KPMG Machine Learning Engineer: CV, palabras clave y entrevista

Llevas semanas enviando tu CV para puestos de Machine Learning Engineer y solo recibes silencio o rechazos automáticos. Es frustrante. Cuando una firma como KPMG publica una vacante, sientes que es una oportunidad real, pero no sabes cómo hacer que tu perfil destaque entre cientos de candidatos. No es solo cuestión de tener las habilidades, sino de demostrarlas de la manera correcta para su proceso de selección.

A diferencia de una startup de producto, KPMG es una firma de servicios profesionales. Esto cambia todo. No están construyendo un único producto, sino soluciones para clientes muy diversos: banca, seguros, retail, sector público. Tu valor no se mide solo por tu habilidad para entrenar un modelo, sino por tu capacidad para entender un problema de negocio, comunicar tus hallazgos a un director que no es técnico y entregar algo que funcione en producción, no solo en un notebook.

Cómo ajustar tu currículum para KPMG#

Tu CV genérico no va a funcionar. Debes contar una historia relevante para su mundo. Piensa en tres pilares: consultoría, industria y negocio.

Primero, la consultoría. Enfatiza cualquier experiencia trabajando con clientes, gestionando expectativas o presentando resultados. Si has trabajado en una consultora, aunque sea pequeña, destácalo. Si no, busca formas de mostrar esa orientación al cliente.

Segundo, la industria. Revisa la descripción del puesto. ¿Mencionan proyectos en banca o seguros? Si tienes experiencia en esos sectores, ponla en primer plano. Si no, resalta tu capacidad de aprendizaje rápido y tu interés por entender nuevos dominios.

Tercero, el negocio. No listes solo tecnologías. Demuestra el impacto. ¿Tu modelo redujo el fraude? ¿Optimizó una cadena de suministro? ¿Aumentó la conversión? Cuantifica siempre que puedas.

Aquí tienes un ejemplo de cómo reescribir un punto débil de tu CV:

• Antes: "Desarrollé modelos de machine learning para análisis de datos".
• Después: "Diseñé e implementé un modelo de detección de anomalías en transacciones (Isolation Forest, Python) para un cliente del sector financiero, reduciendo los falsos positivos en un 18% y ahorrando 120 horas/mes de revisión manual".

La segunda versión es específica, muestra la tecnología, el sector, el problema y el resultado medible. Es el lenguaje que un socio de KPMG quiere ver.

Palabras clave que no pueden faltar en tu CV#

Los reclutadores y sus sistemas (ATS) buscan términos específicos. No se trata de hacer keyword stuffing, sino de usar el vocabulario del sector. Integra estas palabras de forma natural en la descripción de tus proyectos y experiencia.

• Python, R, SQL.
• Scikit-learn, TensorFlow, PyTorch, Keras.
• AWS (SageMaker, S3, EC2), Azure (ML Studio, Databricks), GCP (Vertex AI).
• Docker, Kubernetes, Airflow, MLflow.
• Modelos: Regresión, Clasificación, Clustering, Series Temporales, NLP, Computer Vision.
• Metodologías: MLOps, CI/CD para ML, Feature Engineering, A/B Testing.
• Habilidades blandas: Comunicación efectiva, gestión de stakeholders, trabajo en equipo, resolución de problemas.

Antes de enviar tu CV, usa una herramienta como el comprobador de compatibilidad con sistemas ATS para ver si tu documento pasa el primer filtro. Y si no estás seguro de qué pide realmente la oferta, un descodificador de descripciones de puesto te puede ayudar a extraer las palabras clave exactas.

Preparación para la entrevista técnica#

El proceso en KPMG suele tener varias fases: un screening inicial con RRHH, una o dos entrevistas técnicas y, a veces, una entrevista final con un socio o director. La parte técnica no es solo un LeetCode duro. Suelen combinar preguntas teóricas con un caso práctico o un problema de diseño de sistemas de ML.

Preguntas teóricas frecuentes

Repasa los fundamentos. No basta con saber usar una librería. Te pueden preguntar:

• Explica el trade-off entre sesgo y varianza.
• ¿Cómo manejarías un dataset con un 95% de ejemplos de una clase?
• ¿Qué métricas usarías para un modelo de detección de fraude y por qué?
• Diferencia entre L1 y L2 regularización.
• Explica cómo funciona un Random Forest o un Gradient Boosting.

Caso práctico o de diseño

Aquí es donde demuestras tu pensamiento estructurado. Podrían darte un problema como: "Un cliente de retail quiere predecir qué clientes van a dejar de comprar en los próximos 3 meses. ¿Cómo lo abordarías?".

No saltes directamente al código. Estructura tu respuesta:

1. Entiende el problema: Pregunta por los datos disponibles, el objetivo de negocio (¿retener al cliente? ¿entender por qué se va?) y cómo se usará el modelo.
2. Diseña la solución: Propón un enfoque paso a paso. "Primero, haría un análisis exploratorio de los datos de compra y navegación. Luego, definiría la variable objetivo (churn). Propondría empezar con un modelo base como la regresión logística para tener un benchmark, y luego probar algo más complejo como un XGBoost".
3. Habla de producción: No te olvides de la parte de MLOps. "El modelo se desplegaría como una API. Monitorizaría su rendimiento (drift de datos, degradación del modelo) y establecería un proceso para reentrenarlo periódicamente".

Esta respuesta muestra visión de negocio, conocimiento técnico y mentalidad de ingeniero.

La entrevista de comportamiento (fit interview)#

En una consultora, esta parte es tan importante como la técnica. Usan preguntas tipo STAR (Situación, Tarea, Acción, Resultado) para evaluar tus habilidades blandas. Prepárate con ejemplos concretos de tu experiencia.

Pregunta: "Cuéntame una vez que tuviste que explicar un concepto técnico complejo a un público no técnico".

Respuesta débil: "Suelo hacer presentaciones y uso gráficos para que me entiendan".

Respuesta fuerte (STAR): "En mi anterior proyecto, teníamos que presentar el modelo de predicción de demanda al comité directivo de un cliente de logística (Situación). Mi tarea era explicar por qué el modelo a veces fallaba y qué estábamos haciendo para mejorarlo (Tarea). En lugar de hablar de 'distribuciones' o 'outliers', preparé una diapositiva con dos gráficos: uno mostraba la predicción ideal y otro la real, resaltando los picos de error con rojo. Les expliqué que el modelo estaba aprendiendo un patrón normal, pero los picos se debían a eventos impredecibles como una huelga de transporte (Acción). El director de operaciones entendió el problema al instante y aprobó la inversión en una fuente de datos externa para capturar esos eventos. Al final, mejoramos la precisión en un 7% para esos picos (Resultado)".

Esta respuesta demuestra empatía, pensamiento estratégico y un resultado tangible. Es oro puro para un entrevistador de KPMG.

Dónde buscar estas vacantes#

La página de careers de KPMG es el punto de partida obvio, pero no el único. Mantén un perfil actualizado en LinkedIn con las palabras clave que hemos discutido. También puedes explorar ofertas específicas de este tipo en portales de empleo especializados. Echa un vistazo a las ofertas de empleo para ingenieros de machine learning que se publican y filtra por empresas de consultoría o servicios profesionales. Para seguir aprendiendo y estar al día de las tendencias del sector, nuestro blog sobre carreras y tecnología tiene artículos que te pueden ayudar.

Preguntas frecuentes#

¿Es necesario tener experiencia en consultoría para entrar en KPMG?

No es un requisito excluyente, pero es un diferenciador muy potente. Si no la tienes, debes demostrar con ejemplos concretos que tienes las habilidades clave de un consultor: comunicación clara, gestión de stakeholders y enfoque en el resultado de negocio.

¿Qué nivel de detalle técnico esperan en la entrevista?

Esperan un equilibrio. Debes conocer los fundamentos teóricos de los algoritmos que mencionas, pero el foco está en tu capacidad para aplicarlos a un problema de negocio real. Saber explicar por qué elegirías un modelo u otro en un contexto específico es más importante que recitar la fórmula matemática.

¿Cuánto tarda el proceso de selección en KPMG?

Los tiempos varían mucho según la urgencia de la contratación y la región. Un proceso típico puede durar entre 3 y 6 semanas desde la primera entrevista hasta la oferta. Es normal que haya varias rondas, así que la paciencia es clave.

¿Piden títulos de máster o doctorado?

Para puestos de Machine Learning Engineer, un máster en Ciencia de Datos, IA o un campo relacionado es muy común y a menudo preferido. Un doctorado puede ser un plus para roles más especializados en investigación, pero no es un requisito general. La experiencia profesional demostrable suele pesar más que el nivel de estudios.

¿Qué herramientas y tecnologías son las más importantes para KPMG?

Python es prácticamente imprescindible. Junto a él, el dominio de SQL es fundamental. En cuanto a cloud, tienen alianzas con los tres grandes (AWS, Azure, GCP), así que experiencia en cualquiera de ellos es valiosa. Las herramientas de MLOps como Docker, Airflow o MLflow están ganando mucha importancia para desplegar y monitorizar modelos en producción.