Capgemini Data Scientist: CV, palabras clave y entrevista

Tu CV se pierde en el portal de Capgemini y no sabes qué falla. Es frustrante. La consultora tiene un volumen altísimo de candidatos y, sin un enfoque claro, tu perfil queda invisible. No es solo tener buenas herramientas, es demostrarlas de la forma que el cliente de Capgemini necesita verlas.

Vamos a desglosar el proceso. Desde cómo redactar tu currículum hasta qué esperar en la entrevista técnica y de cliente. Sin promesas vacías, solo lo que funciona basado en la experiencia y el tipo de proyectos que gestiona la firma.

Entender el rol en Capgemini#

Capgemini no vende un producto propio. Vende proyectos de consultoría y servicios a terceros. Un Data Scientist aquí no trabaja en el departamento de I+D de una startup. Está asignado a un cliente, que puede ser un banco, una compañía de seguros, una empresa de retail o del sector industrial. Esto cambia todo.

Tu trabajo es resolver el problema de negocio de ese cliente, a menudo con plazos definidos y presupuestos cerrados. Eso significa que valoran la capacidad de traducir un requerimiento de negocio en una solución técnica viable y de explicar los resultados a perfiles no técnicos. La creatividad es útil, pero la rentabilidad del proyecto es prioritaria.

Adaptar tu currículum para el ATS y el reclutador#

El primer filtro es automático, un software ATS que busca palabras clave. Si no están, no existes. El segundo filtro es humano: un recruiter que escanea tu CV en 30 segundos. Tienes que pasar ambos.

Palabras clave que no pueden faltar

Analiza las ofertas de Data Scientist en Capgemini. Verás patrones claros. No pongas solo "Python". Desglosa.

• Python (Pandas, NumPy, Scikit-learn)
• SQL (consultas complejas, optimización)
• Machine Learning (regresión, clasificación, clustering, modelos de ensemble)
• Deep Learning (TensorFlow o PyTorch, redes neuronales)
• Cloud (AWS, Azure o GCP, con certificaciones como un plus)
• MLOps (Docker, Kubernetes, MLflow, despliegue de modelos)
• Visualización (Power BI, Tableau, Matplotlib, Seaborn)
• Metodologías Ágiles (Scrum, Kanban)

Usa una herramienta como el decodificador de descripciones de puesto gratuito de jobrise.io para comparar tu CV con la oferta que te interesa. Te dirá qué palabras clave te faltan.

El ejemplo concreto: reescribir un bullet point

Muchos candidatos escriben esto:

"Responsable de desarrollar modelos de machine learning para mejorar las ventas."

Es vago. No dice nada del impacto. Ahora, reescríbelo pensando en un cliente de consultoría.

Versión mejorada: "Desarrollé y desplegué en producción (AWS SageMaker) un modelo de propensión a compra (XGBoost) que segmentó la base de clientes, aumentando la tasa de conversión de campañas de email marketing en un 12% durante el siguiente trimestre."

La diferencia es abismal. Menciona la tecnología (AWS SageMaker), el algoritmo (XGBoost), el problema de negocio (propensión a compra) y el resultado medible (12% de aumento). Esto es lo que un cliente de Capgemini quiere ver.

Formato y palabras prohibidas

Tu CV debe ser limpio. Sin columnas raras ni iconos que el ATS no lee. Guarda en PDF a menos que te pidan Word explícitamente. Y por favor, elimina las palabras infladas. No eres "apasionado por los datos" ni buscas un "rol desafiante". Usa verbos de acción: desarrollé, implementé, optimisé, automatizé, presenté.

Pasa tu CV por el verificador de compatibilidad con ATS gratuito de jobrise.io para detectar problemas de formato y palabras clave que el software podría no interpretar.

El proceso de entrevista: qué esperar#

En Capgemini, el proceso suele tener varias fases. No inventaré tiempos exactos porque varían, pero la estructura es más o menos esta.

1. Filtro de RRHH: Una llamada de 20-30 minutos. Validan tu interés, disponibilidad, expectativa salarial y nivel de inglés (muy importante en un entorno global). Ten claro por qué quieres trabajar en Capgemini y no en otro lado. Investiga sus sectores principales: banca, seguros, manufacturing, sector público.
2. Entrevista técnica: Aquí entra el gerente del área de datos o un senior data scientist. Preguntas de programación, estadística y machine learning. No esperes preguntas de LeetCode de dificultad extrema. Se centran en resolver problemas de negocio. "¿Cómo abordarías un problema de churn?", "Explica la diferencia entre L1 y L2 regularization", "¿Cómo tratarías un dataset con un 80% de valores nulos?".
3. Entrevista con el cliente (o caso práctico): A veces te dan un caso de estudio. Te dan un dataset y un problema, y tienes unas horas o un día para preparar una presentación. Otras veces, es una entrevista directa con un manager del cliente final. Aquí pesa mucho la comunicación.

Ejemplo de pregunta y respuesta

Pregunta: "Nuestro cliente es una cadena de supermercados. Quiere reducir el desperdicio de productos perecederos. ¿Qué modelo de datos construirías?"

Respuesta débil: "Haría un modelo de regresión para predecir la demanda."

Respuesta fuerte: "El problema tiene dos partes. Primero, un modelo de forecasting de series temporales, como Prophet o un LSTM, para predecir la demanda por producto y tienda. Usaría variables como festivos, promociones y datos meteorológicos. Segundo, y más importante, un sistema de reglas de negocio. El modelo nos da la predicción, pero la decisión de cuánto stock pedir debe considerar el margen del producto, el coste del desperdicio y el riesgo de rotura de stock. El valor no está solo en el modelo, sino en integrarlo en el proceso de compra del cliente. Entregaría un dashboard con la predicción y las alertas de stock recomendado."

Esta respuesta demuestra que piensas más allá del código. Piensas en el negocio, en la implementación y en el valor final. Esto es oro para una consultora.

Cierre y negociación#

Si llegas a la fase final, hablarás de condiciones. Los rangos salariales para un Data Scientist en consultoría en España varían mucho según la ciudad, la experiencia y el cliente final. Un junior puede empezar en un rango de 24.000 a 30.000 euros brutos anuales, mientras que un perfil senior puede superar los 50.000 euros. Son cifras orientativas, basadas en lo que se reporta en el mercado. Siempre pregunta por el paquete completo: formación, certificaciones pagadas, posibilidad de teletrabajo y política de bonus.

Prepárate para negociar. Ten claro tu mínimo y tu valor. No aceptes la primera oferta por la emoción.

Para ver ofertas reales y hacerte una idea del mercado actual, echa un vistazo al buscador de empleo en jobrise.io. Te dará una visión realista de lo que se está pidiendo y pagando.

Herramientas gratis#

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

Preguntas frecuentes#

¿Necesito un máster o un doctorado para ser Data Scientist en Capgemini?

No es un requisito excluyente. Un perfil con un buen grado en ingeniería, matemáticas o estadística y un portafolio sólido de proyectos puede ser perfectamente válido. Los másteres especializados son valorados, pero la experiencia práctica y la capacidad de demostrar resultados pesan más que el título en sí.

¿Qué nivel de inglés necesito?

Un B2 alto o C1 es lo mínimo para roles donde interactúas con clientes internacionales. En proyectos nacionales, puede ser más flexible, pero el inglés técnico es fundamental para leer documentación y usar recursos. Si tu inglés es un punto débil, trabájalo antes de aplicar.

¿Cuánto tiempo dura el proceso de selección?

Puede variar desde dos semanas hasta más de un mes. Depende de la urgencia del proyecto, la disponibilidad de los entrevistadores y si la posición requiere un proceso de seguridad (habilitación) para clientes del sector público o financiero. La paciencia es clave.

¿Trabajaré siempre para el mismo cliente?

No. El modelo de consultoría implica que puedes ser asignado a diferentes proyectos a lo largo del tiempo. Un proyecto puede durar desde unos meses hasta varios años. Esto te da variedad y la oportunidad de aprender de sectores distintos, pero también puede implicar cambios de ubicación o de equipo.

¿Qué herramientas específicas de Capgemini debo conocer?

Capgemini utiliza las herramientas estándar del mercado (las que ya hemos mencionado). No suelen tener un framework propietario para data science. Lo que sí valoran es que conozcas bien los ecosistemas cloud (Azure es muy común en sus proyectos europeos) y que tengas nociones de MLOps para poder poner tus modelos en producción, no solo en un notebook.