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

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.