Job Description

Perfil que Buscamos

Experiência prévia em squads de produto digital, preferencialmente em personalização, recomendação ou CRM inteligente

Mentalidade de produto: você não entrega modelo, você entrega resultado de negócio

Conforto em trabalhar com dados transacionais e operacionais (não apenas clickstream ou Analytics)

Familiaridade com o conceito de identidade unificada de cliente e desafios de resolução de entidades (entity resolution)

Senso crítico para distinguir quando um modelo de ML é a resposta certa — e quando uma regra bem calibrada resolve melhor

Responsabilidades

Modelagem de contexto e intenção do cliente — desenvolver modelos de classificação, propensão e detecção de eventos comportamentais em tempo (near) real

Next Best Action (NBA) — construir e evoluir a lógica de priorização de ações e comunicações por cliente, orientada ao contexto e não a regras comerciais estáticas

Feature Engineering para eventos transacionais — transformar eventos sistêmicos (pagamentos, sinistros, renovações, interações) em features ricas para modelos de ML

Trabalhar junto à arquitetura para garantir que os sinais de segmentação e identidade sejam consumíveis pelo motor de contexto (ex.: CRM)

Experimentação e validação — desenhar e analisar experimentos A/B para avaliar o impacto das decisões de personalização nos KPIs de negócio

Documentação e governança — garantir rastreabilidade de modelos, versionamento e monitoramento de drift em produção

Requisitos obrigatórios

Sólida experiência com Python para análise e modelagem de dados (pandas, scikit-learn, PySpark)

Sólida experiência com algoritmos de ML supervisionado, especialmente modelos de classificação e ranking (XGBoost, LightGBM)

Experiência prática com processamento e consumo de eventos em tempo real, utilizando ferramentas como Kafka ou Kinesis

Experiência prática com o conceito de Feature Store e gestão de features para modelos em produção (Feast, Tecton, Hopsworks ou similares)

Experiência prática com A/B Testing e fundamentos de inferência causal aplicados a produtos digitais

Experiência prática com cloud (AWS ou GCP) para ingestão, armazenamento e processamento de dados (S3/GCS, BigQuery/Redshift, Glue/Dataflow)

Diferencial

Experiência com streaming de ML para inferência em tempo real (Flink, Spark Structured Streaming)

Experiência com LLMs e GenAI aplicados a contextos de personalização ou classificação de intenção do usuário

Experiência com ferramentas de orquestração de pipelines de dados (Airflow, Prefect ou similares)

Experiência com práticas de MLOps, incluindo versionamento, monitoramento de drift e deploy de modelos em produção (MLflow, Vertex AI, SageMaker)

Experiência com bancos de dados em grafo para modelagem de relacionamentos entre entidades como cliente, produto e canal (Neo4j ou similares)