Findings - Overview

O que os dados dizem sobre um ano de conversa

Author

Marlon

Published

May 7, 2026

Um ano em dados

Entre 19 de outubro de 2024 e 20 de outubro de 2025, P1 e P2 trocaram 91.924 mensagens no WhatsApp. Dessas, 89.336 pertencem à fase de Relacionamento (a partir de 16 de dezembro de 2024, quando eles começaram a namorar).

Este projeto transformou esse corpus em uma pipeline de Data Science — limpeza, wrangling, feature engineering, modelos de sentimento, embeddings semânticos e análise exploratória — com 20+ notebooks documentados. O site inteiro é a prova de trabalho: cada transformação, cada decisão, cada gráfico aberto ao escrutínio.

Esta seção — Descobertas — fecha o loop. Ao invés de mais pipeline, aqui são os findings: o que os dados, depois de tudo isso, dizem.

Tip

Como ler este panorama: cada seção abaixo consolida um eixo analítico e linka para o notebook detalhado. Você pode ler só essa página e ter o retrato geral, ou descer pelos notebooks específicos quando algo chamar atenção.

Setup

Code

import pandas as pd
import numpy as np
from pathlib import Path
import warnings
warnings.filterwarnings('ignore')

from whatsapp.pipeline.config import DATA_FOLDER
DATA_DIR = Path("../data/processed") / DATA_FOLDER

df = pd.read_parquet(DATA_DIR / 'messages_with_models.parquet')
dfc = pd.read_parquet(DATA_DIR / 'messages_with_context.parquet')
df['fase_relacionamento'] = dfc['fase_relacionamento']
df['timestamp'] = pd.to_datetime(df['timestamp'])

df_total = df
df_rel = df[df['fase_relacionamento'] == 'Relacionamento'].copy()

Escala e escopo

Code

resumo = {
    'Total de mensagens': f"{len(df_total):,}",
    'Período completo': f"{df_total['timestamp'].min().strftime('%d/%m/%Y')} → {df_total['timestamp'].max().strftime('%d/%m/%Y')}",
    'Duração': f"{(df_total['timestamp'].max() - df_total['timestamp'].min()).days} dias",
    'Fase Relacionamento (msgs)': f"{len(df_rel):,}",
    'Fase Relacionamento (dias)': f"{df_rel['timestamp'].dt.date.nunique()} dias",
    'Média msgs/dia (Relacionamento)': f"{len(df_rel)/df_rel['timestamp'].dt.date.nunique():.0f}",
    'Mensagens P1': f"{(df_rel['remetente']=='P1').sum():,} ({(df_rel['remetente']=='P1').mean()*100:.1f}%)",
    'Mensagens P2': f"{(df_rel['remetente']=='P2').sum():,} ({(df_rel['remetente']=='P2').mean()*100:.1f}%)",
    'Mensagens só com mídia': f"{(df_rel['conteudo'].isna() | (df_rel['conteudo']=='')).sum():,}",
    'Dias juntos': f"{df_rel.groupby(df_rel['timestamp'].dt.date)['em_encontro'].any().sum()} ({df_rel.groupby(df_rel['timestamp'].dt.date)['em_encontro'].any().mean()*100:.1f}%)",
}
pd.DataFrame(list(resumo.items()), columns=['Métrica', 'Valor'])

	Métrica	Valor
0	Total de mensagens	91,924
1	Período completo	19/10/2024 → 20/10/2025
2	Duração	366 dias
3	Fase Relacionamento (msgs)	89,336
4	Fase Relacionamento (dias)	301 dias
5	Média msgs/dia (Relacionamento)	297
6	Mensagens P1	45,591 (51.0%)
7	Mensagens P2	43,745 (49.0%)
8	Mensagens só com mídia	22,593
9	Dias juntos	110 (36.5%)

Contexto anterior: as 2.588 mensagens pré-16/dez/2024 estão rotuladas como fase “Amizade” e ficam fora da maioria das análises — o escopo dos findings é o ano de namoro.

Os quatro eixos

Os findings estão organizados em quatro dimensões, cada uma com seu próprio notebook. Abaixo, a síntese de cada um — o que ler se tiver 2 minutos.

1. Dinâmica — [08 - Findings Dinâmica]

Volume, frequência e padrões temporais. O arco do ano tem forma clara: começa forte (jan/2025 com 9k msgs), explode no inverno (julho com 17k — o ápice), e cai drasticamente no fim (set–out com ~3k cada, queda de 75% frente ao pico).

Finding central: a distância alimenta o texto. Quando separados, mandam ~3× mais mensagens por dia (398/dia) do que quando juntos (121/dia). O texto escrito é, funcionalmente, um preenchimento da ausência.

Outros achados:

Pico diário: 22/jun/2025 com 1.288 mensagens em um único dia.
Conversa se intensifica entre 17h–20h; zona morta 0–7h.
Finais de semana à noite são os momentos mais carregados.

2. Sentimento — [09 - Findings Sentimento]

Três modelos (RoBERTa, DistilBERT, DeBERTa) + ensemble foram aplicados a cada mensagem textual. A maior surpresa: o tom é notavelmente estável ao longo do ano.

Finding central: 58% neutro, 27% positivo, 15% negativo. Positivas pesam ~1,8× mais que negativas. Não é uma conversa de adjetivos amorosos todo o tempo — é cotidiana com viés afetuoso. E essa proporção mal se move mês a mês, mesmo com o volume oscilando 3×.

Outros achados:

A queda de volume do fim não foi queda de tom. Setembro/outubro tiveram menos mensagens, mas o sentimento permaneceu dentro do padrão anual.
P1 é marginalmente mais positivo (29,8% vs. 24,8%); P2 mais neutro/negativo — coerente com o estilo de emojis.
Juntos = mais neutro; separados = mais positivo (no texto). Quando presentes, o texto vira operacional; separados, é o canal principal de afeto verbal.

Caveat

Os 3 modelos foram treinados majoritariamente em inglês; a conversa é em português coloquial. Leia proporções e tendências, não valores absolutos.

3. Temas — [10 - Findings Temas]

Embeddings (768d) + K-Means (k=10) + TF-IDF produziram dez famílias de mensagens com identidades claras:

Cluster	Tema	Tamanho
C1	Reações e confirmações	12.744 (19%)
C5	Expressões importadas e links	10.555 (16%)
C9	Planos e vontades	9.459 (14%)
C2	Afeto explícito	7.279 (11%)
C8	Frustrações e negatividade	5.951 (9%)
C6	Rotina diária (dormir/acordar)	5.876 (9%)
C4	Comida, desejo e apelidos	4.844 (7%)
C7	Conversas sobre terceiros	4.684 (7%)
C3	Risadas (kkkk)	3.055 (5%)
C0	Saudações e agradecimentos	2.296 (3%)

Finding central: o miolo da conversa é reativo/confirmatório, não afetivo. C1 + C5 + C9 somam quase metade. Só ~11% das mensagens são afeto explícito (C2).

Outros achados:

P1 é reativo-carinhoso; P2 é propositivo-desejoso. P1 lidera em saudações e reações curtas. P2 lidera em risadas, comida/desejo e planos/vontades.
Afeto explícito (C2) cresceu nos primeiros meses — de 6% em dez/2024 para 11% em mar/2025 e estabilizou.
Frustrações (C8) têm canal preferencial: separados (−1,6pp quando juntos). Desabafos pesados usam o texto, não a presença.

4. Estilos de escrita — [11 - Findings Estilos]

Como cada um se expressa. Volume é quase equilibrado (51/49), mas estilo é bem assimétrico.

Finding central: P1 é emoji-diverso; P2 é emoji-fiel. P1 rotaciona entre 😍 😂 😘 🥰 🖤 🫶. P2 carimba 💚 em praticamente toda mensagem com emoji (1.504 vezes — mais do que todos os top-emojis de P1 combinados). É uma assinatura pessoal forte, quase exclusiva.

Outros achados:

P2 é visivelmente mais enfático na escrita — quase 4× mais exclamações. “P1 pontua, P2 explode.”
Apelidos simétricos: P1 chama P2 de “gata”; P2 chama P1 de “gato”.
P1 verbaliza com carinho (“linda”, “baby”, “hahaha”); P2 abrevia e narra (“mto”, “queria”, “kkkkkk”).
Ambos escrevem em rajadas curtas — mediana de 3–4 palavras por mensagem, 81% são resposta rápida.

Principais descobertas em uma frase cada

A conversa tem ~89 mil mensagens em 10 meses, com uma curva que explode no inverno e cai no fim.
Distância alimenta texto. Separados mandam 3× mais mensagens por dia.
O tom é 58% neutro, 27% positivo, 15% negativo — e absurdamente estável ao longo do ano.
Só 11% das mensagens são afeto explícito; o miolo é reativo/operacional.
P1 é emoji-diverso e reativo-carinhoso; P2 é emoji-fiel (💚) e propositivo-desejoso.
Quando juntos, texto vira logística. Separados, vira afeto e desabafos.

Limitações e caveats

Modelos de sentimento foram treinados em inglês. Português coloquial + emojis reduz precisão. Leia tendências, não valores absolutos.
Embeddings cobrem só mensagens textuais (66,7k de 89,3k); 25% dos dados — áudios, vídeos, stickers — ficou de fora da análise semântica. Transcrições automáticas existem mas não foram integradas aos embeddings.
É uma conversa, dois interlocutores. Padrões são específicos desse par e não generalizam.
O “fim” do recorte é artificial. Os dados terminam em 20/out/2025 porque foi até aí que o export chegou. A queda de volume no fim pode ser fenômeno real da conversa ou simplesmente truncamento do corpus.
Clustering com k=10 foi escolha pragmática. Clusterings alternativos (k menor, HDBSCAN, etc.) poderiam rearranjar as famílias.

Próximos passos

Integrar transcrições de áudio/vídeo à análise semântica — hoje ficam de fora do clustering e do sentimento.
Modelo de sentimento em português (ex: BERTimbau com fine-tuning) para validar a estabilidade de tom encontrada.
Micro-histórias: examinar os dias de pico (22/jun/2025 com 1.288 msgs) e os vales para entender qualitativamente o que aconteceu.
Segundo export para comparar períodos e validar tendências observadas (uma das oportunidades futuras em aberto no projeto).

Ver o raw

O site inteiro é auditável — entre em Preparação, Modelos ou Análise para ver como cada número acima foi derivado, com código e decisão documentados.

--- title: "Findings - Overview" subtitle: "O que os dados dizem sobre um ano de conversa" author: "Marlon" date: today format: html: toc: true toc-depth: 3 theme: cosmo code-fold: true code-tools: true execute: warning: false echo: true freeze: true --- # Um ano em dados Entre **19 de outubro de 2024** e **20 de outubro de 2025**, P1 e P2 trocaram **91.924 mensagens** no WhatsApp. Dessas, **89.336 pertencem à fase de Relacionamento** (a partir de 16 de dezembro de 2024, quando eles começaram a namorar). Este projeto transformou esse corpus em uma pipeline de Data Science — limpeza, wrangling, feature engineering, modelos de sentimento, embeddings semânticos e análise exploratória — com **20+ notebooks documentados**. O site inteiro é a prova de trabalho: cada transformação, cada decisão, cada gráfico aberto ao escrutínio. Esta seção — **Descobertas** — fecha o loop. Ao invés de mais pipeline, aqui são os findings: o que os dados, depois de tudo isso, *dizem*. ::: {.callout-tip} **Como ler este panorama:** cada seção abaixo consolida um eixo analítico e linka para o notebook detalhado. Você pode ler só essa página e ter o retrato geral, ou descer pelos notebooks específicos quando algo chamar atenção. ::: --- # Setup ```{python} #| label: setup import pandas as pd import numpy as np from pathlib import Path import warnings warnings.filterwarnings('ignore') from whatsapp.pipeline.config import DATA_FOLDER DATA_DIR = Path("../data/processed") / DATA_FOLDER df = pd.read_parquet(DATA_DIR / 'messages_with_models.parquet') dfc = pd.read_parquet(DATA_DIR / 'messages_with_context.parquet') df['fase_relacionamento'] = dfc['fase_relacionamento'] df['timestamp'] = pd.to_datetime(df['timestamp']) df_total = df df_rel = df[df['fase_relacionamento'] == 'Relacionamento'].copy() ``` --- # Escala e escopo ```{python} #| label: escala resumo = { 'Total de mensagens': f"{len(df_total):,}", 'Período completo': f"{df_total['timestamp'].min().strftime('%d/%m/%Y')} → {df_total['timestamp'].max().strftime('%d/%m/%Y')}", 'Duração': f"{(df_total['timestamp'].max() - df_total['timestamp'].min()).days} dias", 'Fase Relacionamento (msgs)': f"{len(df_rel):,}", 'Fase Relacionamento (dias)': f"{df_rel['timestamp'].dt.date.nunique()} dias", 'Média msgs/dia (Relacionamento)': f"{len(df_rel)/df_rel['timestamp'].dt.date.nunique():.0f}", 'Mensagens P1': f"{(df_rel['remetente']=='P1').sum():,} ({(df_rel['remetente']=='P1').mean()*100:.1f}%)", 'Mensagens P2': f"{(df_rel['remetente']=='P2').sum():,} ({(df_rel['remetente']=='P2').mean()*100:.1f}%)", 'Mensagens só com mídia': f"{(df_rel['conteudo'].isna() | (df_rel['conteudo']=='')).sum():,}", 'Dias juntos': f"{df_rel.groupby(df_rel['timestamp'].dt.date)['em_encontro'].any().sum()} ({df_rel.groupby(df_rel['timestamp'].dt.date)['em_encontro'].any().mean()*100:.1f}%)", } pd.DataFrame(list(resumo.items()), columns=['Métrica', 'Valor']) ``` **Contexto anterior:** as 2.588 mensagens pré-16/dez/2024 estão rotuladas como fase "Amizade" e ficam fora da maioria das análises — o escopo dos findings é o ano de **namoro**. --- # Os quatro eixos Os findings estão organizados em quatro dimensões, cada uma com seu próprio notebook. Abaixo, a síntese de cada um — o que ler se tiver 2 minutos. ## 1. Dinâmica — [[08 - Findings Dinâmica](08-findings-dinamica.qmd)] Volume, frequência e padrões temporais. O arco do ano tem forma clara: **começa forte** (jan/2025 com 9k msgs), **explode no inverno** (julho com 17k — o ápice), e **cai drasticamente no fim** (set–out com ~3k cada, queda de 75% frente ao pico). **Finding central:** a **distância alimenta o texto**. Quando separados, mandam **~3× mais mensagens por dia** (398/dia) do que quando juntos (121/dia). O texto escrito é, funcionalmente, um preenchimento da ausência. Outros achados: - Pico diário: 22/jun/2025 com 1.288 mensagens em um único dia. - Conversa se intensifica entre 17h–20h; zona morta 0–7h. - Finais de semana à noite são os momentos mais carregados. ## 2. Sentimento — [[09 - Findings Sentimento](09-findings-sentimento.qmd)] Três modelos (RoBERTa, DistilBERT, DeBERTa) + ensemble foram aplicados a cada mensagem textual. A maior surpresa: **o tom é notavelmente estável ao longo do ano**. **Finding central:** **58% neutro, 27% positivo, 15% negativo**. Positivas pesam ~1,8× mais que negativas. Não é uma conversa de adjetivos amorosos todo o tempo — é cotidiana com viés afetuoso. E essa proporção mal se move mês a mês, mesmo com o volume oscilando 3×. Outros achados: - **A queda de volume do fim não foi queda de tom.** Setembro/outubro tiveram menos mensagens, mas o sentimento permaneceu dentro do padrão anual. - P1 é **marginalmente mais positivo** (29,8% vs. 24,8%); P2 mais neutro/negativo — coerente com o estilo de emojis. - **Juntos = mais neutro; separados = mais positivo (no texto).** Quando presentes, o texto vira operacional; separados, é o canal principal de afeto verbal. ::: {.callout-warning title="Caveat"} Os 3 modelos foram treinados majoritariamente em inglês; a conversa é em português coloquial. Leia proporções e tendências, não valores absolutos. ::: ## 3. Temas — [[10 - Findings Temas](10-findings-temas.qmd)] Embeddings (768d) + K-Means (k=10) + TF-IDF produziram **dez famílias de mensagens** com identidades claras: | Cluster | Tema | Tamanho | |---------|------|---------| | C1 | Reações e confirmações | 12.744 (19%) | | C5 | Expressões importadas e links | 10.555 (16%) | | C9 | Planos e vontades | 9.459 (14%) | | C2 | Afeto explícito | 7.279 (11%) | | C8 | Frustrações e negatividade | 5.951 (9%) | | C6 | Rotina diária (dormir/acordar) | 5.876 (9%) | | C4 | Comida, desejo e apelidos | 4.844 (7%) | | C7 | Conversas sobre terceiros | 4.684 (7%) | | C3 | Risadas (kkkk) | 3.055 (5%) | | C0 | Saudações e agradecimentos | 2.296 (3%) | **Finding central:** **o miolo da conversa é reativo/confirmatório, não afetivo.** C1 + C5 + C9 somam quase metade. Só ~11% das mensagens são afeto explícito (C2). Outros achados: - **P1 é reativo-carinhoso; P2 é propositivo-desejoso.** P1 lidera em saudações e reações curtas. P2 lidera em risadas, comida/desejo e planos/vontades. - **Afeto explícito (C2) cresceu nos primeiros meses** — de 6% em dez/2024 para 11% em mar/2025 e estabilizou. - **Frustrações (C8) têm canal preferencial: separados** (−1,6pp quando juntos). Desabafos pesados usam o texto, não a presença. ## 4. Estilos de escrita — [[11 - Findings Estilos](11-findings-estilos.qmd)] Como cada um se expressa. Volume é quase equilibrado (51/49), mas estilo é *bem* assimétrico. **Finding central:** **P1 é emoji-diverso; P2 é emoji-fiel.** P1 rotaciona entre 😍 😂 😘 🥰 🖤 🫶. P2 carimba 💚 em praticamente toda mensagem com emoji (**1.504 vezes** — mais do que todos os top-emojis de P1 combinados). É uma assinatura pessoal forte, quase exclusiva. Outros achados: - **P2 é visivelmente mais enfático na escrita** — quase 4× mais exclamações. "P1 pontua, P2 explode." - **Apelidos simétricos:** P1 chama P2 de "gata"; P2 chama P1 de "gato". - P1 verbaliza com carinho ("linda", "baby", "hahaha"); P2 abrevia e narra ("mto", "queria", "kkkkkk"). - **Ambos escrevem em rajadas curtas** — mediana de 3–4 palavras por mensagem, 81% são resposta rápida. --- # Principais descobertas em uma frase cada 1. A conversa tem ~89 mil mensagens em 10 meses, com uma **curva que explode no inverno e cai no fim**. 2. **Distância alimenta texto.** Separados mandam 3× mais mensagens por dia. 3. O tom é **58% neutro, 27% positivo, 15% negativo — e absurdamente estável ao longo do ano**. 4. **Só 11% das mensagens são afeto explícito**; o miolo é reativo/operacional. 5. **P1 é emoji-diverso e reativo-carinhoso; P2 é emoji-fiel (💚) e propositivo-desejoso.** 6. Quando **juntos**, texto vira logística. **Separados**, vira afeto e desabafos. --- # Limitações e caveats - **Modelos de sentimento foram treinados em inglês.** Português coloquial + emojis reduz precisão. Leia tendências, não valores absolutos. - **Embeddings cobrem só mensagens textuais** (66,7k de 89,3k); 25% dos dados — áudios, vídeos, stickers — ficou de fora da análise semântica. Transcrições automáticas existem mas não foram integradas aos embeddings. - **É uma conversa, dois interlocutores.** Padrões são específicos desse par e não generalizam. - **O "fim" do recorte é artificial.** Os dados terminam em 20/out/2025 porque foi até aí que o export chegou. A queda de volume no fim pode ser fenômeno real da conversa ou simplesmente truncamento do corpus. - **Clustering com k=10** foi escolha pragmática. Clusterings alternativos (k menor, HDBSCAN, etc.) poderiam rearranjar as famílias. --- # Próximos passos - **Integrar transcrições de áudio/vídeo** à análise semântica — hoje ficam de fora do clustering e do sentimento. - **Modelo de sentimento em português** (ex: BERTimbau com fine-tuning) para validar a estabilidade de tom encontrada. - **Micro-histórias**: examinar os dias de pico (22/jun/2025 com 1.288 msgs) e os vales para entender qualitativamente o que aconteceu. - **Segundo export** para comparar períodos e validar tendências observadas (uma das *oportunidades futuras* em aberto no projeto). ::: {.callout-tip} ## Ver o raw O site inteiro é auditável — entre em [Preparação](../notebooks/00-data-discovery.qmd), [Modelos](../notebooks/04-model-features.qmd) ou [Análise](../notebooks/05-eda-overview.qmd) para ver como cada número acima foi derivado, com código e decisão documentados. :::