KPMG Data Scientist: Lebenslauf-Keywords und Interviewvorbereitung

Deine Bewerbung als Data Scientist bei KPMG hakt, weil du nicht weißt, welche Keywords im Lebenslauf zählen und was dich im Interview erwartet. Das ist eine berechtigte Sorge. Big Four Beratungen sortieren anders aus als Produktfirmen, und ein technisch guter Data Scientist fliegt trotzdem raus, wenn die Bewerbung nicht zur Stelle passt.

Ich zeige dir, wie du deine Unterlagen auf Data Science Rollen in der Beratung zuschneidest, welche Technikfragen realistisch sind und wie du deine Projekte so erzählst, dass auch ein nicht technischer Partner sie versteht. Ohne erfundene Insider-Prozesse und ohne Garantien.

Wie KPMG Data Scientists typischerweise einsetzt#

KPMG ist eine Beratung. Das heißt: Data Scientists arbeiten dort oft an Kundenprojekten, nicht an einem eigenen Produkt. Die Bandbreite reicht von Analytics und Reporting über Machine Learning bis zu Data Engineering Anteilen, je nach Team und Land.

Die konkrete Rolle unterscheidet sich zwischen KPMG Deutschland, Österreich und der Schweiz deutlich. Manche Teams sind stark auf Cloud und Engineering fokussiert, andere auf Modellierung und Erklären. Lies dir die Stellenanzeige Zeile für Zeile durch. Ein guter erster Schritt ist ein strukturierter Blick auf die Anforderungen mit dem kostenlosen JD Decoder, damit du zwischen Muss-Kriterien und Nice-to-have unterscheiden kannst.

Welche Keywords in deinen Lebenslauf gehören#

Recruiter und ATS-Systeme scannen zuerst nach Werkzeugen und Methoden. Wenn Python, SQL, Machine Learning oder Cloud in der Anzeige stehen, müssen diese Begriffe auch bei dir vorkommen, sofern du sie wirklich beherrscht. Sonst verstehst du dich im Interview in eine Ecke.

Setze die Keywords in Zusammenhang mit Ergebnissen. Nicht als Wortliste am Ende. Sondern eingebettet in konkrete Projekte.

Typische Begriffe, die in Data Science Stellen bei Beratungen oft auftauchen:

• Python, pandas, scikit-learn, PyTorch oder TensorFlow
• SQL, Datenmodellierung, ETL, dbt
• Machine Learning, Regression, Klassifikation, Time Series, NLP
• Cloud Plattformen wie AWS, Azure oder GCP
• Data Visualization mit Power BI, Tableau oder matplotlib
• MLOps, Modellmonitoring, Versionierung mit Git
• Kommunikation, Stakeholder Management, Präsentation
• Domainwissen, zum Beispiel Finance, Risk, Retail oder Pharma

Nimm nur auf, was du im Gespräch verteidigen kannst. Ein Wort im Lebenslauf, das du nicht erklären kannst, ist ein Angriffspunkt für den Interviewer.

Ein Beispiel für einen guten Lebenslauf-Punkt#

Vorher sieht so etwas oft aus:

"Verantwortlich für Machine Learning Projekte und Datenanalyse im Bereich Marketing."

Das sagt nichts. Kein Umfang, kein Ergebnis, kein Tool.

Nachher:

"Entwickelte ein Churn-Modell in Python (scikit-learn) auf 2 Jahren Transaktionsdaten (SQL, ca. 4 Mio. Datensätze), präsentierte die Ergebnisse monatlich an das Marketingteam und reduzierte die Streuverluste der Ansprache um rund 30 Prozent gegenüber der bisherigen Regel-basierten Auswahl."

Der Unterschied: Werkzeug, Datenumfang, Methode, Empfänger, Wirkung. Genau das fragt ein Beratungsinterview ab.

Prüfe deine fertige Bewerbung zusätzlich mit dem kostenlosen ATS-Checker, damit Formatierung und Struktur nicht schon vor dem ersten Leser scheitern. Und wenn du sehen willst, welche Data Science Stellen aktuell ausgeschrieben sind, lohnt ein Blick in die aktuellen Jobangebote.

Wie du dein Projekt als Berater erzählst#

Im Consulting zählt nicht nur das Modell. Zählt, ob der Kunde es verstanden und angenommen hat. Ein Interviewer bei KPMG hört dir nicht nur auf technische Tiefe, sondern auch darauf, wie du Nicht-Technikern etwas erklärst.

Bereite für jedes deiner Projekte eine kurze Version vor: Problem, Daten, Ansatz, Ergebnis, Grenzen. Drei Minuten reichen. Wenn der Interviewer tiefer will, geht ihr gemeinsam tiefer.

Ein Beispiel für eine Interview-Antwort#

Frage: "Erzähl mir von einem Projekt, in dem dein Modell nicht funktioniert hat."

Antwort:

"Bei einem Forecast für Lagerbestände habe ich zuerst ein Gradient-Boosting-Modell aufgebaut. Der Fehler war akzeptabel, aber das Lager-Team hat das Ergebnis nicht genutzt, weil sie den Output nicht nachvollziehen konnten. Ich habe dann eine einfache lineare Baseline gebaut, die Ergebnisse nebeneinandergestellt und die wichtigsten Treiber in einem Chart erklärt. Am Ende lief die einfache Variante im Alltag, und das komplexere Modell blieb als Referenz. Mein Lernpunkt: ein Modell, das niemand benutzt, bringt keinen Wert."

Diese Antwort funktioniert, weil sie Fehler zugibt, technisch bleibt und den geschäftlichen Nutzen in den Mittelpunkt stellt.

Technische Fragen, mit denen du rechnen kannst#

Ohne Insiderwissen über den genauen Ablauf: In Data Science Interviews sind diese Themen in der Branche üblich. Bereite sie vor.

Erwarte Fragen zu SQL (Joins, Window Functions, Aggregationen), zu Machine Learning Grundlagen (Bias-Variance, Overfitting, Cross-Validation, Metriken) und zu einem Projekt deiner Wahl in der Tiefe. Viele Beratungen nutzen außerdem Coding-Aufgaben oder Case Studies mit Datenbezug.

Übe SQL hands-on. Und lege dir für jedes Projekt eine Liste möglicher Rückfragen an: Warum dieser Algorithmus? Welche Metrik? Was war die Baseline? Was hättest du mit mehr Zeit gemacht?

Deutsche Besonderheiten bei der Bewerbung#

Für den DACH-Raum gelten ein paar Eigenheiten. Ein Foto im Lebenslauf ist üblich, aber nicht Pflicht. Gehaltsangaben werden oft früh erfragt. Und Deutschkenntnisse sind je nach Team entscheidend, weil viel Kundenkontakt auf Deutsch stattfindet.

Gehälter für Data Scientists in der Beratung variieren stark nach Erfahrung, Standort und Rolle. Berufseinsteiger liegen oft anders als Senior Consultants. Informiere dich vor dem Gespräch über aktuelle Spannen auf verlässlichen Portalen und verhandle auf Basis deiner Erfahrung, nicht auf Basis einer Zahl, die dir jemand versprochen hat.

Checkliste für die letzten Tage vor dem Interview#

• Lies die Stellenanzeige noch einmal und markiere alle Werkzeuge, die du beherrscht
• Bereite drei Projekte vor, je eine kurze und eine tiefe Version
• Übe SQL Aufgaben hands-on, mindestens eine Stunde am Tag
• Formuliere, warum du genau zu KPMG und genau in die Beratung willst
• Notiere zwei Fragen an das Team, zum Beispiel zur Projektzusammensetzung oder zur technischen Ausrichtung
• Prüfe, ob dein LinkedIn Profil mit dem Lebenslauf übereinstimmt
• Drucke oder lade deine Unterlagen herunter, auch wenn das Gespräch remote ist

Kostenlose Tools#

• jobrise.io/de/free-ats-checker/
• jobrise.io/de/free-jd-decoder/
• jobrise.io/de/jobs/
• jobrise.io/de/blog/

Häufige Fragen#

Welche Keywords sollte ich in meinen KPMG Data Scientist Lebenslauf schreiben?

Nimm die Werkzeuge und Methoden, die in der Stellenanzeige stehen und die du wirklich beherrscht, etwa Python, SQL, Machine Learning oder Cloud. Bette sie in konkrete Projekte mit Ergebnis ein, statt sie als Wortliste zu sammeln.

Wie läuft der Bewerbungsprozess bei KPMG Data Scientist ab?

Der Ablauf unterscheidet sich je nach Land, Team und Stelle, und es gibt keinen einheitlichen öffentlichen Prozess. Rechne typischerweise mit einem Gespräch über deine Projekte, technischen Fragen und einem Austausch über Beratungsarbeit, und frag im Gespräch selbst nach den nächsten Schritten.

Brauche ich einen Master für eine Data Scientist Stelle bei KPMG?

Formal wird in vielen Data Science Stellen ein Studium in Informatik, Statistik, Mathematik oder einem verwandten Bereich erwartet, die genauen Anforderungen stehen in der jeweiligen Anzeige. Praktische Projekte und sauberes Handwerk wie SQL und Python wiegen oft schwerer als der genaue Abschluss.

Wie viel verdient ein Data Scientist bei KPMG in Deutschland?

Die Spannen variieren stark nach Erfahrung, Standort und Rolle, und ich nenne hier bewusst keine Zahl, die schnell veraltet ist. Sieh dir aktuelle Angaben auf Gehaltsportalen an und nutze deine konkrete Erfahrung als Verhandlungsbasis.

Sollte ich auf Deutsch oder Englisch bewerben?

Das hängt von der Stellenanzeige und dem Team ab. Wenn die Anzeige auf Deutsch ist, bewirb auf Deutsch, und halte Lebenslauf und Anschreiben sprachlich konsistent, weil Kundenkontakt im DACH-Raum oft Deutsch erfordert.