Tech Mahindra Machine Learning Engineer: CV, palabras clave y entrevista

Llevas semanas buscando el puesto de Machine Learning Engineer perfecto y has visto una oferta de Tech Mahindra que encaja a la perfección. Ahora el pánico: tu CV parece genérico y no tienes claro qué esperar en la entrevista. No eres el único. Pasar el primer filtro y luego demostrar que sabes lo que haces en una empresa con proyectos tan grandes requiere una estrategia concreta.

Tech Mahindra es un gigante de las consultorías tecnológicas. Esto significa dos cosas para ti. Primero, trabajarás probablemente en proyectos para clientes grandes, con sus propias reglas, infraestructuras y tecnologías. Segundo, valoran mucho la capacidad de adaptación y la solidez técnica fundamental, no solo el conocimiento de una librería de moda. Tu perfil no debe parecer el de un investigador, sino el de un ingeniero que resuelve problemas de negocio con modelos de machine learning.

Entendiendo el rol en una consultora#

Antes de tocar tu CV, entiende el contexto. Un Machine Learning Engineer en Tech Mahindra no construye modelos desde cero en un entorno de laboratorio. Su trabajo es más pragmático. Puedes esperar tareas como preparar datos de clientes para entrenar modelos, implementar pipelines de ML en producción, ajustar modelos existentes y, sobre todo, comunicar el valor técnico a equipos no técnicos.

El cliente final puede ser un banco, una teleco o una empresa de retail. Cada uno tiene sus propias limitaciones. Tu capacidad para entender el problema de negocio y traducirlo en una solución técnica viable es tan importante como tu habilidad para programar en Python.

Cómo adaptar tu CV para Tech Mahindra#

Tu CV no es un inventario de todo lo que sabes. Es una herramienta de marketing. Debe destacar exactamente lo que Tech Mahindra busca para sus proyectos. Olvida el CV de una página para todas las ofertas.

Sección de habilidades técnicas

Sé específico y honesto. No pongas "Machine Learning" como habilidad. Desglosa.

• Lenguajes: Python (con experiencia en pandas, NumPy, scikit-learn), SQL.
• Frameworks de ML/DL: PyTorch o TensorFlow (indica cuál usas más y en qué proyectos).
• Herramientas de MLOps: MLflow, Kubeflow, Airflow, o experiencia con servicios de la nube (AWS SageMaker, Azure ML, GCP Vertex AI).
• Contenedores y despliegue: Docker, Kubernetes (básico).
• Bases de datos: SQL (PostgreSQL, MySQL) y NoSQL (MongoDB, Cassandra) si aplica.
• Control de versiones: Git.

Experiencia laboral: el formato STAR en acción

Aquí es donde ganas o pierdes la entrevista. Cada punto debe contar una historia de impacto. Usa el método STAR (Situación, Tarea, Acción, Resultado), pero de forma concisa en el bullet.

Ejemplo de bullet genérico (evitar esto): "Responsable de desarrollar modelos de machine learning para el departamento de ventas."

Ejemplo reescrito con impacto (hacer esto): "Diseñé y desplegué un modelo de predicción de abandono de clientes (churn) usando XGBoost. El modelo, entrenado con datos de 500k usuarios, identificaba el 85% de los clientes en riesgo. Esto permitió al equipo de retención lanzar campañas focalizadas, reduciendo el churn en un 12% en el siguiente trimestre."

El segundo ejemplo es concreto. Dice qué hiciste (XGBoost), con qué escala (500k usuarios) y cuál fue el resultado medible (12% de reducción). Los reclutadores de Tech Mahindra, que trabajan con métricas de negocio, entienden esto al instante.

Palabras clave para pasar el filtro ATS

Los sistemas de seguimiento de aplicaciones (ATS) son tu primer juez. Usa un verificador de CV gratuito como el de jobrise.io para ver cómo puntúa el tuyo. Para puestos en Tech Mahindra, asegúrate de incluir palabras clave como:

• Machine Learning Engineer
• MLOps
• Pipeline de datos
• Despliegue de modelos (Model Deployment)
• Análisis de datos
• Python, SQL, PyTorch, TensorFlow
• AWS/Azure/GCP
• Scikit-learn
• Optimización de hiperparámetros
• Contenedores (Docker)

Asegúrate de que estas palabras aparecen de forma natural en tu sección de habilidades y en la descripción de tus trabajos anteriores.

Preparación para la entrevista técnica#

La entrevista en Tech Mahindra suele tener varias fases. No te sorprendas si una es con el cliente final.

1. La criba técnica inicial

Será una llamada con un reclutador o un ingeniero senior. Preguntarán sobre tu experiencia, tus proyectos y por qué te interesa Tech Mahindra. Ten preparada una respuesta honesta: te interesa la variedad de proyectos, trabajar con clientes grandes y la oportunidad de aplicar ML a problemas de negocio reales.

2. La entrevista técnica profunda

Aquí van al grano. Espera preguntas de:

• Python: "Explica la diferencia entre una lista y un generador. ¿Cuándo usarías cada uno en un pipeline de procesamiento de datos grande?"
• Machine Learning: "¿Cómo manejarías un dataset con un 95% de ejemplos de una clase? ¿Qué métricas usarías para evaluar tu modelo y por qué?" (La respuesta no es "accuracy").
• SQL: "Escribe una consulta para encontrar los 3 productos más vendidos en cada categoría de una tabla de ventas."
• Sistemas de diseño de ML: "Diseña un sistema para recomendar productos en un e-commerce." Quieren ver tu proceso de pensamiento: fuentes de datos, modelo candidato, cómo lo pondrías en producción, cómo medirías el éxito.

3. La entrevista de comportamiento

No la subestimes. Usan el formato STAR. Prepara historias sobre:

• Un proyecto que salió mal y qué aprendiste.
• Un desacuerdo técnico con un compañero y cómo lo resolviste.
• Una vez que tuviste que explicar un concepto técnico complejo a un stakeholder no técnico.

Ejemplo de respuesta STAR a "Cuéntame de un proyecto desafiante":

"En mi anterior empresa, el equipo de marketing quería un modelo para predecir qué clientes responderían a una campaña de email. Situación: Los datos estaban en tres sistemas diferentes y no estaban limpios. Tarea: Mi responsabilidad era crear un pipeline robusto para unir, limpiar y preparar los datos. Acción: Diseñé un pipeline usando Airflow y pandas. Implementé pruebas de calidad de datos para detectar anomalías automáticamente. Para el modelado, probé varios algoritmos y me decidí por un Random Forest por su buen equilibrio entre rendimiento e interpretabilidad. Resultado: El pipeline automatizado redujo el tiempo de preparación de datos de 2 días a 2 horas. El modelo final tuvo un AUC de 0.82, lo que permitió al marketing aumentar la tasa de respuesta de la campaña en un 15%."

Conociendo el mercado y el salario#

Los salarios para un Machine Learning Engineer en España varían mucho. Un perfil junior puede empezar entre 28.000€ y 35.000€ brutos anuales. Un perfil con 3-5 años de experiencia puede moverse entre 40.000€ y 55.000€. Para perfiles senior o con especializaciones muy demandadas (MLOps, NLP, visión por computadora), las cifras pueden superar los 60.000€, especialmente en Madrid o Barcelona.

Tech Mahindra, al ser una multinacional, suele ofrecer salarios competitivos dentro de los rangos de mercado, pero no espere salarios de FAANG. Su valor está en la estabilidad y la variedad de proyectos. Investiga en portales de empleo como nuestro buscador de empleo para ver rangos actuales en tu ciudad. Si te preguntan por tus expectativas salariales, da un rango basado en tu investigación y di que es negociable según el paquete completo (formación, beneficios, etc.).

Herramientas gratis#

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

Preguntas frecuentes#

¿Necesito tener un máster en Data Science para entrar en Tech Mahindra?

No es un requisito excluyente, pero sí un diferenciador. Valoran mucho la experiencia práctica. Un bootcamp intensivo o proyectos personales bien documentados en GitHub pueden pesar más que un título si demuestran que sabes aplicar el conocimiento.

¿Qué es más importante para ellos, la teoría o la práctica?

La práctica, sin duda. Debes entender la teoría detrás de los algoritmos, pero lo que realmente buscan es que puedas construir, desplegar y mantener sistemas de ML en un entorno de producción real, con todas sus limitaciones.

¿Debo mencionar proyectos personales en mi CV?

Sí, pero solo si son relevantes y están bien ejecutados. Un proyecto de Kaggle está bien, pero un proyecto donde recolectaste tus propios datos, definiste un problema y desplegaste una API con el modelo vale mucho más. Calidad sobre cantidad.

¿Cuánto dura típicamente el proceso de selección?

Suele durar entre 3 y 5 semanas. Incluye la revisión de CV, una o dos entrevistas técnicas, a veces una prueba práctica (take-home assignment) y la entrevista final. La paciencia es clave.

¿Puedo aplicar si no cumplo todos los requisitos de la oferta?

Sí. Las ofertas de empleo describen al candidato ideal. Si cumples con el 70% de los requisitos, especialmente los técnicos clave, merece la pena aplicar. Usa tu carta de presentación para explicar por qué eres un buen candidato a pesar de algún requisito faltante. Para analizar qué pide realmente la oferta, usa un decodificador de descripciones de puesto como el de jobrise.io.