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.

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?”

 

 

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.

 

 

• 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