Revolut Machine Learning Engineer: CV, palabras clave y entrevista

Te han dicho que tu perfil encaña en una fintech como Revolut, pero no sabes cómo ajustar tu CV ni qué esperar en las entrevistas. El proceso es conocido por ser intenso y técnico, y mandar un CV genérico es tirarlo a la basura. Aquí no hay atajos.

El CV de machine learning no es un CV de software#

Un CV para un puesto de MLE en una fintech de alto rendimiento no se centra en tus responsabilidades, sino en tu impacto medible. Los reclutadores buscan pruebas de que puedes resolver problemas de negocio complejos con modelos, no solo implementarlos. Tu CV debe gritar "solucionador de problemas", no "ejecutor de tareas".

Olvida frases vagas como "desarrollé modelos de machine learning". Eso no dice nada. ¿Qué problema de negocio resolviste? ¿Qué métrica mejoraste? ¿En qué escala operaba tu solución? Cada punto debe responder a esas preguntas. Piensa en el CV como un informe de impacto, no como una lista de la compra de tecnologías.

Un error común es listar cada tecnología que has tocado. Revolut usa un stack moderno y extenso, pero lo que les importa es si sabes usar las herramientas correctas para el problema correcto. Enfócate en las tecnologías relevantes para el rol y demuestra profundidad, no amplitud superficial. Para asegurar que tu CV pase los filtros iniciales, puedes usar nuestro comprobador de compatibilidad con sistemas ATS para optimizar el formato.

Ejemplo concreto: transformando un punto débil

Antes (vago y centrado en la tarea): "Responsable del desarrollo de un modelo de detección de fraude usando XGBoost."

Después (centrado en el impacto y con métricas): "Desarrollé e implementé un modelo de detección de fraude en tiempo real con XGBoost y Spark, reduciendo los falsos positivos en un 18% y previniendo una pérdida estimada de 2,3 millones de euros en el primer trimestre. El modelo procesaba más de 500.000 transacciones diarias."

La diferencia es abismal. El segundo ejemplo muestra escala, impacto económico y un resultado medible. Eso es lo que quieren ver.

Palabras clave que debes incluir (y las que debes evitar)#

Los sistemas ATS y los reclutadores escanean tu CV en busca de palabras clave específicas. No se trata de meterlas por meterlas, sino de integrarlas de forma natural en tus descripciones de proyectos. Revolut opera en un entorno de datos masivo y en tiempo real, y tu vocabulario debe reflejarlo.

Palabras clave recomendadas:

• MLOps, despliegue de modelos (model deployment), monitoreo de modelos (model monitoring).
• Aprendizaje automático en producción (production ML), sistemas de recomendación.
• Detección de fraude, evaluación de riesgo crediticio (credit risk scoring), segmentación de clientes.
• Apache Spark, Airflow, Kubernetes, Docker, AWS/GCP.
• A/B testing, inferencia causal, series temporales (time series forecasting).
• Lenguajes: Python, SQL. Frameworks: TensorFlow, PyTorch, scikit-learn.
• Procesamiento de lenguaje natural (NLP), visión por computadora (computer vision) si aplica al rol.

Palabras clave a usar con cuidado o evitar:

• Evita el relleno: "trabajo en equipo", "proactivo", "con gran capacidad de análisis". Son clichés.
• No pongas listas largas de herramientas sin contexto. Mejor "construí pipelines de datos con Airflow y Spark" que "Airflow, Spark, Pandas, NumPy, etc.".
• Cuidado con las tecnologías obsoletas o muy nicho que no sean relevantes para una fintech a gran escala.

Usar las palabras clave correctas también ayuda a pasar la criba inicial. Puedes analizar la descripción del puesto con nuestro decodificador de ofertas de empleo para identificar las habilidades más importantes que debes resaltar.

El proceso de entrevista: qué esperar y cómo prepararte#

El proceso en Revolut es conocedor por ser estructurado y exigente. No te van a hacer preguntas trampa, pero sí esperan un alto nivel técnico y de pensamiento estructurado. Por lo general, sigue estas fases:

1. Filtro inicial con RRHH: Llamada de 30 minutos. Verifican tu experiencia básica, motivación para unirte a Revolut y expectativas salariales. Ten claro por qué quieres trabajar en una fintech y en Revolut específicamente.
2. Entrevista técnica (coding): Suele ser una o dos rondas. Te pondrán problemas de programación en plataformas como CoderPad. Los problemas no son solo de algoritmos clásicos; a menudo están contextualizados en datos y situaciones reales (ej. manipulación de DataFrames, diseño de una función para procesar transificaciones). Practica en LeetCode, pero enfócate en problemas de dificultad media-alta.
3. Entrevista de diseño de sistemas ML (ML System Design): Esta es la ronda clave. Te plantearán un problema de negocio abierto (ej. "Diseña un sistema para detectar cuentas fraudulentas en tiempo real"). Evalúan tu capacidad para estructurar el problema, definir métricas, proponer una arquitectura de datos, elegir un modelo y considerar el despliegue y el monitoreo.
4. Entrevista de comportamiento (Behavioral): Basada en competencias. Usan preguntas tipo STAR (Situación, Tarea, Acción, Resultado). Prepárate con ejemplos concretos de tus proyectos pasados que demuestren ownership, resolución de problemas y trabajo bajo presión.

Ejemplo de respuesta a una pregunta de diseño de sistemas

Pregunta: "Diseña un sistema para predecir el abandono de clientes (churn) en nuestra app de banca."

Respuesta estructurada (puntos clave):

"Primero, definiría el 'churn' de forma operativa. Por ejemplo, un usuario que no ha iniciado sesión ni realizado ninguna transacción en los últimos 60 días. Luego, establecería las métricas de éxito del modelo: precisión, recall y, lo más importante, el impacto estimado en la retención si actuamos sobre las predicciones.

Para los datos, usaría el historial de transacciones, datos de uso de la app (sesiones, pantallas vistas), interacciones con el soporte y datos demográficos. El feature engineering sería crítico: crearía features como la frecuencia de transacciones, el cambio en el saldo medio o el tiempo desde la última interacción con una función clave.

El modelo podría ser un Gradient Boosting (como LightGBM) por su buen rendimiento con datos tabulares y su interpretabilidad. Lo entrenaría con una partición temporal para evitar data leakage. Para el despliegue, usaría un pipeline en Airflow que reentrene el modelo semanalmente con nuevos datos. Las predicciones se servirían a través de una API para el equipo de marketing, que ejecutaría campañas de retención segmentadas."

Esta respuesta muestra un pensamiento completo, desde la definición del problema hasta la implementación práctica.

Expectativas salariales y el mercado local#

Si te postulas desde España o Latinoamérica para un rol en la UE (la mayoría están en Lituania, Polonia, España o remoto), los rangos son competitivos pero varían mucho. Un Machine Learning Engineer con 3-5 años de experiencia puede esperar rangos brutos anuales que van desde los 50.000€ hasta más de 90.000€, dependiendo de la sede, la experiencia y la negociación.

No te fíes de cifras exactas que veas en internet. Investiga en portales como Glassdoor o Levels.fyi para tener una referencia, pero prepárate para negociar basándote en tu valor y el costo de vida de tu ubicación. Para encontrar ofertas actualizadas y filtrar por ubicación y rango salarial, revisa nuestro portal de empleo en tecnología.

Cómo destacar entre cientos de candidatos#

La diferencia la marcan los detalles. No solo demuestres que sabes programar modelos, sino que entiendes el ciclo de vida completo en producción. Habla de monitoring, de cómo manejaste el drift de los datos, de las lecciones aprendidas al desplegar un modelo que falló. La humildad técnica y la capacidad de aprender de los errores pesan mucho.

Prepara tus propias preguntas para las entrevistas. Pregunta sobre los mayores desafíos técnicos del equipo, cómo miden el éxito de un proyecto de ML o cómo es la cultura de experimentación. Esto muestra interés genuino y pensamiento crítico. Para más consejos sobre cómo estructurar tu búsqueda y tu perfil, explora nuestro blog con guías de carrera.

Preguntas frecuentes

¿Es necesario tener experiencia específica en el sector financiero o fintech?

No es un requisito excluyente, pero es una ventaja. Si no la tienes, demuestra que entiendes los problemas de negocio de una fintech: riesgo, fraude, retención, y que puedes adaptar tus habilidades de ML a ese contexto. Tu capacidad para aprender rápido sobre el dominio es clave.

¿Qué nivel de profundidad en matemáticas se espera?

Se espera un buen entendimiento de los fundamentos (álgebra lineal, cálculo, probabilidad y estadística) para poder justificar la elección de modelos y diagnosticar problemas. No te pedirán demostraciones teóricas complejas, pero sí que puedas explicar por qué un algoritmo funciona mejor que otro para un caso dado.

¿El proceso es diferente para puestos remotos dentro de la UE?

El proceso es esencialmente el mismo. La principal diferencia puede estar en la ronda de RRHH, donde se discutirán aspectos logísticos de la contratación remota, husos horarios y la integración en el equipo. La evaluación técnica no cambia.

¿Cuánto dura todo el proceso desde la primera entrevista hasta la oferta?

Suele ser un proceso ágil. Desde el primer contacto hasta la oferta final pueden pasar entre 3 y 6 semanas. Esto depende de la disponibilidad de los entrevistadores y de la rapidez con la que completes las rondas.

¿Puedo aplicar si soy de Latinoamérica y no tengo ciudadanía europea?

Sí, Revolut contrata talento global y puede patrocinarte un visado de trabajo, típicamente para sus sedes en la UE. Sin embargo, los procesos de visado varían por país y pueden tardar. Es un tema que debes aclarar con RRHH en la primera llamada. Las cifras y condiciones cambian, así que verifica siempre la información oficial más reciente.