About The Role

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