KPMG Machine Learning Engineer: palavras-chave de curriculo e entrevista

Você quer concorrer a uma vaga de Machine Learning Engineer na KPMG e não sabe o que colocar no currículo sem parecer genérico. O erro mais comum é copiar descrições de produto digital para um contexto de consultoria, e isso derruba candidato antes da triagem.

A KPMG é uma das Big Four, e o trabalho de dados e machine learning dentro de consultoria tem um formato diferente de empresa de tecnologia. Você entrega projeto para cliente, sob prazo, com documentação e regra de negócio explícita. Seu currículo precisa mostrar que você aguenta isso, não só que você sabe treinar modelo.

Como funciona a vaga na prática#

Machine Learning Engineer em consultoria normalmente aparece sob nomes variados: Analytics Engineer, AI Engineer, Data Scientist com foco em MLOps, ou Engenheiro de Dados Pleno com ML. Leia a descrição da vaga com atenção, porque o escopo muda bastante entre times de auditoria, advisory e soluções de risco.

No Brasil, a KPMG tem presença forte em São Paulo e atuação remota ou híbrida em várias áreas. Salários variam muito por nível e por contrato, e não vou inventar número aqui. Pesquise faixas atuais em fontes como Glassdoor ou Levels.fyi e confirme direto na negociação, porque o que você encontra publicado costuma estar defasado.

Um ponto local: consultorias contratam muito por indicação e por processo seletivo com triagem de ATS. Isso significa que palavras-chave erradas te eliminam silenciosamente.

Palavras-chave que a triagem procura#

Pegue a descrição da vaga e destaque as tecnologias e responsabilidades que aparecem mais de uma vez. Essas são as palavras que o filtro automático vai buscar no seu currículo. Ferramentas de decodificação de descrição de vaga ajudam a transformar aquele texto longo em uma lista objetiva de requisitos.

Para vagas de ML Engineer em consultoria no Brasil, as palavras que costumam aparecer são estas:

• Python, SQL, e versionamento com Git
• Scikit-learn, pandas, NumPy, e frameworks de deep learning como TensorFlow ou PyTorch
• AWS, Azure, ou GCP, e serviços de ML gerenciados como SageMaker ou Azure ML
• Docker, orquestração com Airflow ou Kubeflow, e CI/CD
• MLOps, monitoramento de modelo, reprodutibilidade, e registro de experimentos
• Comunicação com cliente, documentação técnica, e tradução de requisitos de negócio
• Testes unitários, boas práticas de código, e code review
• Governança de dados, LGPD, e controle de acesso

Não coloque tudo no currículo se você não usa. Recrutador técnico percebe exagero na hora. Foque nas que você consegue defender em entrevista.

Como montar o currículo para KPMG#

Estrutura simples funciona melhor: resumo de duas linhas, experiência com bullets de resultado, stack técnico, e formação. Consultoria valoriza previsibilidade, então evite layout criativo com gráficos e ícones, porque o ATS pode ler tudo errado.

O padrão que funciona é: verbo de ação, contexto do projeto, tecnologia usada, e resultado mensurável ou efeito observável. Se você não tem número, descreva o efeito concreto, como redução de retrabalho ou tempo de resposta do time.

Aqui vai um exemplo de bullet reescrito. Antes, o que a maioria escreve:

"Atuei com modelos de machine learning para previsão de demanda usando Python."

Depois, o que passa na triagem e abre conversa na entrevista:

"Desenvolvi pipeline de previsão de demanda em Python com scikit-learn e Airflow, automatizando o reentrenamento semanal e reduzindo o esforço manual do time de operações de cerca de duas horas por semana para menos de trinta minutos."

Esse formato mostra tecnologia, processo e efeito, sem inventar número de negócio que você não tem.

Depois de montar, passe o currículo por um verificador de compatibilidade com ATS para ver se o formato está legível para o filtro. Depois, faça uma segunda versão ajustada para a vaga específica, nunca um arquivo genérico para todas.

O que a entrevista técnica costuma cobrir#

Sem prometer processo interno, dá para se preparar pelo que a descrição da vaga pede. Consultorias costumam combinar avaliação técnica com conversa sobre experiência de projeto e comportamento em contexto de cliente.

Espera-se que você explique escolha de modelo, não só resultado. Por que essa métrica e não outra, o que aconteceu quando o dado mudou, como você versionou o pipeline. Também é comum discutir trade-offs entre solução rápida para o cliente e solução mais robusta para manutenção futura.

Prepare dois projetos seus em profundidade, com arquitetura, decisões, erros, e o que faria diferente. Tenha um diagrama simples desenhado, porque explicar pipeline de ponta a ponta impressiona mais do que citar biblioteca.

Exemplo de resposta para pergunta comportamental#

Pergunta típica: "Conte uma vez em que você precisou explicar um modelo complexo para alguém sem perfil técnico."

Resposta que funciona, no formato situação, ação, resultado:

"Num projeto de crédito, o comitê de aprovação não entendia por que o modelo negava alguns perfis com renda alta. Montei uma apresentação curta usando valores de SHAP para mostrar quais variáveis pesavam mais em cada decisão, e troquei jargão por exemplos do portfólio deles. A reunião que era de uma hora terminou em vinte minutos, e o time de negócio passou a revisar as exceções sozinho, sem me chamar toda semana."

Note que a resposta tem contexto, ação técnica específica, e efeito concreto no comportamento do time. É esse formato que recrutador procura.

Preparação prática antes de aplicar#

Roteiro objetivo para as próximas duas semanas:

• Leia três descrições de vaga de ML Engineer na KPMG ou em consultoria similar e liste as palavras que se repetem
• Reescreva seus três bullets mais fracos no formato ação, tecnologia, efeito
• Prepare dois projetos para explicar em cinco minutos, com arquitetura e decisões
• Revise fundamentos de SQL, teste de hipótese, e métricas de classificação e regressão
• Pratique explicar um pipeline de MLOps para alguém fora da área de dados
• Tenha uma pergunta preparada sobre escopo do time, stack atual, e como o projeto é entregue ao cliente
• Confira vagas abertas em sites de carreira e agregadores de vagas para entender requisitos atuais
• Leia artigos de mercado e relatos de entrevista para calibrar expectativa, sem tratar relato de terceiros como regra

Erros que eliminam candidato#

Currículo com lista infinita de ferramentas e nenhum projeto concreto cai na primeira peneira. Exagero em senioridade também: escrever "especialista em deep learning" sem publicação, projeto ou produção defensável gera dúvida imediata.

Outro erro é tratar consultoria como startup. Dizer que você "gosta de ambiente caótico e de usar a stack que quiser" não ajuda, porque cliente tem regra, prazo e governança. Mostre que você consegue entregar dentro de restrição.

Por fim, não ignore a parte de comunicação. Consultoria vende capacidade de traduzir problema de negócio em solução técnica, e isso pesa tanto quanto código.

Ferramentas grátis#

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

Perguntas frequentes#

Preciso ter experiência prévia em consultoria para entrar na KPMG?

Não necessariamente. Projetos de produto, estágio em time de dados, ou até pesquisa acadêmica contam, desde que você consiga mostrar entrega com prazo e stakeholders. O que ajuda é evidenciar que você já trabalhou com requisito de outra pessoa, não só projeto próprio.

A KPMG usa qual stack de machine learning no Brasil?

Varia por área e por cliente, então não existe uma resposta única. Foque em fundamentos sólidos de Python, SQL, nuvem e MLOps, e pergunte na entrevista qual stack o time usa hoje. Isso mostra maturidade, e você não precisa adivinhar.

Meu currículo precisa ter número em todos os bullets?

Não. Se você não tem métrica confiável, descreva o efeito observável, como tempo de resposta do time ou redução de retrabalho. Inventar número é pior do que não ter, porque recrutador técnico faz pergunta de acompanhamento e a mentira aparece.

Como me preparar para a parte de case técnico?

Revise o projeto que você mais conhece e pratique explicar decisões em voz alta, não só resultado. Cases de consultoria costumam pedir estrutura de raciocínio, alternativas consideradas, e como você comunicaria para cliente. Treine com cronômetro e grave você mesmo falando.

Devo adaptar o currículo para cada vaga ou usar um só?

Adapte. Uma versão base bem escrita mais ajustes por vaga funciona melhor do que dez versões diferentes, e você mantém controle do que enviou. Guarde registro da versão enviada em cada processo, porque isso ajuda na hora da entrevista.