KPMG Data Engineer: CV, palabras clave y entrevista

No consigues que tu CV de Data Engineer pase el primer filtro para una vacante en KPMG. Es frustrante. Envías decenas de solicitudes y solo recibes silencio. El problema rara vez es tu experiencia, casi siempre es cómo la presentas.

KPMG, como el resto de los Big Four, recibe miles de solicitudes. Los reclutadores no leen tu CV, lo escanean en busca de palabras clave específicas. Si tu perfil no coincide con lo que el sistema o la persona buscan, pasas directamente al montón de "no". Aquí vamos a arreglar eso.

El CV: más que una lista de tareas#

Olvida el CV genérico para "puestos de datos". Para KPMG necesitas un documento que demuestre que entiendes su negocio: consultoría, auditoría, fiscal y transacciones. Tus proyectos de datos deben enmarcarse como soluciones a problemas de negocio, no solo como ejercicios técnicos.

La estructura es clave. Sé directo y conciso.

• Un resumen profesional de 3-4 líneas que mencione tus años de experiencia, tus tecnologías principales (por ejemplo, Python, SQL, Spark, Cloud) y tu interés en aplicar la ingeniería de datos en el sector de servicios profesionales.
• Experiencia laboral en orden cronológico inverso.
• Educación y certificaciones relevantes (AWS, Azure, GCP, Databricks, etc.).
• Un apartado de "Habilidades Técnicas" claro y escaneable.

La regla de oro: la acción, el resultado y el contexto

Cada punto en tu experiencia profesional debe responder a: ¿qué hice?, ¿cuál fue el resultado medible y cómo benefició al proyecto o la empresa?

Aquí tienes un ejemplo real. No escribes:

• "Responsable de la gestión de bases de datos y procesos ETL."

Eso no dice nada. En su lugar, escribe algo así:

Antes:

• Implementación de ETLs con SSIS para el data warehouse.

Después:

• Diseñé y desplegué 5 pipelines de ETL con SSIS y T-SQL para alimentar un data warehouse en Azure SQL, reduciendo el tiempo de procesamiento de datos nocturnos en un 40% y permitiendo al equipo de finanzas acceder a reportes 2 horas antes.

La versión "Después" es específica. Menciona tecnologías (SSIS, T-SQL, Azure SQL), da un número (5 pipelines) y un resultado de negocio (acceder a reportes antes). Esto es lo que un reclutador de KPMG busca.

Las palabras clave que tu CV no puede omitir

Los sistemas de seguimiento de candidatos (ATS) y los reclutadores buscan términos muy concretos. No pongas solo "Python"; desglosa tu stack. Analiza las ofertas de KPMG en las que estés interesado para ver qué repiten. Puedes usar una herramienta como nuestro decodificador de ofertas de empleo para extraerlas de forma rápida.

Aquí tienes una lista de las que suelen ser importantes para este tipo de roles, aunque debes adaptarla a cada oferta:

• Cloud: AWS (S3, Redshift, Glue, Lambda), Azure (Data Factory, Synapse, Databricks, Data Lake Storage), GCP (BigQuery, Dataflow, Cloud Storage).
• Lenguajes: Python, SQL, Scala.
• Frameworks: Apache Spark, Apache Kafka, Apache Airflow.
• Bases de datos: SQL Server, PostgreSQL, Snowflake, MongoDB.
• Metodologías y conceptos: ETL, ELT, Data Warehousing, Data Modeling, Data Governance, CI/CD, Git, Docker, Agile/Scrum.

Incluye estas palabras de forma natural en la descripción de tus proyectos y en la sección de habilidades. Un ATS bien configurado las detectará. Puedes pasar tu CV por nuestro analizador de CV gratuito para ver qué tan compatible es con los sistemas automáticos.

La entrevista: demuestra que piensas como un consultor#

Superar el filtro del CV es solo el principio. En la entrevista en KPMG, te evaluarán en tres frentes: habilidades técnicas, resolución de problemas y ajuste cultural.

La parte técnica

Espera preguntas sobre SQL (joins, window functions, optimización de queries), los fundamentos de tu lenguaje principal (estructuras de datos en Python, por ejemplo) y arquitectura de datos en la nube. No basta con saber la definición; te preguntarán "¿por qué usarías X en lugar de Y en este escenario?".

Prepárate para explicar tus proyectos en profundidad. ¿Cuáles fueron los mayores desafíos técnicos? ¿Qué alternativas consideraste y por qué descartaste las otras? ¿Cómo garantizaste la calidad de los datos?

El caso de negocio y la competencia conductual

Aquí es donde KPMG se diferencia de una empresa de tecnología pura. Te presentarán un caso de estudio. Por ejemplo: "Un cliente del sector retail quiere unificar sus fuentes de datos de ventas online y físicas para entender mejor a sus clientes. Diseña una solución de alto nivel".

La clave no es dar la solución técnica perfecta en 5 minutos, sino estructurar tu pensamiento.

1. Pregunta para aclarar: ¿Cuál es el objetivo final? ¿Qué tipo de datos son? ¿Cuál es el volumen y la frecuencia? ¿Hay restricciones de presupuesto o tecnología?
2. Propón una arquitectura: "Propondría una arquitectura de lakehouse. Usaría un data lake en S3 o ADLS como zona de crudo, procesaría los datos con Spark en Databricks o Glue para limpiarlos y transformarlos, y los cargaría en un data warehouse como Snowflake o Redshift para el análisis final".
3. Justifica tu decisión: "Elegiría este enfoque porque es escalable, separa el almacenamiento del cómputo y nos permite manejar tanto datos estructurados como no estructurados, lo cual es probable que el cliente necesite a futuro".
4. Menciona los siguientes pasos: "Hablaría con los equipos de negocio para definir los KPIs exactos y con los de TI para entender las políticas de seguridad y los costes estimados".

Para las preguntas conductuales ("Cuéntame una vez que tuviste un conflicto con un compañero"), usa el método STAR (Situación, Tarea, Acción, Resultado). Sé honesto y elige ejemplos que muestre cómo resuelves problemas y colaboras, habilidades muy valoradas en consultoría.

Una respuesta de ejemplo a una pregunta técnica

Pregunta: "¿Cómo diseñarías un pipeline para ingerir datos de una API REST que cambia de estructura sin aviso?"

Una respuesta débil: "Usaría Python y haría un try-except para manejar los errores".

Una respuesta sólida: "Mi enfoque se centraría en la resiliencia y la detección temprana de cambios. Primero, usaría Python con la librería requests para la ingesta. Implementaría una capa de validación contra un esquema definido, por ejemplo usando pydantic o jsonschema, justo después de la extracción. Si la validación falla, el pipeline no continuaría. En su lugar, registraría un error detallado en un sistema de logs como CloudWatch o Datadog y enviaría una alerta al equipo de datos. Los datos brutos de la API se guardarían siempre en una zona de 'raw' en un data lake (como S3), en formato JSON o Parquet, con un timestamp. Esto nos permite re-procesarlos más tarde si la estructura cambia y necesitamos corregir nuestro esquema de validación. Para los cambios de estructura esperados, diseñaría el pipeline para que lea un archivo de configuración donde se definan los campos esperados, facilitando así las actualizaciones sin tocar el código principal".

Esta respuesta demuestra que piensas en la robustez, la monitorización y el mantenimiento a largo plazo, no solo en "que funcione".

Preguntas frecuentes#

¿Qué salarios ofrece KPMG para un Data Engineer?

Los rangos varían mucho según el país (España, México, Colombia, etc.), la ciudad y tu nivel de experiencia. Para un perfil junior o de analista, las cifras reportadas suelen ser más bajas que en una empresa tecnológica. Para perfiles senior, la brecha se puede reducir. Mi consejo: consulta portales de salarios locales y ten en cuenta que el paquete puede incluir bonos por certificaciones y formación. No tomes ninguna cifra como garantizada.

¿Es difícil entrar en KPMG como ingeniero de datos?

El proceso es competitivo. Compites con candidatos de todo el mercado y con gente que ya trabaja en otros Big Four. No es imposible, pero requiere una preparación seria. Tu CV debe ser impecable y tu capacidad para resolver problemas de negocio bajo presión, alta.

¿Qué tecnologías son las más importantes para KPMG?

Depende del equipo y la región, pero el stack de Microsoft Azure (Azure Data Factory, Synapse, Databricks) tiene mucha presencia, junto con AWS. SQL y Python son prácticamente obligatorios. Conocer herramientas de visualización como Power BI o Tableau es un plus muy valorado.

¿Cuánto dura el proceso de selección?

Suele ser largo. Puedes esperar entre 3 y 6 semanas desde la primera entrevista hasta la oferta final. Generalmente incluye: una llamada con RRHH, una o dos entrevistas técnicas (una de ellas puede ser un caso práctico) y una entrevista final con un manager o socio del área.

¿Necesito certificaciones de la nube?

No son siempre un requisito obligatorio, pero te dan una ventaja competitiva real. Una certificación de AWS, Azure o GCP demuestra iniciativa y un conocimiento validado de las plataformas que más se usan. Si no tienes experiencia laboral directa con una nube, una certificación puede ser la mejor forma de demostrar que sabes usarla.

Para seguir investigando sobre el mercado y otras oportunidades, puedes visitar nuestro blog de empleo o buscar más ofertas de empleo en el sector datos.