Booking.com Machine Learning Engineer: CV, palabras clave y entrevista

Te han dicho que tu perfil encaña, pero el CV no llega a la entrevista. Es frustrante. Y más cuando el rol es tan específico como Machine Learning Engineer en Booking.com. La buena noticia es que no necesitas magia, necesitas traducir tu experiencia al lenguaje que ellos usan. Y dejar de pensar que tu GitHub se vende solo.

La realidad es dura: Booking recibe miles de solicitudes. Los primeros filtros no son humanos. Tu CV debe pasar sistemas automáticos que buscan palabras clave concretas. Luego, si llegas a la entrevista, te enfrentarás a un proceso que pone a prueba tus fundamentos, no solo tu capacidad para usar librerías de moda. Mi objetivo aquí es darte las herramientas para superar ambos filtros.

El filtro automático: optimiza tu CV para el ATS#

La primera batalla es contra un software. No contra un reclutador. Si tu CV no tiene las palabras clave correctas, no existe. Para un rol de MLE en una empresa como Booking, no basta con poner "Python" y "Machine Learning". Hay que ser más preciso.

Ellos buscan perfiles que puedan construir y desplegar sistemas en producción. Esto significa que palabras como "pipeline", "MLOps", "despliegue", "monitorización" y "escalabilidad" son tan importantes como "TensorFlow" o "PyTorch". Piensa en el ciclo de vida completo de un modelo. Eso es lo que quieren ver.

No adivines. Usa herramientas para descifrar exactamente qué piden. Puedes copiar la descripción de la oferta que te interesa y analizarla con el decodificador de descripciones de puesto. Te dará una lista clara de las habilidades y términos que debes incluir en tu CV. Luego, pasa tu CV por el verificador de compatibilidad con ATS para ver si realmente las estás usando. Es un proceso rápido que marca la diferencia.

Las palabras clave que Booking.com realmente busca#

Basándome en ofertas públicas y en lo que se comenta en el sector, hay un núcleo de habilidades técnicas que no puedes omitir. No son opcionales.

• Lenguajes: Python es innegociable. SQL también. Dependiendo del equipo, puede haber algo de Scala o Java.
• Frameworks de ML: TensorFlow, PyTorch, Scikit-learn. No basta con listarlos. Menciona proyectos concretos.
• Infraestructura y MLOps: AWS (S3, EC2, SageMaker, Lambda), Docker, Kubernetes, Airflow. Esto demuestra que sabes llevar un modelo del notebook a producción.
• Datos: Spark, Pandas. Experiencia con datos a gran escala es fundamental.
• Conceptos: Sistemas de recomendación, NLP, series temporales, A/B testing, despliegue de modelos, monitorización de drift.

No pongas todo si no lo sabes. Sé honesto. Pero si tienes experiencia en alguna de estas áreas, asegúrate de que aparezca de forma prominente.

Un ejemplo concreto de bullet point#

Muchos candidatos escriben bullets genéricos. "Desarrollé modelos de machine learning". Esto no dice nada. Hay que ser específico, medible y usar el vocabulario correcto.

Versión débil: "Trabajé en un modelo de recomendación para mejorar las ventas."

Versión fuerte (la que debes usar): "Desarrollé y desplegué un sistema de recomendación basado en filtrado colaborativo con PyTorch y Spark, procesando +10M de eventos diarios en un pipeline de Airflow en AWS. Esto resultó en un aumento medido del 8% en la tasa de clics en el equipo de producto X."

La diferencia es abismal. La segunda versión dice qué hiciste, con qué herramientas, a qué escala y cuál fue el impacto. Es exactamente lo que un ATS y un reclutador técnico quieren leer.

Preparando la entrevista técnica: el qué y el cómo#

Si tu CV pasa el filtro, empieza lo difícil. El proceso de entrevista para MLE en Booking suele tener varias etapas. No puedo revelar preguntas exactas, pero sí puedo decirte qué áreas cubren y cómo prepararte.

La primera pantalla técnica suele ser sobre fundamentos de machine learning. Espera preguntas sobre bias-variance tradeoff, regularización, métricas de evaluación (precisión, recall, F1, AUC) y cómo manejarías un dataset desbalanceado. No son preguntas trampa. Quieren ver si entiendes los principios, no solo si sabes llamar a model.fit().

Luego vendrán las entrevistas de código. No esperes problemas de LeetCode extremos, pero sí problemas de manipulación de datos con Pandas, implementación de algoritmos básicos desde cero (como k-means o una regresión logística) y, sobre todo, código limpio y eficiente. Practica en un editor de texto, no en un Jupyter Notebook.

La parte más crítica es la entrevista de diseño de sistemas de ML. Te plantearán un problema del mundo real, como "diseña un sistema para detectar reseñas falsas" o "cómo mejorarías nuestro buscador de hoteles". Aquí no buscan una respuesta única, sino tu proceso de pensamiento.

Ejemplo de respuesta en una entrevista de diseño#

Pregunta del entrevistador: "Necesitamos predecir la probabilidad de que un usuario cancele su reserva. ¿Cómo lo abordarías?"

Una respuesta estructurada y sólida podría ser:

"Primero, definiría el problema con más detalle. ¿Qué ventana de tiempo tenemos para hacer la predicción? ¿Qué métrica de negocio es más importante, la precisión o el recall? Por ejemplo, si el costo de una falsa alarma (contactar a un usuario que no iba a cancelar) es bajo, priorizaría el recall.

Luego, me centraría en los datos. Tendríamos que unir datos del usuario (historial de búsquedas, cancelaciones pasadas), datos de la reserva (precio, antelación, tipo de alojamiento) y datos externos (eventos en la ciudad, clima). Haría un análisis exploratorio para ver la distribución de las clases y la importancia de las features.

Para el modelado, empezaría con un baseline simple, como una regresión logística, para tener un punto de comparación. Luego probaría modelos más complejos como un Gradient Boosting (XGBoost, LightGBM) o incluso una red neuronal simple si los datos son suficientes. La clave sería la ingeniería de features y la validación cruzada temporal para evitar data leakage.

Finalmente, para el despliegue, explicaría cómo pondría este modelo en producción. Probablemente como un microservicio en Kubernetes que consuma un stream de datos de reservas con Kafka. El modelo se reentrenaría periódicamente con Airflow, y monitorizaría su performance en producción para detectar drift en los datos."

Esta respuesta muestra pensamiento sistémico. Cubre el problema, los datos, el modelado y la producción. Es exactamente lo que buscan.

El mercado local: salarios y visados#

Si aplicas desde España o Latinoamérica para una posición en Ámsterdam, ten en cuenta dos cosas. El salario. Los rangos para un MLE en Países Bajos suelen estar entre los 60.000 y 90.000 euros brutos anuales para perfiles mid-level, pero esto varía mucho. Booking.com suele ofrecer paquetes competitivos que incluyen bonus y acciones. Investiga en Glassdoor o Levels.fyi, pero toma esos números como referencia, no como verdad absoluta.

Sobre el visado, Booking.com patrocina visados de trabajo para talento internacional. Es parte de su proceso estándar. No te garantizo nada, pero es una empresa acostumbrada a contratar fuera de la UE. Asegúrate de preguntar sobre el proceso de reubicación en las primeras fases.

Herramientas gratis#

• chequeo ATS gratis
• decodificador de ofertas
• empleos
• blog

Preguntas frecuentes#

¿Necesito tener un máster o un doctorado en Machine Learning para aplicar?

No es un requisito formal en todas las ofertas, pero la competencia es feroz. Un máster o un PhD en un campo cuantitativo te da una ventaja clara. Si no lo tienes, necesitas compensar con una experiencia laboral demostrable y proyectos personales sólidos que puedas explicar en profundidad.

¿Cuánto dura el proceso de selección desde que aplico hasta la oferta?

Suele ser un proceso largo. Entre la primera pantalla, las entrevistas técnicas (2-3 rondas), la entrevista con el hiring manager y la oferta, pueden pasar fácilmente de 4 a 8 semanas. La paciencia es clave.

¿Puedo aplicar si mi experiencia es más en Data Science que en MLE?

Sí, pero necesitas reenmarcar tu experiencia. Enfoca tu CV en la parte de "productionización" de tus modelos. ¿Los desplegaste? ¿Creaste APIs? ¿Monitorizaste su performance? Si solo has hecho análisis y notebooks, el salto es más difícil.

¿Qué herramientas debo dominar sí o sí?

Python, SQL y un framework de ML (TensorFlow o PyTorch) son la base. Después, Docker y experiencia con algún servicio de la nube (AWS es la más común en Booking) son casi obligatorios. El conocimiento de Spark para datos masivos es un diferenciador muy potente.

¿Es verdad que la cultura de trabajo en Booking es muy exigente?

Es una empresa de ritmo rápido y con altas expectativas. Se valora la autonomía y la capacidad de resolver problemas complejos. El equilibrio vida-trabajo existe, pero no esperes un ambiente relajado. La presión por entregar resultados es real.