Dataset Gratuito: 944 Conversas de Atendimento em Portugues

Se voce ja tentou treinar um chatbot em portugues, sabe a dor: faltam dados. A maioria dos datasets publicos esta em ingles, e os poucos em portugues sao pequenos ou mal estruturados.

Por isso criei o Brazilian Customer Service Conversations - um dataset open-source com 944 conversas de atendimento ao cliente em portugues brasileiro.

O Que Tem no Dataset

O dataset contem conversas sinteticas de alta qualidade, simulando interacoes reais entre clientes e atendentes.

Numeros:

• 944 conversas completas
• ~7.000 mensagens no total
• Media de 7 turnos por conversa
• 8 setores diferentes
• 9 intencoes classificadas
• 3 niveis de sentimento

Setores Cobertos

As conversas cobrem diversos setores da economia brasileira:

• E-commerce - Pedidos, entregas, trocas
• Financeiro - Bancos, fintechs, cartoes
• Telecom - Internet, celular, TV
• Saude - Clinicas, laboratorios, farmacias
• Educacao - Escolas, cursos, matriculas
• Restaurante/Delivery - Pedidos, reclamacoes
• Imobiliario - Alugueis, vendas, visitas
• Tecnologia/SaaS - Suporte tecnico, assinaturas

Intencoes Classificadas

Cada conversa tem uma intencao principal identificada:

Intencao	Descricao
saudacao	Cumprimento inicial
duvida_produto	Perguntas sobre produtos
duvida_servico	Perguntas sobre servicos
reclamacao	Problema ou insatisfacao
suporte_tecnico	Ajuda tecnica
compra	Intencao de comprar
cancelamento	Pedido de cancelamento
elogio	Feedback positivo
outros	Outras situacoes

Como Usar

O dataset esta no HuggingFace e pode ser carregado com uma linha de codigo:

from datasets import load_dataset

dataset = load_dataset("RichardSakaguchiMS/brazilian-customer-service-conversations")

train = dataset["train"]       # 755 conversas
validation = dataset["validation"]  # 94 conversas
test = dataset["test"]         # 95 conversas

Classificacao de Intencao

Para treinar um classificador de intencao:

# Primeira mensagem do cliente como input
X = [ex["messages"][0]["content"] for ex in dataset["train"]]

# Intencao como label
y = [ex["metadata"]["intent"] for ex in dataset["train"]]

Analise de Sentimento

Para treinar um modelo de sentimento:

# Concatena todas as mensagens da conversa
texts = [" ".join([m["content"] for m in ex["messages"]]) for ex in dataset["train"]]

# Sentimento: positive, neutral, negative
labels = [ex["metadata"]["sentiment"] for ex in dataset["train"]]

Estrutura dos Dados

Cada entrada tem o seguinte formato:

{
  "id": "conv_00042",
  "messages": [
    {"role": "customer", "content": "Oi, preciso de ajuda"},
    {"role": "agent", "content": "Ola! Como posso ajudar?"}
  ],
  "metadata": {
    "intent": "duvida_servico",
    "sentiment": "neutral",
    "sector": "ecommerce",
    "turns": 2
  }
}

Caracteristicas Linguisticas

O dataset captura o portugues brasileiro informal usado em atendimentos reais:

• Abreviacoes: vc, td, ta, pq, msg
• Girias: beleza, show, blz
• Informalidade controlada: Equilibrio entre casual e profissional
• Variacao de registro: Do formal ao informal

Casos de Uso

Ja pensei em alguns usos praticos:

1. Treinar chatbots - Fine-tuning de LLMs como Llama, Mistral
2. Classificar intencoes - Roteamento automatico de tickets
3. Analisar sentimento - Detectar clientes insatisfeitos
4. Gerar respostas - Base para modelos de resposta automatica
5. Benchmark - Avaliar modelos de NLU em portugues

Limitacoes

Sendo honesto sobre o que o dataset NAO e:

• Sintetico - Gerado por LLM, nao sao conversas reais
• Vieses - Pode ter vieses do modelo gerador
• Escala - 944 conversas pode ser pouco para alguns usos

Para producao, recomendo complementar com dados reais da sua operacao.

Benchmark Inicial

Testei alguns modelos basicos para ter uma referencia:

Tarefa	Metrica	Baseline
Classificacao de Intencao	F1-Score	~0.72
Analise de Sentimento	Accuracy	~0.78

Tem espaco para melhorar com modelos mais sofisticados.

Acesse o Dataset

O dataset esta disponivel gratuitamente no HuggingFace:

brazilian-customer-service-conversations

Licenca Apache 2.0 - pode usar comercialmente.

---

Se voce usar o dataset em algum projeto, me conta! Fico curioso pra ver o que a comunidade vai criar com isso.