[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