig:<\/strong> Die Datenqualit\u00e4t muss vor der Modellbildung oder dem Hypothesentest \u00fcberpr\u00fcft werden.\r\n<h2><strong>Abgrenzung zur allgemeinen Datenanalyse<\/strong><\/h2>\r\nDie explorative Datenanalyse ist ein Teil der Datenanalyse. Sie ist jedoch offen und ohne Hypothesen. Die klassische Datenanalyse versucht meistens, eine bestimmte Frage zu beantworten oder zu \u00fcberpr\u00fcfen, ob eine bestimmte Annahme stimmt (zum Beispiel: \u201eIst Ma\u00dfnahme A wirksamer als B?\u201c).\r\n\r\nBei EDA geht es stattdessen darum, die Daten einfach zu untersuchen. Sie ist besonders n\u00fctzlich, wenn ein Projekt gerade erst begonnen hat, bei unbekannten Datens\u00e4tzen oder wenn weitere Analysen vorbereitet werden sollen.\r\n<h2><strong>Vor- und Nachteile der explorativen Datenanalyse<\/strong><\/h2>\r\n<table>\r\n<tbody>\r\n<tr>\r\n<td width=\"293\"><strong>Vorteile<\/strong><\/td>\r\n<td width=\"311\"><strong>Nachteile<\/strong><\/td>\r\n<\/tr>\r\n<tr>\r\n<td width=\"293\">Liefert wertvolle Einblicke ohne Vorannahmen<\/td>\r\n<td width=\"311\">Ergebnisse sind nicht verallgemeinerbar<\/td>\r\n<\/tr>\r\n<tr>\r\n<td width=\"293\">Hilft, Modelle oder Hypothesen zu bilden<\/td>\r\n<td width=\"311\">Manche Muster werden \u00fcberinterpretiert<\/td>\r\n<\/tr>\r\n<tr>\r\n<td width=\"293\">Zeigt Datenqualit\u00e4tsprobleme auf<\/td>\r\n<td width=\"311\">Nicht geeignet f\u00fcr kausale Aussagen<\/td>\r\n<\/tr>\r\n<tr>\r\n<td width=\"293\">Unterst\u00fctzt ein tiefes Verst\u00e4ndnis komplexer Daten zu gewinnen<\/td>\r\n<td width=\"311\">Kann ohne Erfahrung zeitaufwendig sein<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n&nbsp;\r\n<h2><strong>Wie wichtig ist EDA im Unternehmen?<\/strong><\/h2>\r\nEDA ist besonders f\u00fcr Unternehmen hilfreich, die Daten f\u00fcr Entscheidungen nutzen m\u00f6chten. Das gilt f\u00fcr die Marktforschung, das Kundenmanagement oder die Produktion. Sie wird verwendet, wenn neue Datenquellen integriert oder gro\u00dfe Mengen an Nutzungsdaten analysiert werden. EDA hilft auch im Bereich HR Analytics. Sie erkennt Muster in Fluktuation, Krankmeldungen oder Weiterbildungsnutzung \u2013 lange bevor konkrete Ma\u00dfnahmen abgeleitet werden.\r\n<h2><strong>Praxisbeispiel<\/strong><\/h2>\r\nEin Online-Shop m\u00f6chte wissen, warum bestimmte Kundengruppen seltener kaufen. Bevor Hypothesen aufgestellt werden, f\u00fchrt ein Data Analyst eine explorative Analyse durch. Hierf\u00fcr wertet er demografische Daten, Kaufverhalten, Retourenraten und Support-Kontakte aus.\r\n\r\nDaraus kann er ableiten wie die Kundinnen und Kunden \u201eticken\u201c, also was sie kaufen, wie viele Sachen sie zur\u00fcckschicken und wie oft sie Hilfe brauchen. Mithilfe von Visualisierungen erkennt er, dass besonders Neukundinnen und -kunden aus st\u00e4dtischen Regionen mit niedriger Retourenquote selten erneut bestellen \u2013 ein \u00fcberraschendes Muster.\r\n\r\nEine genauere Untersuchung zeigt: Die Lieferzeiten in diesen Regionen sind h\u00e4ufig l\u00e4nger als versprochen. Die EDA liefert damit erste Hinweise, wo nachjustiert werden muss.\r\n\r\n&nbsp;\r\n\r\n[pods name=\"seminartipp\" slug=\"34001\" template=\"Seminartipp\"]\r\n<h2><strong>FAQ<\/strong><\/h2>\r\n<h3><strong>Was ist das Ziel der explorativen Datenanalyse?<\/strong><\/h3>\r\nNicht das Best\u00e4tigen, sondern das Entdecken: Ziel ist es, Muster, Auff\u00e4lligkeiten und Strukturen in Daten zu erkennen, die als Grundlage f\u00fcr sp\u00e4tere Analysen dienen k\u00f6nnen.\r\n<h3><strong>Welche Tools werden f\u00fcr EDA h\u00e4ufig verwendet?<\/strong><\/h3>\r\nTypische Tools bzw. Programmiersprachen sind Python (z.\u202fB. mit Programmbibliotheken wie Pandas, Matplotlib, Seaborn), R, Power BI oder Excel \u2013 je nach Komplexit\u00e4t und Zielgruppe.\r\n<h3><strong>Wann ist EDA sinnvoll?<\/strong><\/h3>\r\nImmer dann, wenn mit neuen Daten gearbeitet wird, die Datenstruktur unbekannt ist oder als Vorbereitung f\u00fcr statistische Tests oder Machine-Learning-Modelle.\r\n<h3><strong>Was unterscheidet EDA von Data Mining?<\/strong><\/h3>\r\nEDA ist st\u00e4rker visuell und hypothesenfrei. Data Mining hingegen nutzt oft komplexere Algorithmen, um Muster zu erkennen.","acf":{"p_authors":null},"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.1.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Explorative Datenanalyse (EDA): Definition, Aufgaben &amp; Ziele<\/title>\n<meta name=\"description\" content=\"Erfahre, was explorative Datenanalyse (EDA) leistet und wie sie Muster und Datenprobleme sichtbar macht - Ziele &amp; Aufgaben\" \/>\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.haufe-akademie.de\/blog\/glossar\/eda\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Explorative Datenanalyse (EDA): Definition, Aufgaben &amp; Ziele\" \/>\n<meta property=\"og:description\" content=\"Erfahre, was explorative Datenanalyse (EDA) leistet und wie sie Muster und Datenprobleme sichtbar macht - Ziele &amp; Aufgaben\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/\" \/>\n<meta property=\"og:site_name\" content=\"Haufe Akademie\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/HaufeAkademie\" \/>\n<meta property=\"article:modified_time\" content=\"2025-07-31T08:23:12+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:site\" content=\"@HaufeAkademie\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\" Minuten\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Explorative Datenanalyse (EDA): Definition, Aufgaben & Ziele","description":"Erfahre, was explorative Datenanalyse (EDA) leistet und wie sie Muster und Datenprobleme sichtbar macht - Ziele & Aufgaben","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.haufe-akademie.de\/blog\/glossar\/eda\/","og_locale":"de_DE","og_type":"article","og_title":"Explorative Datenanalyse (EDA): Definition, Aufgaben & Ziele","og_description":"Erfahre, was explorative Datenanalyse (EDA) leistet und wie sie Muster und Datenprobleme sichtbar macht - Ziele & Aufgaben","og_url":"https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/","og_site_name":"Haufe Akademie","article_publisher":"https:\/\/www.facebook.com\/HaufeAkademie","article_modified_time":"2025-07-31T08:23:12+00:00","twitter_card":"summary_large_image","twitter_site":"@HaufeAkademie","twitter_misc":{"Verfasst von":"","Gesch\u00e4tzte Lesezeit":" Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/","url":"https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/","name":"Explorative Datenanalyse (EDA): Definition, Aufgaben & Ziele","isPartOf":{"@id":"https:\/\/www.haufe-akademie.de\/blog\/#website"},"datePublished":"2025-07-31T08:22:53+00:00","dateModified":"2025-07-31T08:23:12+00:00","description":"Erfahre, was explorative Datenanalyse (EDA) leistet und wie sie Muster und Datenprobleme sichtbar macht - Ziele & Aufgaben","breadcrumb":{"@id":"https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.haufe-akademie.de\/blog\/glossar\/eda\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.haufe-akademie.de\/blog\/"},{"@type":"ListItem","position":2,"name":"EDA"}]},{"@type":"WebSite","@id":"https:\/\/www.haufe-akademie.de\/blog\/#website","url":"https:\/\/www.haufe-akademie.de\/blog\/","name":"Haufe Akademie","description":"","publisher":{"@id":"https:\/\/www.haufe-akademie.de\/blog\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.haufe-akademie.de\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de-DE"},{"@type":"Organization","@id":"https:\/\/www.haufe-akademie.de\/blog\/#organization","name":"Haufe Akademie","url":"https:\/\/www.haufe-akademie.de\/blog\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/www.haufe-akademie.de\/blog\/#\/schema\/logo\/image\/","url":"https:\/\/www.haufe-akademie.de\/blog\/wp-content\/uploads\/2024\/06\/favicon_haufe.png","contentUrl":"https:\/\/www.haufe-akademie.de\/blog\/wp-content\/uploads\/2024\/06\/favicon_haufe.png","width":144,"height":144,"caption":"Haufe Akademie"},"image":{"@id":"https:\/\/www.haufe-akademie.de\/blog\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/HaufeAkademie","https:\/\/x.com\/HaufeAkademie"]}]}},"jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/glossary\/34111","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/glossary"}],"about":[{"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/types\/glossary"}],"author":[{"embeddable":true,"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/users\/148"}],"version-history":[{"count":1,"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/glossary\/34111\/revisions"}],"predecessor-version":[{"id":34115,"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/glossary\/34111\/revisions\/34115"}],"wp:attachment":[{"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/media?parent=34111"}],"wp:term":[{"taxonomy":"glossary-categories","embeddable":true,"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/glossary-categories?post=34111"},{"taxonomy":"glossary-tags","embeddable":true,"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/glossary-tags?post=34111"},{"taxonomy":"glossary-languages","embeddable":true,"href":"https:\/\/www.haufe-akademie.de\/blog\/wp-json\/wp\/v2\/glossary-languages?post=34111"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}