Uber Data Scientist: CV, palabras clave y entrevista

Tu CV para Data Scientist en Uber ha sido rechazado o ni siquiera has recibido respuesta. Es frustrante, porque sabes que tienes el perfil. El problema no es siempre tu experiencia, sino cómo la presentas y qué buscan realmente los reclutadores de esta empresa en particular. Vamos a arreglarlo.

Por qué Uber no es cualquier empresa tech#

Uber es una compañía de producto y datos. Todo gira en torno a decisiones basadas en datos: desde el precio dinámico hasta la asignación de conductores y la detección de fraude. Esto significa que buscan perfiles que no solo sepan modelar, sino que entiendan el negocio y puedan impactar directamente en el producto. No buscan académicos aislados, buscan solucionadores de problemas con datos.

Su stack y sus desafíos son específicos. Hablamos de volúmenes masivos de datos en tiempo real, problemas de optimización logística y experimentación A/B a gran escala. Tu CV y tu preparación para la entrevista deben reflejar que entiendes este contexto y que has trabajado en problemas similares, aunque sea a una escala menor.

Cómo adaptar tu CV para el rol de Uber Data Scientist#

Los reclutadores de Uber ven cientos de CVs. El tuyo tiene que pasar primero el filtro automático (ATS) y luego captar la atención humana en 30 segundos. La clave está en la especificidad y en usar su propio lenguaje.

Primero, olvídate de los resúmenes genéricos como "Data Scientist apasionado por los datos". Ve directo al grano. En su lugar, usa un titular claro: "Data Scientist con 5 años de experiencia en modelos de predicción y optimización para plataformas de consumo".

Luego, la sección de experiencia es donde ganas o pierdes. Cada bullet point debe seguir la estructura: qué hiciste, cómo lo hiciste y cuál fue el resultado medible. Usa verbos de acción directos. Los términos como "machine learning", "experimentación A/B", "causal inference", "product analytics" y "optimización" son comunes en sus descripciones de puesto.

Ejemplo de bullet point reescrito:

• Antes: "Desarrollé modelos de machine learning para mejorar el negocio".
• Después: "Lideré el desarrollo de un modelo de predicción de churn (XGBoost) para usuarios frecuentes, reduciendo la tasa de abandono mensual en un 12% en un segmento clave. Implementé el pipeline de inferencia en producción usando Airflow y Docker."

La diferencia es abismal. El segundo es específico, técnico y muestra un impacto en el negocio.

Para asegurarte de que tu CV contiene las palabras clave correctas y está bien formateado para su sistema de filtrado, puedes usar nuestra herramienta gratuita de revisión de CVs para ATS. Te dará un reporte instantáneo.

Las palabras clave que debes incluir#

Más allá de los términos técnicos genéricos, Uber valora ciertas competencias. Revisa la descripción del puesto que te interesa en nuestro portal de empleo y extrae las palabras clave. Generalmente, encontrarás:

• Habilidades técnicas: Python (es el estándar), SQL avanzado, Spark/PySpark (por el volumen de datos), herramientas de visualización como Tableau o Looker.
• Metodologías: A/B testing, causal inference (muy importante por la naturaleza de sus experimentos), series temporales, modelos de clasificación y regresión.
• Conceptos de negocio: Marketplace dynamics, pricing, surge pricing, ETA prediction, driver allocation, fraud detection.

Integra estas palabras de forma natural en la sección de habilidades y, más importante, en los bullets de tu experiencia laboral. No pongas "fraud detection" en una lista si nunca has trabajado en ello. En su lugar, describe un proyecto donde hayas usado técnicas de detección de anomalías.

Prepararse para la entrevista técnica de Uber#

El proceso suele tener varias fases: una llamada con reclutamiento, una o dos entrevistas técnicas (coding y ML design) y una entrevista final con el equipo. La técnica es dura y se centra en la aplicación práctica.

La parte de coding no es solo LeetCode. Suelen preguntar problemas de manipulación de datos con Pandas o SQL que reflejan retos reales de su día a día. Por ejemplo, "dado este dataset de viajes, calcula el tiempo promedio de espera por zona horaria y ciudad".

La entrevista de diseño de sistemas de ML es la más importante. Te plantearán un problema de negocio abierto. Por ejemplo: "¿Cómo diseñarías un sistema para predecir la demanda de viajes en una ciudad durante un evento masivo?". No buscan la respuesta perfecta, sino tu proceso de pensamiento: cómo defines el problema, qué datos usarías, qué modelos considerarías, cómo medirías el éxito y qué métricas de negocio te importarían.

Ejemplo de respuesta estructurada para una pregunta de diseño:

Pregunta: "Uber quiere reducir el fraude en los pagos. ¿Cómo abordarías este problema?"

Tu respuesta podría empezar así: "Primero, definiría qué es 'fraude' en este contexto: ¿transacciones con tarjetas robadas, abuso de promociones, viajes falsos? Asumamos que es la primera. El objetivo es reducir la tasa de fraude sin rechazar demasiados pagos legítimos (falsos positivos). Para el modelado, empezaría con un enfoque de detección de anomalías en las transacciones en tiempo real, usando features como la ubicación del usuario, el dispositivo, el historial y el monto. Un modelo de Random Forest o una red neuronal simple podría ser un buen baseline. La clave sería la ingeniería de features y el umbral de decisión, optimizando para una métrica como el F1-score o el recall a un nivel fijo de precisión."

Esta respuesta muestra estructura, conocimiento del negocio y pragmatismo técnico.

Para desglosar mejor lo que piden en las ofertas, nuestro decodificador de descripciones de puesto puede ayudarte a identificar las habilidades clave y los requisitos ocultos.

La entrevista de comportamiento y cultura#

Uber valora mucho sus principios culturales, como "We build globally, we live locally" o "We are customer obsessed". Prepárate para preguntas tipo STAR (Situación, Tarea, Acción, Resultado) que demuestren cómo has actuado en el pasado.

Te preguntarán sobre desafíos técnicos, conflictos con compañeros, cómo manejas la ambigüedad o cómo priorizas tu trabajo. La clave es ser concreto, usar ejemplos reales y conectar tu respuesta con los valores de la empresa. No inventes historias. Adapta las que ya tienes.

Herramientas gratis#

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

Preguntas frecuentes#

¿Necesito un máster o PhD para ser Data Scientist en Uber?

No es un requisito estricto, pero sí es común. Lo que más valoran es la experiencia práctica demostrable y la capacidad de resolver problemas complejos. Un portafolio sólido en GitHub con proyectos relevantes puede pesar tanto como un título avanzado.

¿Cuánto se gana un Data Scientist en Uber?

Los salarios varían mucho según la ubicación (Madrid, Barcelona, Ciudad de México, Bogotá) y el nivel de experiencia. En mercados como España, los rangos para perfiles con experiencia suelen estar entre los 45.000€ y los 70.000€ brutos anuales, sin contar bonos ni acciones. Para datos actualizados, consulta fuentes como Glassdoor o Levels.fyi, pero toma las cifras como orientativas.

¿El proceso de selección es largo?

Sí, puede durar entre 4 y 8 semanas. Incluye múltiples rondas técnicas y de cultura. La paciencia es clave. Sigue el proceso y no dudes en preguntar por los plazos a tu reclutador.

¿Qué diferencia a Uber de otras FAANG para un Data Scientist?

El enfoque en el producto y en el mercado (marketplace) es muy fuerte. Los problemas están directamente ligados a la operación en tiempo real de la plataforma, lo que los hace únicos y complejos. La experimentación a escala es parte del día a día.

¿Puedo aplicar desde fuera de España o Latinoamérica?

Sí, Uber contrata globalmente, pero muchas posiciones requieren presencia en una de sus oficinas principales. Las políticas de reubicación y visado varían. Debes verificar en la oferta de empleo específica y durante el primer contacto con el reclutador cuál es la política para ese rol concreto.