[Job-31453]Senior ML Engineer (B2B Personalization), Brasil

Na CI&T , ajudamos grandes empresas a transformar o potencial da AI em impacto real nos negócios com AI Deployment, execução AI-native e tech-integrated business solutions.

Com 30 anos de experiência em transformação tecnológica, aceleramos inovação com expertise em agentic SDLC, application modernization, Data & AI, martech e business strategy.

Somos 8.000 CI&Ters em mais de 25 países, colaborando para construir soluções com impacto real. AI já faz parte da forma como trabalhamos, evoluímos e inovamos todos os dias.

Importante : se você reside na Região Metropolitana de Campinas, sua presença nos escritórios da cidade será obrigatória, conforme a política de frequencia vigente.

• Estamos explorando uma nova capability de personalização inteligente de ofertas e experiências para clientes B2B — contas empresariais com múltiplos pontos de contato, contratos de serviço recorrente e ciclos de decisão que combinam uso operacional, relacionamento comercial e atendimento (por
• exemplo: gestão de frotas comerciais, contratos B2B de serviço continuado, operações com múltiplas unidades).
• Nossos clientes deixam continuamente sinais — telemetria/uso operacional, histórico comercial (CRM), atendimento e serviço, frequência, jornada e intenção. Queremos transformar esses sinais em inteligência capaz de reconhecer padrões, identificar similaridades entre contas e, principalmente,
• adaptar dinamicamente a oferta e a experiência para cada uma.
• Estamos procurando uma pessoa que consiga transformar essa hipótese em um experimento real, mensurável e evolutivo — validado primeiro em ambiente controlado (sandbox / PoC) antes de qualquer decisão de escala ou produção.
• Não buscamos alguém para simplesmente construir um modelo de clustering.
• “Conseguimos transformar comportamento e histórico de uma conta B2B em decisões melhores sobre a oferta e a experiência comercial?”

Responsabilidades:

• Você será responsável por conduzir tecnicamente o primeiro ciclo dessa capability, desde a exploração
• dos dados até a construção de um protótipo funcional e sua validação em ambiente controlado.
• •Explorar grandes volumes de dados comportamentais e operacionais de contas B2B.
• •Identificar padrões e similaridades entre contas/clientes empresariais.
• •Experimentar técnicas de clustering, embeddings e representação comportamental.
• •Construir features e representações capazes de capturar contexto operacional, comercial e de
• atendimento.
• •Desenvolver modelos de propensity, recommendation ou next-best-action quando fizer sentido.
• •Explorar uso de IA generativa/agentic para transformar recomendações em ações concretas (ex:
• geração de propostas comerciais personalizadas).
• •Transformar insights analíticos em decisões aplicáveis à oferta/experiência comercial.
• •Construir rapidamente protótipos e MVPs em ambiente sandbox/controlado.
• •Desenhar experimentos controlados e frameworks de medição de impacto — mesmo quando a
• execução completa em produção ficar para uma fase posterior.
• •Medir impacto e uplift projetado.
• •Estabelecer mecanismos de feedback para evolução dos modelos.
• •Trabalhar próximo de Product, UX, arquitetura/engenharia de IA e especialistas de negócio.
• •Ajudar a definir, junto à arquitetura, o caminho de evolução do protótipo para uma capability
• escalável.

Requisitos:

• •Machine Learning aplicado a problemas reais.
• •Clustering e técnicas de aprendizado não supervisionado.
• •Feature engineering.
• •Recommendation systems.
• •Propensity modeling.
• •Similarity models.
• •Embeddings e representação de comportamento.
• •Avaliação e experimentação de modelos.
• Será valorizada familiaridade com K-Means, hierarchical clustering, DBSCAN/HDBSCAN, Gaussian
• Mixture Models, PCA/UMAP, vector embeddings e nearest-neighbor / similarity search. Mais importante
• que dominar todas essas técnicas é saber quando utilizá-las, quando não utilizá-las e como provar se
• elas geram valor.
• *Data Engineering*
• •SQL avançado.
• •Python.
• •Pipelines de dados e feature pipelines.
• •Processamento de grandes volumes de dados.
• •Data lakes / warehouses.
• •Dados estruturados e eventos comportamentais/operacionais.
• •APIs e serviços para disponibilização de modelos.
• Não precisa ser um Data Engineer especializado em infraestrutura, mas deve conseguir sair da análise
• exploratória e chegar a um protótipo funcionando.
• IA Generativa & Agentic (diferencial forte)
• •Uso de LLMs para geração de texto/recomendação contextualizada (ex: propostas comerciais
• personalizadas por conta).
• •Noção de arquiteturas agente-a-agente (A2A) e protocolos abertos de orquestração (MCP) — não
• precisa ser especialista, mas deve saber colaborar com a arquitetura que os implementa.

• *Experimentação*
• Essa posição exige forte orientação a hipóteses. Você deverá saber transformar uma suposição sobre
• comportamento em uma hipótese testável, criar uma intervenção, estabelecer grupo de controle e
• medir impacto.
• •A/B testing.
• •Experiment design.
• •Causal inference.
• •Uplift.
• •Métricas de negócio.
• •Análise estatística.
• •Model evaluation.
• •Feedback loops.
• Dado o ciclo de venda B2B mais longo e a base de contas geralmente menor que em cenários B2C,
• nem sempre será possível rodar um A/B test real dentro do primeiro ciclo de validação. Nesses casos,
• o entregável esperado é o framework de experimentação desenhado e pronto para rodar assim que
• uma fase de escala for aprovada — não a execução completa em produção.
• O diferencial: pensar além do modelo
• Queremos alguém que consiga conectar:
• Behavior → Context → Intelligence → Decision → Experience → Outcome
• e não apenas:
• Data → Model → Prediction
• Você deverá ser capaz de discutir perguntas como:
• •O que caracteriza o comportamento de uma conta B2B?
• •Quais sinais são realmente relevantes?
• •Clusters descobertos estatisticamente fazem sentido para o negócio?
• •Como identificar mudanças de comportamento?
• •Como combinar histórico com contexto operacional em tempo real?
• •Como transformar uma similaridade em uma decisão?
• •Como decidir qual oferta/experiência apresentar?
• •Como medir se a personalização realmente funciona?
• •Como evitar que a personalização gere apenas mais complexidade?
• •Como criar um feedback loop que permita ao sistema aprender continuamente?
• Conhecimentos desejáveis
• •Customer Data Platforms.
• •Personalization engines.
• •Recommendation systems.
• •Real-time decisioning.
• •Marketing technology.
• •Digital products.
• •B2B / mobilidade / gestão de frotas (desejável, não obrigatório).
• •Experimentation platforms.
• •Feature stores.
• •Vector databases.
• •MLOps.
• •Real-time ML.
• Perfil que procuramos
• •Forte curiosidade intelectual.

• •Orientação a experimentação.
• •Capacidade de trabalhar com problemas pouco definidos.
• •Capacidade de transformar hipóteses em protótipos.
• •Boa transição entre Data Science, Engineering e Product.
• •Pragmatismo para colocar algo funcionando rapidamente.
• •Capacidade de distinguir complexidade técnica de valor para o cliente.
• •Habilidade para explicar conceitos sofisticados de forma simples para stakeholders de negócio.
• •Mentalidade de produto.
• •Conforto trabalhando em ambientes de alta ambiguidade.

#LI-RR2