KPMG Data Scientist: CV, palabras clave y entrevista

No sabes qué buscará KPMG en tu CV de Data Scientist ni qué preguntas te harán en la entrevista. Es normal. Las Big 4 no contratan igual que una startup de software: buscan perfiles que combinen técnica dura con comunicación clara para clientes externos. Tu CV y tu preparación deben reflejar eso.

Cómo KPMG ve a un Data Scientist#

Olvida la idea del genio encerrado con un portátil. En una firma de consultoría, el Data Scientist es un traductor. Traduce un problema de negocio (el cliente quiere reducir el fraude, optimizar su marketing o prever la demanda) en una solución técnica y, luego, vuelve a traducir esa solución en resultados que un director financiero entienda.

Tu trabajo no es solo construir modelos. Es explicar por qué ese modelo ahorra dinero o tiempo. Este enfoque "de negocio" debe empapar todo tu CV y tus respuestas en la entrevista. No te contratan por el algoritmo que conoces, sino por el impacto que puedes demostrar.

Adaptando tu CV para KPMG#

El primer filtro casi siempre es un sistema de seguimiento de candidatos (ATS). Si tu CV no tiene las palabras clave correctas, ni siquiera será leído por un humano. Debes asegurarte de que pase ese primer corte.

Una buena herramienta para empezar es pasar tu CV y la descripción de la oferta de KPMG por el comprobador de compatibilidad con ATS. Te dará una idea rápida de qué términos te faltan.

Palabras clave que KPMG busca

Las ofertas de KPMG suelen repetir ciertos términos. Analiza la oferta que te interesa, pero prepárate para incluir palabras de estas categorías:

• Habilidades técnicas: Python, R, SQL, Spark, Hadoop, AWS, Azure, Google Cloud Platform (GCP), Docker, Git.
• Librerías de Machine Learning: Scikit-learn, TensorFlow, PyTorch, XGBoost, Pandas, NumPy.
• Conceptos de modelado: Regresión, clasificación, clustering, series temporales, NLP (Procesamiento del Lenguaje Natural), Computer Vision, MLOps.
• Habilidades blandas (hard skills para ellos): Comunicación con el cliente, presentación de resultados, gestión de proyectos, trabajo en equipo, resolución de problemas.

Ejemplo práctico: reescribiendo un punto del CV

No basta con listar tareas. Debes mostrar impacto. La estructura "Acción + Contexto + Resultado" funciona muy bien.

Antes (débil):

• Responsable del análisis de datos de clientes y creación de modelos de predicción.

Después (fuerte):

• Desarrollé un modelo de predicción de abandono de clientes (churn) en Python, que identificaba el 85% de los clientes en riesgo, permitiendo al equipo de marketing lanzar campañas de retención y reducir la tasa de baja en un 12% trimestral.

La diferencia es abismal. El segundo punto demuestra qué herramienta usaste, qué problema resolviste y cuál fue el resultado medible para el negocio. Haz esto con cada una de tus experiencias más relevantes.

Si no sabes cómo empezar a redactar estos puntos, el decodificador de descripciones de puesto puede ayudarte a desglosar lo que realmente pide KPMG y a encontrar los verbos de acción adecuados.

La sección de proyectos personales

Si tienes proyectos en GitHub o Kaggle, inclúyelos. Pero no pongas solo un enlace. Describe el proyecto en una o dos líneas. Ejemplo: "Análisis de sentimiento de tweets sobre cambio climático usando NLP (Python, NLTK). Clasificó 10.000 tweets con un 89% de precisión." Esto muestra iniciativa y pasión, algo que las consultoras valoran.

Preparándote para la entrevista en KPMG#

El proceso suele tener varias fases: una llamada de RRHH, una o más entrevistas técnicas y, a veces, un caso práctico (case study). La clave es equilibrar el conocimiento técnico con la comunicación.

Entrevista técnica: qué esperar

No esperes solo preguntas de teoría. Los entrevistadores quieren ver cómo piensas. Te pueden dar un problema de negocio y pedirte que lo abordes paso a paso.

Ejemplo de pregunta y respuesta:

Pregunta: "Un cliente del sector retail nos pide ayuda para optimizar sus campañas de email marketing. Tienen datos de compras pasadas, historial de navegación web y datos demográficos. ¿Qué tipo de modelo de machine learning sugerirías y por qué?"

Una buena respuesta (estructurada):

"Primero, definiríamos el objetivo exacto con el cliente. ¿Quieren aumentar las ventas totales, la tasa de apertura de emails o la conversión? Asumamos que quieren predecir qué clientes son más propensos a comprar un producto específico tras recibir un email.

Para esto, un modelo de clasificación binaria sería un buen punto de partida. Podríamos empezar con un modelo simple como la Regresión Logística para tener una línea base. Luego, probaríamos algo más potente como un Gradient Boosting (XGBoost), ya que maneja bien una mezcla de variables categóricas y numéricas.

Usaría las variables que mencionaste: historial de compra (frecuencia, monto), datos de navegación (vistas de producto, tiempo en página) y demografía (ubicación, edad). El resultado sería una puntuación de propensión para cada cliente, lo que permitiría al cliente enviar emails personalizados solo a los más receptivos, optimizando su presupuesto."

Esta respuesta es buena porque no solo nombra un algoritmo, sino que justifica su elección, describe los datos que usaría y conecta la solución con el objetivo del negocio.

Entrevista de comportamiento (behavioral)

Aquí te harán preguntas tipo "Cuéntame una vez que..." para evaluar tus habilidades blandas. Usa el método STAR (Situación, Tarea, Acción, Resultado) para estructurar tus respuestas.

Prepara 3 o 4 historias de tu experiencia que puedas adaptar a diferentes preguntas:

• Un proyecto complejo que gestionaste.
• Un conflicto con un compañero o cliente y cómo lo resolviste.
• Una vez que cometiste un error y lo corregiste.
• Un momento en el que tuviste que explicar algo técnico a alguien no técnico.

Sé honesto y específico. Los reclutadores de KPMG están entrenados para detectar respuestas genéricas.

Encontrando las ofertas#

La parte más obvia, pero que a veces se olvida: revisa constantemente la web de careers de KPMG. También puedes filtrar por empresa en portales de empleo generales. Una buena forma de empezar es buscar en los listados de empleo disponibles y filtrar por "KPMG" o "Big 4" para ver qué perfiles demandan en tu país o de forma remota.

Para profundizar en otros aspectos de la búsqueda de empleo en el sector tecnológico, puedes explorar más artículos sobre el sector.

Preguntas frecuentes#

¿Es imprescindible tener un máster o doctorado para ser Data Scientist en KPMG?

No es un requisito excluyente en todas las ofertas, pero es muy común. Un máster en Data Science, Estadística o Ingeniería Informática da una ventaja. Sin embargo, una licenciatura sólida combinada con proyectos personales demostrables y experiencia laboral relevante también puede ser suficiente.

¿Qué perfil valoran más: el científico de datos puro o el más orientado a negocio?

KPMG valora un híbrido, pero con un peso muy fuerte en el lado del negocio. Un candidato que puede construir un modelo y, además, explicar su impacto en los ingresos o la eficiencia del cliente será siempre más atractivo que un técnico puro que solo se enfoca en la métrica del modelo.

¿El salario en KPMG para Data Scientist es competitivo?

Los salarios en consultoría suelen ser competitivos, pero varían mucho según el país, la ciudad y tu nivel de experiencia. No hay una cifra única. Lo más fiable es consultar portales de salarios como Glassdoor o Levels.fyi para tu ubicación específica y contrastarlo durante el proceso de selección. No te fíes de promesas genéricas.

¿Qué tipo de proyectos de Data Science se hacen en KPMG?

Son muy variados y dependen del cliente. Pueden ir desde la detección de fraude en entidades financieras, la optimización de la cadena de suministro para una empresa industrial, el análisis de sentimiento de clientes para una marca de consumo, hasta la construcción de modelos de riesgo crediticio.

¿Cuánto dura el proceso de selección completo?

Depende, pero es raro que sea rápido. Entre la primera aplicación y la oferta final pueden pasar desde un mes hasta tres o más. Suele incluir una llamada inicial de RRHH, una o dos entrevistas técnicas, a veces un caso práctico y una entrevista final con un socio o director. La paciencia es clave.