KPMG Data Scientist: palavras-chave de curriculo e entrevista

Você está mirando uma vaga de Data Scientist na KPMG e não sabe o que colocar no currículo para passar pela triagem. O problema não é falta de conteúdo. É que o que a empresa pede no anúncio raramente bate com o que você costuma escrever.

Vou te mostrar como ler a vaga, quais palavras-chave aparecem com frequência nesse tipo de posição, e como escrever um bullet que comprove impacto em vez de listar ferramentas. Também cobro a parte da entrevista: o que perguntam, como responder, e onde a realidade brasileira muda o jogo.

Entenda primeiro o que é uma vaga de Big Four#

KPMG é uma das grandes firmas de auditoria e consultoria. No Brasil, times de dados costumam trabalhar em projetos para clientes de setores diferentes: bancos, varejo, indústria, saúde. Isso muda o perfil esperado.

Não é a mesma coisa que um cientista de dados em produto, que passa meses refinando um único modelo. Em consultoria, você entra em projetos com prazo, escopo definido pelo contrato, e clientes que esperam uma entrega apresentável. Precisa explicar resultado para gente de negócio.

Isso significa que o currículo precisa mostrar duas coisas ao mesmo tempo: capacidade técnica e capacidade de comunicação. O recrutador técnico quer saber se você escreve código limpo. O gestor de projeto quer saber se você entrega no prazo e não precisa de alguém traduzindo sua fala para o cliente.

Como ler o anúncio de vaga antes de escrever qualquer coisa#

Não comece pelo currículo. Comece pela descrição da vaga. Abra a página da vaga, copie o texto inteiro para um arquivo, e leia linha por linha.

Faça isso:

• Marque toda a menção de linguagem ou ferramenta. Python, R, SQL, Spark, Power BI, cada uma vira palavra-chave candidata.
• Separe o que é requisito do que é desejável. Requisito entra no currículo de qualquer jeito. Desejável entra só se você realmente tiver.
• Anote os verbos usados na descrição: "desenvolver", "modelar", "automatizar", "comunicar". São pistas sobre o que a pessoa vai fazer no dia a dia.
• Repare se pedem experiência com cliente, com área de negócio, ou com apresentação para stakeholders. Isso é soft skill disfarçada de requisito técnico.
• Procure menção de nuvem: AWS, Azure, GCP. Consultorias grandes quase sempre trabalham em infraestrutura de cliente.

Para comparar seu currículo com o texto da vaga, use o decodificador de descrições de vaga. Ele ajuda a separar o que é requisito real do que é texto de RH genérico.

Palavras-chave que costumam aparecer nesse tipo de vaga#

Nenhuma lista é oficial ou garantida. Mas em descrições de Data Scientist em consultorias, certos termos aparecem com frequência:

• Modelagem preditiva e classificação
• Limpeza e preparação de dados, feature engineering
• SQL para extração e análise
• Python com pandas, scikit-learn, ou bibliotecas equivalentes
• Estatística aplicada: regressão, teste de hipótese, validação de modelo
• Visualização e comunicação de resultados
• Deploy, MLOps, ou produção de modelos
• Trabalho com stakeholders ou áreas de negócio

A regra é simples: se está no anúncio e você tem a skill, a palavra aparece no currículo. Se está no anúncio e você não tem, não invente. Em entrevista técnica, isso aparece rápido.

Escrevendo bullets que passam pela triagem#

Currículo genérico de data scientist costuma listar ferramentas: "Python, SQL, Power BI, Machine Learning". Isso não diz nada sobre o que você fez.

O formato que funciona: ação + contexto + método + resultado. Não precisa ter número de faturamento. Pode ser percentual de redução de erro, tempo de processo, tamanho da base, número de pessoas impactadas.

Antes:

"Responsável por análises de dados e criação de modelos de machine learning para a área comercial."

Depois:

"Desenvolvi modelo de churn em Python (XGBoost) sobre base de 200 mil clientes, reduzindo a taxa de falsos positivos em 18% e orientando ações de retenção para o time comercial."

Note o que mudou. A ferramenta virou detalhe, não título. O resultado tem número. E o último trecho mostra que o trabalho chegou em alguém fora da equipe técnica. Isso é o que consultoria valoriza.

Se você não tem número exato, use ordem de grandeza honesta: "base de mais de 1 milhão de registros", "processo que levava 3 dias passou a rodar em 4 horas". Não invente. Se o entrevistador pedir detalhe e você não tiver, a conversa azeda.

Um currículo que passa em filtro automático#

Muitas empresas usam filtro de currículo antes de um humano ler. Ele procura correspondência entre o seu documento e a descrição da vaga.

Antes de enviar, faça essa checagem:

• Coloque Python, SQL e as ferramentas do anúncio na seção de competências e, quando possível, dentro dos bullets de experiência.
• Use o nome exato da tecnologia como está no anúncio. Se escrevem "scikit-learn", não escreva só "sklearn".
• Evite tabelas, colunas e imagens. Leitor automático costuma perder o que está dentro delas.
• Mantenha um arquivo em PDF simples, com texto selecionável, não um print de página.
• Escreva o cargo pretendido de forma compatível com a vaga: "Cientista de Dado", "Data Scientist", o que o anúncio usar.

Você pode testar isso de graça no verificador de currículo para ATS. Ele mostra o que o leitor automático consegue e não consegue enxergar no seu arquivo.

Preparação para a entrevista#

Entrevista de Data Scientist em consultoria costuma ter três partes: conversa com RH ou recrutador, avaliação técnica, e conversa com gestor ou sócio de projeto. A ordem varia. Não afirmo como a KPMG conduz especificamente, porque isso muda por país, por área, e por ano.

O que dá para se preparar com segurança:

• Fundamentos de estatística e machine learning. Saiba explicar overfitting, viés e variância, e por que um modelo acurado pode ser inútil.
• SQL na prática. Escrever query em quadro branco ou em editor compartilhado é comum.
• Um projeto seu em detalhe. Escolha um e decore a história: o problema, os dados, a decisão técnica, o resultado, o que faria diferente.
• Comunicação. Prepare uma versão de dois minutos do projeto para pessoa não técnica.

Uma resposta que funciona#

Pergunta comum: "Me conte de um projeto em que você teve dados ruins ou incompletos."

Resposta fraca: "Já aconteceu, eu tratei os dados e funcionou."

Resposta que mostra senioridade:

"Em um projeto de previsão de demanda, recebi uma base de vendas com três anos, mas o histórico de promoções tinha lacunas nos primeiros doze meses. Minha primeira hipótese foi que os dados antigos estavam perdidos em outro sistema, e confirmei isso conversando com a área comercial. Em vez de descartar o período, criei uma variável indicando confiança do registro e mantive os dados, rodando o modelo com e sem eles para comparar. O resultado foi parecido nos dois cenários, o que me deu segurança para seguir. Se refizesse hoje, começaria pela conversa com o negócio antes de qualquer tratamento técnico."

Repare: tem hipótese, tem ação, tem verificação, e tem uma lição. É isso que o entrevistador está ouvindo.

A parte que ninguém conta: soft skill pesa#

Em consultoria, o cientista de dados fala com cliente. Às vezes com cliente difícil, em reunião onde o resultado é ruim e precisa ser dito com clareza.

Não adianta ter portfólio impecável se você não consegue explicar por que um modelo errou para um diretor financeiro. Prepare exemplos de quando você apresentou resultado, recebeu pergunta difícil, e respondeu sem se esconder em jargão.

Também vale pensar em disponibilidade. Projetos de consultoria podem envolver deslocamento ou horário diferente do seu habitual, dependendo do cliente. Não prometa o que não pode cumprir. Pergunte sobre o modelo de trabalho na primeira conversa.

Como procurar a vaga#

Se você quer ver aberturas de Data Scientist, incluindo em consultorias, use a busca de vagas do jobrise. Filtrar por cargo e cidade ajuda a entender o que o mercado brasileiro está pedindo agora, e isso é melhor do que confiar na sua memória do que era pedido um ano atrás.

Ferramentas grátis#

• jobrise.io/pt/free-ats-checker/
• jobrise.io/pt/free-jd-decoder/
• jobrise.io/pt/jobs/
• jobrise.io/pt/blog/

Perguntas frequentes#

Quais palavras-chave colocar no currículo para Data Scientist na KPMG?

Use os termos exatos do anúncio da vaga, mais o vocabulário técnico padrão da área: Python, SQL, modelagem preditiva, feature engineering, validação de modelo, visualização de resultados. Não existe uma lista oficial da empresa, e inventar palavra-chave de skill que você não tem é um risco na entrevista técnica.

Preciso ter experiência com Big Four para ser considerado?

Não. O que pesa é capacidade de entregar projeto com prazo e falar com cliente. Se você nunca trabalhou em consultoria, destaque experiências em que você atendeu outra área da empresa, apresentou resultado para gestor, ou entregou algo com escopo definido por outra pessoa.

Como devo formatar o currículo para passar em filtro automático?

Use uma coluna só, fonte padrão, sem tabela, sem imagem, e salve em PDF com texto selecionável. Coloque as palavras-chave da vaga tanto na seção de competências quanto dentro dos bullets de experiência. Rode o arquivo pelo verificador de currículo para ATS antes de enviar.

O que perguntam na entrevista técnica de Data Scientist em consultoria?

Costuma ter SQL, fundamentos de estatística e machine learning, e discussão de um projeto seu. Também aparecem perguntas sobre como você comunica resultado para área de negócio. A estrutura varia por país e por área, então trate isso como preparação geral, não como previsão do processo.

Como adaptar o currículo para vaga de Data Scientist no Brasil?

Considere que o mercado brasileiro mistura inglês e português nas descrições, e que muitas vagas pedem disponibilidade presencial ou híbrida em São Paulo e outros polos. Escreva o currículo em português para empresa brasileira, em inglês para processo global, e confira sempre o site oficial da empresa e o texto da vaga para requisitos atuais.