未経験や文系からでもなれる?
やめとけ、AIでなくなるという話は本当?
データサイエンティストに興味はあっても、仕事の中身となると意外とイメージしにくい職種です。AIやDXの話題とセットで語られることが多く、年収が高いという声と、やめとけ・いずれなくなるという声が同時に聞こえてくるので、迷うのも無理はありません。
先に結論をお伝えすると、データサイエンティストはデータを分析して、事業の判断材料をつくる専門職です。平均年収はITエンジニア全体より高い水準にありますが、未経験からいきなり採用されるケースはまれで、多くの人はデータアナリストやデータエンジニアといった隣接職種を経由してたどり着きます。
この記事では、仕事内容や年収、必要なスキルと資格、将来性といった基本から、経歴別のなり方や求人の見極め方までを、エンジニア歴16年の立場から整理しました。やめとけと言われる理由についても、どんな職場だと苦労するのかまで踏み込んで解説します。
エンジニア歴16年、スマホアプリ開発会社で主にバックエンドを担当していますが、好きなのはフロント側です。最近ではエンジニア採用の面接官や新人教育も担当しています。運営者ページはこちら
すでにエンジニアとして働いていてデータ領域への転職を考えている人は、IT業界の企業事情に詳しい転職エージェントに早めに相談しておくと、求人の中身を見極めやすくなります。
目次
- 1 データサイエンティストとは?簡単にいうと「データで事業の判断材料をつくる人」
- 2 データサイエンティストの仕事内容
- 3 データアナリスト・データエンジニア・AIエンジニアとの違い
- 4 データサイエンティストの年収
- 5 データサイエンティストは「やめとけ」と言われる理由と実態
- 6 データサイエンティストはAIでなくなる?将来性と需要
- 7 データサイエンティストに必要なスキル
- 8 データサイエンティストに役立つ資格
- 9 データサイエンティストになるには?経歴別のルート
- 10 データサイエンティストのキャリアパス
- 11 データサイエンティストの求人の探し方
- 12 まとめ
- 13 データサイエンティストを目指すエンジニアにおすすめの転職エージェント3社
- 14 データサイエンスが学べるプログラミングスクール
- 15 Pythonを学びたいかたへ
- 16 R言語を学べる動画サービス・プログラミングスクール
- 17 もっと多くのプログラミングスクールを比較するなら
- 18 未経験からエンジニア転職するのにおすすめな転職サイト・転職エージェント
データサイエンティストとは?簡単にいうと「データで事業の判断材料をつくる人」
データサイエンティストを簡単に説明すると
データサイエンティストを一言で表すなら、データを使って、会社が次に何をすべきかを判断できる状態をつくる人です。厚生労働省の職業情報提供サイトjob tagでも、新しい商品やサービスを生み出したり、業務のやり方を変えたりするためにビッグデータを分析する職業として位置づけられています。
出典:厚生労働省 職業情報提供サイト(job tag)「データサイエンティスト」
身近な例がECサイトのおすすめ表示です。購入履歴を集計すれば、一緒に買われやすい商品の組み合わせはすぐにわかります。ただ、それだけでは、どの顧客にどのタイミングで何を出せば買ってもらえるのかまでは決まりません。閲覧履歴や購入の間隔まで含めて傾向を分析し、予測モデルをつくって効果を確かめたうえで、実際のおすすめ表示に反映させる。この一連の流れを設計して回すのがデータサイエンティストの仕事です。
ここで押さえておきたいのは、分析して数字を出すこと自体はゴールではないという点です。どれだけ高度な手法を使っても、その結果で現場の判断や施策が変わらなければ、会社にとっての価値はほぼゼロといっていいでしょう。技術的に正しい分析と事業として使える答えを結びつけるところに、この職種の専門性があります。
データサイエンティストに求められる3つの力
データサイエンティストに必要な能力について、一般社団法人データサイエンティスト協会はビジネス力、データサイエンス力、データエンジニアリング力の3つに整理しています。
ビジネス力は、売上を伸ばしたいといった漠然とした相談を、データで検証できる問いに置き換える力です。データサイエンス力は統計学や機械学習を使ってデータから傾向や予測を引き出す力を指し、データエンジニアリング力は分析に必要なデータを取得・加工して、使える状態で管理する力を指します。
3つすべてを高いレベルで持っている人は、正直なところほとんどいません。現場ではデータエンジニアや事業部門の担当者と役割を分け合いながら進めるのが普通で、どこに軸足を置くかによって働き方も変わってきます。とはいえ、1つだけに詳しければ務まる仕事でもないので、残りの2つについても相手と会話できる程度の理解は求められます。
データサイエンティストが注目されている理由
ひと昔前まで、本格的にデータ分析に取り組むのは大手IT企業や研究開発部門くらいのものでした。今では製造業の品質管理や金融機関のリスク評価、小売業の需要予測など、業界を問わずデータを事業判断に使う動きが広がっています。クラウドの普及で大量のデータを安く保存・処理できるようになり、生成AIの登場によって分析そのもののハードルも下がりました。
ところが、データとツールがそろっても、それを事業の成果につなげられる人材は足りていません。独立行政法人情報処理推進機構(IPA)のDX動向2024でも、データサイエンティストはビジネスアーキテクトと並んで、企業の不足感が強い職種として取り上げられています。
出典:IPA「DX動向2024 – 深刻化するDXを推進する人材不足と課題」
データサイエンティストの仕事内容
データサイエンティストの仕事は、課題の整理から始まり、データの準備、分析とモデル構築、報告と施策への反映まで一続きの流れになっています。ここでは、売上が落ちている小売企業から相談を受けたケースを例に、それぞれの工程で何をするのかを見ていきます。
課題のヒアリングと分析の設計
最初の仕事は、経営層や現場の担当者から話を聞き、困りごとをデータで検証できる形に整理することです。
売上を上げたいという相談だけでは、何を分析すればいいのか決められません。来店する顧客の数が減っているのか、1回あたりの購入額が落ちているのか、それとも特定のカテゴリだけが不振なのか。ヒアリングとデータのざっくりとした確認を通して原因の当たりをつけ、たとえば半年以上来店が途絶えている顧客層の特徴を洗い出す、といった具体的なテーマに落とし込みます。
分析の成否は、この段階でほぼ決まります。目的があいまいなまま作業を進めると、手間をかけた分析が誰の判断にも使われずに終わるからです。結果を受け取った人がどんな行動を取れるのかまで、最初に描いておく必要があります。
データの収集と前処理
テーマが決まったら、POSの販売データ、会員情報、ECサイトのアクセスログなど、必要なデータを集めて分析できる状態に整えます。
厄介なのは、集めたデータがそのままでは使えないことです。同じ顧客が店舗と通販で別々のIDを持っていたり、商品名の表記がシステムごとに違っていたり、入力漏れで項目が空欄になっていたりします。こうした欠損や重複、表記ゆれを一つずつ確認して直し、分析に関係のないデータを取り除く作業を前処理と呼びます。個人情報を含むデータであれば、その取り扱いにも気を配らなければなりません。
前処理は業務時間の大半を占めることもある地味な工程ですが、ここを雑に済ませると、どんなに優れたモデルを使っても結果は信用できないものになります。
分析・モデリングと検証
データが整ったら、統計手法や機械学習で分析を進めます。小売企業の例であれば、来店が途絶えそうな顧客を事前に見分けるモデルや、来月の売上を予測するモデルをつくるイメージです。
モデルは、つくって終わりではありません。学習に使ったデータでは高い精度が出ても、新しいデータに当てはめた途端に外れることがあり、これを過学習と呼びます。そのため、学習に使っていないデータで精度を確かめる検証が欠かせません。
あわせて、予測が外れたときに事業へどんな影響が出るのか、現場の運用に乗せられるのかも評価します。精度がわずかに高いだけで運用の手間が倍になるモデルなら、シンプルなモデルを選んだほうが会社のためになる場面もあります。
結果の報告・施策提案・実装
分析が終わったら、経営層や現場の担当者に結果を説明します。
ここで、予測モデルのAUCが改善しましたと伝えても、分析に詳しくない人には何のことかわかりません。来店が途絶えそうな顧客を事前に見つけられるようになったので、その層にだけクーポンを送れば販促費を抑えながら再来店を促せる。こうして事業の言葉に置き換えて伝えるのが、データサイエンティストの役割です。
施策が決まれば、システムへの組み込みに進みます。モデルを業務システムやアプリに組み込む実装そのものはエンジニアが担当することも多いものの、仕様を詰める段階ではデータサイエンティストが中心になって開発チームと調整します。施策を始めたあとも効果を測り、期待した結果が出ていなければ分析の前提やモデルを見直す。この繰り返しまで含めて一つの仕事です。
働く会社によって仕事の中身が変わる
同じデータサイエンティストでも、勤め先が自社サービスを持つ事業会社なのか、他社の分析を請け負う受託分析・コンサルティング会社なのかで、働き方は大きく変わります。
事業会社では、自社のデータと長く向き合いながら一つの事業を深く改善していけます。施策の結果を最後まで見届けられるのも魅力です。ただし、分析組織がまだ小さい会社だと、データ基盤の整備から社内への説明まで一人で抱えることになります。
受託分析・コンサルティング会社では、製造業や金融、小売などさまざまな業界の案件に関わるため、短い期間で幅広い分析経験を積めます。未経験者を受け入れる求人も、事業会社よりこちらのほうが見つかりやすい印象です。そのぶん顧客への提案や納期の管理も求められるので、分析だけに集中していたい人には合わない面があります。
データアナリスト・データエンジニア・AIエンジニアとの違い
データサイエンティストと混同されやすいのが、データアナリスト、データエンジニア、AIエンジニアの3職種です。どれもデータやAIに関わる仕事ですが、受け持つ工程が違います。
| 職種 | 主な役割 | 中心になるスキル |
|---|---|---|
| データサイエンティスト | 事業課題を分析し、予測や施策の提案につなげる | 統計、機械学習、SQL、Python、ビジネス理解 |
| データアナリスト | データを集計・可視化して現状を明らかにする | SQL、BIツール、Excel、レポーティング |
| データエンジニア | 分析に使うデータ基盤を構築・運用する | SQL、Python、クラウド、データベース |
| AIエンジニア(機械学習エンジニア) | AIや機械学習モデルを開発し、サービスに組み込む | Python、機械学習、クラウド、運用の仕組みづくり |
データアナリストとの違いは、どこまで先を扱うかにあります。アナリストは、どの商品が売れているか、どの顧客層がよく買っているかといった現状をデータで明らかにし、レポートやダッシュボードで共有するのが主な仕事です。データサイエンティストはそこから一歩進んで、来月の売上や顧客の離反を予測したり、施策の効果をモデルで見積もったりします。
データエンジニアは、データサイエンティストが使うデータの通り道をつくる人です。各システムからデータを集めて加工し、データウェアハウスなどに安定して保管する仕組みを構築・運用します。データ基盤が整っていない会社では、データサイエンティストがこの役割を兼ねていることもあります。
AIエンジニアは、AIをつくってサービスに組み込む側の職種です。データサイエンティストがAIを道具として使って事業課題を解く側だとすると、AIエンジニアはその道具を開発し、本番環境で安定して動かす責任を持ちます。両者の境界は会社によってあいまいで、データサイエンティストがモデルの実装まで受け持つ職場もあります。
機械学習モデルの開発や実装を専門にしたい人は、機械学習エンジニアの仕事内容や必要なスキルを解説した記事も参考にしてください。
データサイエンティストの年収
平均年収は539万円、ITエンジニア全体より高い水準
dodaの平均年収ランキング(2025年版)によると、データサイエンティストの平均年収は539万円です。同じ調査で技術系(IT/通信)の職種全体は469万円、全職種の平均は429万円なので、ITエンジニアの中でも高い部類に入ります。男女別に見ると、男性558万円、女性481万円でした。
同じランキングの企画/管理系には、データアナリスト/データサイエンティストという職種分類もあり、こちらの平均年収は607万円です。技術系の分類より70万円近く高く出ているのは、経営企画やマーケティング部門の中で、分析結果を事業判断に直接つなげるポジションが多く含まれるためだと見ています。データを事業の言葉に翻訳できる人ほど評価される職種だということが、数字にも表れています。
なお、dodaの数字はdodaに登録している人のデータをもとにした平均値なので、会社の規模や業界によって実際の年収には幅があります。
年代別に見る年収
同じdodaの調査から、データサイエンティストの年代別の平均年収をまとめました。
| 年代 | 平均年収 |
|---|---|
| 20代 | 471万円 |
| 30代 | 627万円 |
| 40代 | 699万円 |
| 50代以上 | 698万円 |
目を引くのは、20代の471万円から30代の627万円へと150万円以上伸びている点です。データサイエンティストは、資格や学歴よりも、実際にどんなデータでどんな成果を出してきたかで評価される職種です。そのため、実務経験が数年たまる30代で市場価値が一気に上がります。40代以降も700万円前後を保っていて、経験を積んだ人材が長く評価される職種だとわかります。
公的データで見るとどうか
厚生労働省のjob tagでは、データサイエンティストの賃金(年収)は611.9万円です。ただし、これは令和7年賃金構造基本統計調査を加工した数字で、集計の単位はデータサイエンティストを含む職業分類全体です。
出典:厚生労働省 職業情報提供サイト(job tag)「データサイエンティスト」
調査の対象も方法もdodaとは異なるため、2つの数字を並べてどちらが正しいかを比べても意味はありません。民間の調査だけでなく公的な統計でも600万円を超える水準にある、という目安として受け取ってください。
年収が高くなる人・上がりにくい人
同じデータサイエンティストでも、年収には大きな差がつきます。分かれ目になるのは、分析スキルにもう一つ何を掛け合わせられるかです。
高い年収を提示されやすいのは、まず業界知識を持っている人です。金融の与信審査や製造業の品質管理など、業界特有のルールや業務の流れを知っている人は、データの意味を取り違えずに現場で使える提案ができます。つくったモデルを本番環境に載せて運用まで面倒を見られる人、分析結果から具体的な施策を描いて事業責任者を動かせる人も、市場での評価が高い人材です。
反対に、決まった形式の集計やレポート作成だけを続けていると、年数を重ねても年収は伸びにくくなります。
もう一つ知っておいてほしいのが、異職種からの転職では最初の年収が下がる場合もあるという点です。前職の経験が、データ分析の実務経験としてそのまま評価されるわけではないからです。目先の提示額だけで判断せず、モデル構築や施策の提案まで経験できる環境かどうかを優先したほうが、30代以降の年収に効いてきます。
データサイエンティストは「やめとけ」と言われる理由と実態
データサイエンティストにやめとけという声があるのは事実です。ただ、中身を一つずつ見ていくと、仕事そのものがきついというより、職場との相性や入社前のイメージとのずれで苦しんでいるケースが大半を占めます。理由を知ったうえで職場を選べば、避けられるものも多くあります。
求められる知識の範囲が広く、学び続ける必要がある
統計学、プログラミング、機械学習、データベース、そして担当する業界の知識。データサイエンティストに求められる範囲はとにかく広く、しかも機械学習のライブラリやクラウドサービス、生成AIを使った分析手法など、毎年のように新しいものが出てきます。一度覚えれば何年も通用する、という仕事ではありません。
とはいえ、すべてを同じ深さで身につける必要はなく、まずは担当業務で使う範囲を固めてから周辺に広げていけば十分です。業務時間外の学習が苦にならない人ばかりではないので、勉強会や研修の時間を業務として認めている会社かどうかは、入社前に確認しておく価値があります。
華やかなイメージに反して地道な作業が多い
データサイエンティストと聞くと、AIを駆使して未来を予測する華やかな仕事を思い浮かべるかもしれません。実際の業務時間の多くは、仕事内容の章で触れた前処理や、条件を変えながら何度も繰り返す検証に使われます。データの不備が見つかれば前の工程に戻り、仮説が外れれば別の切り口を試す。その積み重ねです。
最先端のモデルに触れることを期待して入ると、このギャップは大きく感じるでしょう。逆に、データの不備を見つけて原因を突き止める作業そのものに面白さを感じられる人なら、この点はむしろ向いている証拠になります。
経営層や現場との期待値がずれやすい
AIを入れれば売上が倍になる、といった過大な期待を寄せられるのも、この職種でよく聞く悩みです。限られたデータと期間で出せる答えには限界があり、そのことを説明するだけでひと苦労します。かと思えば、時間をかけて出した分析結果が、現場の運用負荷や社内の事情を理由に採用されないこともあります。
これが続くと、自分の仕事に意味があるのかわからなくなってきます。防ぐには、分析を始める前に、何がわかればゴールなのか、結果が出たら誰がどう動くのかを関係者とすり合わせておくことです。データ活用が経営の方針としてきちんと位置づけられている会社かどうかも、働きやすさを大きく左右します。
社内に相談できる相手が少ない
データ活用を始めたばかりの会社では、分析担当が自分1人という職場もあります。技術的な判断に迷ったときに相談できる相手も、分析結果の妥当性をチェックしてくれる先輩もいないまま、データ基盤の整備から経営層への報告までを任されるわけです。
経験を積んだ人にとっては裁量が大きくやりがいのある環境ですが、実務経験の浅い人が入ると、何が正しいのかわからないまま手探りで進めることになり、成長も遅れます。最初の転職先には、分析チームに経験者が複数いる会社を選ぶのが無難です。
職種名だけでは仕事内容がわからず、ミスマッチが起きやすい
転職メディアを運営していて特に気になるのが、この職種名と実態のずれです。
同じデータサイエンティストの募集でも、ある会社では機械学習モデルの構築が中心なのに、別の会社では毎月の売上レポートづくりがほとんどだったり、データ基盤の構築・運用が業務の大半を占めていたりします。職種名だけを見て応募すると、入社してから思っていた仕事と違うと気づくことになりかねません。
求人票のどこを見て業務の中身を判断するかは、後半の求人の探し方の章でまとめました。求人票だけでは見えない分析チームの体制や過去の採用実績まで知りたいなら、IT業界の企業事情に詳しい転職エージェントから情報をもらうのが近道です。
データサイエンティストに向いている人・向いていない人
向いているのは、数字を見たときに、なぜそうなったのかが気になって仕方がない人です。売上が落ちたという事実だけで納得せず、どの顧客の、どの商品で、いつから落ちたのかを掘りたくなる人は、この仕事の面白さを感じやすいはずです。仮説が外れても条件を変えて淡々と検証を続けられる粘り強さや、専門外の人に結論から説明できる力も欠かせません。
向いていないのは、一人で黙々と作業して完結する仕事を求めている人です。データサイエンティストは事業部門や開発チームとのやり取りが多く、分析と同じくらい人と話す時間があります。すぐに明確な正解が出ないと不安になる人にも、試行錯誤の続く毎日はつらく感じられるでしょう。
データサイエンティストはAIでなくなる?将来性と需要
生成AIで分析の手間が大きく減った今、データサイエンティストの仕事もAIに取って代わられるのではないか、と不安になるのは自然なことです。考えを先に書いておくと、定型的な分析作業は確実にAIやツールへ移っていきますが、職種そのものがなくなることはありません。むしろ、AIを使って事業の課題を解ける人の価値は上がっていきます。
「なくなる」と言われる3つの理由
1つ目は、AutoMLや生成AIによる自動化です。モデルの選定や調整をツールが自動で行えるようになり、Pythonのコードも生成AIに頼めばたたき台がすぐに出てきます。以前なら専門知識がないと数日かかっていた作業が、数時間で片づく場面も増えました。
2つ目は、BIツールの普及です。TableauやPower BIを使えば、事業部門の担当者が自分でデータを集計し、ダッシュボードで確認できます。分析担当に依頼していた作業の一部は、現場で完結するようになりました。
3つ目は、その結果として、決まった条件での集計やグラフ作成といった定型業務の価値が下がっていることです。こうした仕事だけを担当している人にとって、なくなるという不安は現実味のある話です。
それでも需要が続くと考える理由
AIがどれだけ進化しても、何を分析すべきかを決め、その結果をどう使うかを判断する仕事は残ります。これが、需要が続くと考える一番の理由です。
公的なデータを見ても、人手は明らかに足りていません。job tagによると、データサイエンティストを含む職業分類の有効求人倍率は8.91(令和7年度)です。分類全体の数字なのでデータサイエンティスト単独の倍率ではありませんが、求職者1人に対して多くの求人がある状態が続いています。前述のIPAのDX動向2024でも、企業が不足を感じている職種として名前が挙がっていました。
出典:厚生労働省 職業情報提供サイト(job tag)「データサイエンティスト」
AIが得意なのは、与えられたデータを処理してパターンを見つけることです。業界の事情を踏まえて課題を設定すること、出てきた結果がビジネスとして筋が通っているかを判断すること、意思決定者が納得して動ける形で説明することは、人が担う部分として残ります。データの品質に問題がないかを見抜く目も同じです。AIの導入が進めば進むほど、こうした判断の重みはむしろ増していきます。
AI時代に価値が上がる人・下がる人
価値が下がっていくのは、毎月決まった条件でデータを抽出し、同じ形式のレポートをつくる作業を中心にしている人です。この種の業務は、BIツールと生成AIでかなりの部分を置き換えられます。
価値が上がるのは、生成AIにコードのたたき台や下調べを任せ、浮いた時間を課題設定や結果の解釈、施策の提案に回せる人です。ここで大事なのは、AIが書いたコードや出した分析結果をうのみにせず、自分で検証できる基礎知識を持っていること。統計の基本を理解していない人がAIに分析を任せると、間違った結論をもっともらしく報告してしまう危険があります。年収の章で触れた業界知識も、AIの出した結果が現場で使えるかを判断する場面で大きな武器になります。
これから目指す人は、AIに奪われない仕事を探すより、AIを道具として使いこなす前提でスキルを組み立てるほうが現実的です。
データサイエンティストに必要なスキル
ここからは、データサイエンティストに必要なスキルを5つに分けて、それぞれ何をどこで学べばいいのかまで解説します。
統計学・数学の基礎
まず必要なのは統計学の基礎です。平均や分散でデータの特徴をつかむ記述統計、データのばらつき方を表す確率分布、見えている差が偶然かどうかを判断する仮説検定、複数の要因と結果の関係を式で表す回帰分析の4つが最低ラインになります。機械学習の仕組みまで理解しようとすると線形代数や微分の知識も必要ですが、そこは後回しで構いません。
学習の道しるべとしておすすめなのが、統計検定の公式テキストと過去問です。3級は高校までに学ぶデータ分析の基礎、2級は大学の基礎課程で学ぶ統計学が範囲になっていて、2級の内容まで理解できれば、実務で出てくる統計的な判断にはひととおり対応できます。数学そのものに苦手意識がある人は、日本数学検定協会のデータサイエンス数学ストラテジストの公式問題集を使って、高校数学の必要な部分から復習するのも手です。
Python・SQLなどのプログラミング
SQLは必須です。分析の前にデータベースから必要なデータを取り出す場面は毎日のようにあり、SQLを書けなければ分析にすら入れません。SELECT文での抽出、JOINによるテーブルの結合、GROUP BYでの集計をスムーズに書けるようになるのが最初の目標です。
Pythonは、データ加工のpandas、機械学習のscikit-learn、グラフ作成のmatplotlibの3つのライブラリを使えれば、分析の基本的な流れはひととおり回せます。統計解析の色が濃い職場や研究機関ではR言語が使われることもあるため、応募先の求人票で使用言語を確認しておいてください。
Pythonを独学で始めるなら、東京大学が無料で公開している教材Pythonプログラミング入門がよくまとまっています。Google Colabを使えばブラウザ上でコードを実行できるので、環境構築でつまずく心配もありません。教材をひととおり終えたら、政府統計の総合窓口e-Statで公開されている統計データを読み込み、集計やグラフ化を試してみると理解が一段深まります。
Pythonの特徴や学び方はPython入門の記事で、R言語についてはR言語の記事で詳しく解説しています。
機械学習の知識
最初に理解しておきたいのは、教師あり学習と教師なし学習の違いです。正解付きのデータで学習させる教師あり学習は売上予測や解約予測に、正解のないデータからグループや傾向を見つける教師なし学習は顧客の分類などに使われます。そのうえで、モデルの良し悪しを測る評価指標と、仕事内容の章で触れた過学習の考え方を押さえておけば、実務の会話にはついていけます。
実践的な学習には、KaggleやSIGNATEといったデータ分析コンペのサイトが向いています。Kaggleにはタイタニック号の乗客データから生存者を予測する入門コンペがあり、SIGNATEにも初心者向けの練習問題が用意されています。上位を狙う必要はありません。上位者が公開しているコードを読み、なぜその前処理をしているのか、なぜそのモデルを選んだのかを考えながら自分の手で再現するのが、実務に一番近い練習になります。
ビジネス理解と説明力
技術と同じくらい大事なのが、ビジネスを理解する力と説明する力です。現場の困りごとを分析できる問いに変える力がなければ分析は始まらず、結果を相手に伝える力がなければ分析は活かされません。
エンジニア出身の人が一番苦労するのは、おそらくここです。技術的な正しさを大切にするあまり、使った手法や精度の話から説明を始めてしまい、結局何をすればいいのかが相手に伝わらないのです。報告では、何がわかったのか、それを受けて何をすべきか、どれくらいの効果が見込めるのかを先に伝え、手法の説明は聞かれたら答える程度で十分です。日ごろの業務報告やチャットでも、結論、根拠、次の行動の順に書く習慣をつけておくと、この力は自然と鍛えられます。
クラウド・生成AIの活用
実務では、BigQueryやSnowflakeといったクラウド上のデータ基盤から直接データを取り出して分析する場面が増えています。こうしたサービスでもデータの操作はSQLが基本なので、SQLをしっかり身につけておけば移行はスムーズです。
生成AIは、コードのたたき台づくりやエラーの原因調査に使うと作業時間を大きく減らせます。前の章でも書いたとおり、出てきた結果を自分で検証できることが前提です。
データサイエンティストに役立つ資格
データサイエンティストになるために必須の資格はなく、job tagでも関連資格は挙げられていません。経験者の転職では、資格よりも、どんなデータを使ってどんな成果を出したかのほうがはるかに重視されます。
それでも、未経験者にとって資格の勉強は無駄になりません。独学では全体像をつかみにくい統計や機械学習の範囲を、試験範囲という形で示してくれるからです。応募書類に書ければ、学習に本気で取り組んでいることの証明にもなります。代表的な資格は次の5つです。
| 資格名 | 運営団体 | レベル感 | こんな人に |
|---|---|---|---|
| データサイエンティスト検定(DS検定)リテラシーレベル | 一般社団法人データサイエンティスト協会 | 入門 | データサイエンスの全体像をつかみたい人 |
| 統計検定2級・データサイエンス基礎 | 一般社団法人日本統計学会(試験の実施は一般財団法人統計質保証推進協会) | 基礎〜中級 | 統計の基礎を固めたい人 |
| G検定 | 一般社団法人日本ディープラーニング協会 | 入門〜中級 | AI・機械学習の知識を幅広く身につけたい人 |
| E資格 | 一般社団法人日本ディープラーニング協会 | 上級 | ディープラーニングの理論と実装を深く学びたい人 |
| Python 3 エンジニア認定基礎試験 | 一般社団法人Pythonエンジニア育成推進協会 | 入門 | Pythonの基礎知識を証明したい人 |
どの順番で取るかは、今の経歴によって変えるのが効率的です。
IT未経験や文系の人には、統計検定3級から始めて2級まで進み、そのあとDS検定で知識を整理する順番をおすすめします。データサイエンスのどの分野を学ぶにも統計の理解が前提になるので、土台を先に固めておくと、その後の学習がずっと楽になります。
すでにエンジニアとして働いている人は、DS検定を最初に受けるのが近道です。プログラミングやデータベースの知識はすでにあるので、DS検定でデータサイエンスの全体像と自分に足りない領域を把握し、手薄になりやすい統計を統計検定2級で補強します。機械学習の理論まで体系的に学びたくなったら、G検定、その先にE資格という流れです。
受験料や試験日程は変わることがあるので、申し込む前に各資格の公式サイトで最新の情報を確認してください。
データサイエンティストになるには?経歴別のルート
最初に正直に書いておくと、完全未経験からいきなりデータサイエンティストとして採用されるのはかなり難しいのが現実です。job tagでも、中途で入職する人の前職として、情報処理技術者や通信技術者、マーケティングリサーチャー、製造業の研究者などが挙がっています。ITやデータ分析、研究に何らかの形で関わってきた人が、その経験を足がかりに移ってくる職種なのです。
求人を見ても実務経験を条件にしたものが中心です。未経験可の募集は受託分析やクライアントワークを中心とする会社に比較的多いものの、統計やPythonの基礎知識は前提とされます。ここからは、今の経歴別に現実的なルートを解説します。
ITエンジニア(SE・プログラマー・インフラ・社内SE)から目指す場合
SEやプログラマー、インフラエンジニア、社内SEとして働いている人は、データサイエンティストに一番近い位置にいます。プログラミングやデータベースの知識がある分、未経験者が最初の1年をかけて学ぶ範囲をすでに押さえているからです。
まずやってほしいのは、今の職場でデータに関わる仕事を取りにいくことです。SQLでデータを抽出する仕事、システムのログ分析、データ移行やデータウェアハウスの構築などがあれば、積極的に手を挙げてみてください。こうした経験は、職務経歴書にデータを扱った実務経験として書けます。インフラやバックエンドの経験がある人は、データ基盤を担うデータエンジニアを経由するルートも有力で、技術的な土台のしっかりしたデータサイエンティストを目指せます。
求人を探す段階では、データサイエンティストという名前の求人だけに絞る必要はありません。エンジニア経験者を育成前提で受け入れるポジションや、データ基盤寄りの求人まで視野を広げると、選べる会社が一気に増えます。ただ、こうした求人は業務の中身や育成体制を求人票だけでは判断しにくいので、IT業界に強い転職エージェントに条件を伝えて探してもらうのが効率的です。
営業・マーケティング・企画職から目指す場合
営業やマーケティング、企画職の人の強みは、業界と顧客を知っていることです。どんな顧客がどんな理由で買うのか、どの施策がどの程度効いたのかを肌で知っている人は、データの意味を正しく読み取れます。
足りないのは技術面です。Excelでの集計やグラフ作成だけでは、専門職としての転職は厳しいと考えてください。SQLとPythonでデータを取り出して加工し、統計的に分析できる力が必要になります。
最初の目標は、データアナリストやマーケティングアナリストへの転職に置くのが現実的です。その準備として、今Excelでつくっている月次の売上レポートを、社内のデータベースからSQLで取得する形に変えられないか、上司や情報システム部門に相談してみてください。日々の業務で分析の実績をつくれれば、ただの未経験者ではなく、業界知識を持った分析経験者として転職活動に臨めます。
IT未経験・文系から目指す場合
IT未経験や文系の人は、数学とプログラミングの基礎から積み上げていく必要があります。いきなり機械学習の高度な手法に手を出すより、統計の基本、SQLでのデータ取得、Pythonでの集計と可視化を順番に固めていくほうが、結局は早道です。
大まかな流れはこうです。まず統計検定3級レベルの統計とPython・SQLの基礎を学び、資格の勉強で抜け漏れを確認します。次にKaggleやSIGNATEの入門コンペ、e-Statの公開データを使った自主分析に取り組み、分析の過程と結果をポートフォリオにまとめます。そのうえでデータアナリストなどの隣接職種に転職し、実務経験を積みながら社内でデータサイエンティストを目指すのが現実的なルートです。
独学を続ける自信がない人や、統計と機械学習を体系立てて学びたい人は、データサイエンスに強いスクールを使う方法もあります。スクール選びはPythonが学べるプログラミングスクールの記事で比較しているほか、AI・データサイエンス教育に強いキカガクについてはキカガクの評判を解説した記事で詳しく紹介しています。
30代で未経験から目指す人も、年齢だけで道が閉ざされるわけではありません。見られるのは、前職での経験をデータ分析とどう結びつけられるかです。営業なら顧客理解、製造業なら生産工程や品質管理の知識といった、これまでの専門性を捨てずにデータ分析の技術を上乗せする方向で考えれば、20代の未経験者とは違う強みを打ち出せます。
学生・新卒から目指す場合
学生のうちに目指すなら、統計学や情報科学を学べる学部で基礎を身につけ、大学院で専門性を高めるのが王道です。job tagの学歴データを見ても、大学卒に加えて大学院の修士課程を修了した人の割合が高く、専門的な教育を受けた人材の多い職種であることがわかります。
文系の学生でも、在学中に統計とプログラミングを学び、データ分析のインターンシップに参加すれば道は開けます。最近は全学部向けにデータサイエンスの講義を開いている大学も増えているので、まずは自分の大学のカリキュラムを調べてみてください。Kaggleなどのコンペに取り組んだ実績は、学んだ知識を実際に使えることの証明として、就職活動でも評価されます。
データサイエンティストのキャリアパス
データサイエンティストとして経験を積んだあとのキャリアは、技術を深めるか、事業側に寄っていくかの2つの方向に分かれます。
技術を深める方向では、分析チームのリーダーや分析組織の責任者として、手法の選定やモデルの品質管理、メンバーの育成を担う道があります。分析だけでなくモデルの開発や本番環境での運用まで専門にしたいなら、機械学習エンジニアやAIエンジニアに軸足を移すのも自然な流れです。
事業側に寄る方向では、データやAIの活用を企業に提案するコンサルタント、データを武器にサービスの企画や改善を進めるプロダクトマネージャーといった道があります。さらに経験を積めば、会社全体のデータ活用を統括するCDO(最高データ責任者)のような、経営に近いポジションも見えてきます。
どちらの方向でも、十分な実績を積んだあとならフリーランスとして独立する道もあります。企業の分析支援や機械学習モデルの開発を案件単位で請け負う働き方です。ただし、案件の多くは実務経験が条件なので、まずは会社員として実績をつくるのが先です。AI領域のフリーランスの働き方は、フリーランスAIエンジニアについて解説した記事でまとめています。
どちらに進むかを最初から決めておく必要はありません。数年働く中で、モデルの精度を上げることに夢中になれるのか、分析結果で事業が動くことに手応えを感じるのかを見極めてから選べば十分です。
データサイエンティストの求人の探し方
求人票で必ず確認したい4つのポイント
やめとけの章で触れた職種名と実態のずれを避けるには、求人票で次の4点を必ず確認してください。
- 業務範囲:分析、モデル構築、データ基盤の構築のうち、どれが中心か
- 使用技術:Python・SQL・クラウドなど、何を使っているか
- チーム体制:分析チームの人数、経験者の有無、データエンジニアとの役割分担
- 分析結果の使われ方:事業の意思決定や施策に実際に使われているか
使用技術の欄にExcelとBIツールしか書かれていない求人は、集計やレポート作成が中心のポジションである可能性が高いと見ていいでしょう。チーム体制が書かれていない場合は、分析担当が1人だけの職場かもしれません。
求人票から読み取れない部分は、面接やカジュアル面談で質問すれば問題ありません。特に分析結果の使われ方については、最近の分析で事業がどう変わったか、具体例を聞いてみてください。その会社でデータが本当に使われているかどうかがよくわかります。答えがあいまいなら、入社後も分析が報告だけで終わる可能性が高いと考えておきましょう。
データサイエンティストの転職で転職エージェントを使うべき理由
データサイエンティストへの転職でエージェントをおすすめする一番の理由は、求人票には書かれていない情報が手に入ることです。分析チームの人数や経験者の有無、入社後に最初に任される業務、過去にどんな経歴の人が採用されたかといった情報は、企業と継続的にやり取りしているエージェントだからこそ持っています。
もう一つの理由は、エンジニア経験者向けの育成ポジションやデータ基盤寄りの求人が、一般には公開されずにエージェント経由で募集されている場合があることです。自分の経歴を伝えたうえで、データサイエンティスト以外の職種名の求人まで含めて提案してもらうと、選べる求人の幅がぐっと広がります。
エンジニア向けの転職エージェント・サイトを幅広く比較したい人は、エンジニア転職におすすめなエージェント・サイト27選―未経験OKありも参考にしてください。IT業界での実務経験がまだない人は、未経験者向けの転職エージェントを紹介した記事のほうが合っています。
まとめ
データサイエンティストは、データを分析して企業の意思決定や事業改善につなげる専門職です。課題の整理からデータの前処理、モデル構築、施策への反映までを受け持ち、dodaの調査では平均年収539万円と、ITエンジニア全体より高い水準にあります。
やめとけと言われる理由の多くは職場とのミスマッチで、求人票と面接で業務範囲やチーム体制を確かめれば避けられるものが大半です。AIで定型的な分析は自動化されていきますが、課題を設定し、結果を事業の判断につなげる役割はこれからも残ります。
ITエンジニアとして働いている人は、今の職場でデータに関わる経験を積みつつ、IT業界に強い転職エージェントで育成ポジションやデータ基盤寄りの求人まで含めて探すのが近道です。IT未経験や文系の人は、統計とPython・SQLの学習から始めて、データアナリストなどの隣接職種を経由するルートを描いてください。
データサイエンティストを目指すエンジニアにおすすめの転職エージェント3社
ITエンジニアとしての経験を活かしてデータ領域へ進みたい人には、IT業界に特化した転職エージェントが向いています。データ系のポジションは企業ごとに業務の中身が大きく違うため、企業の内情まで把握しているエージェントを選ぶことが大切です。ここでは、転ストがおすすめする3社を紹介します。
レバテックキャリア
- IT・Web業界に特化し、求人数は50,000件以上
- 年間累計7,000回以上の企業訪問で、求人票に載らない内部情報に強い
- データ系職種を含め、エンジニア経験を活かしたキャリアチェンジの相談がしやすい
レバテックキャリアは、ITエンジニアとWeb系職種に特化した転職エージェントです。企業を直接訪問して集めた情報をもとに、分析チームの体制や入社後に任される業務といった、求人票だけではわからない部分まで教えてもらえるのが強みです。
データサイエンティストの求人に限らず、データエンジニアやデータ基盤寄りのポジションも含めて提案を受けられるので、開発やインフラの経験をデータ領域にどう活かせるかを相談したい人に向いています。
ギークリー
- IT・Web・ゲーム業界に特化した転職エージェント
- 東京・大阪に拠点を持ち、全国の求人に対応
- 職種や技術に詳しいコンサルタントが、経験を活かせる求人を提案
ギークリーは、IT・Web・ゲーム業界に特化した転職エージェントです。業界を絞っている分、IT企業のデータ活用の状況や技術環境に詳しく、エンジニアとしての経験を評価してくれる求人を探しやすいのが特徴です。
IT業界での実務経験がある人向けのサービスなので、データ領域への転職を考えている現役エンジニアにおすすめします。
テックゴー
- 平均年収アップ額144万円の実績
- 求人数は10,000件以上で、ハイクラス求人が中心
- 経験を積んだエンジニアの年収アップ・キャリアアップに強い
テックゴーは、ITエンジニアのハイクラス転職に強い転職エージェントです。平均年収アップ額144万円という実績があり、すでに一定の経験を積んでいて、年収を上げながら専門性の高いポジションに移りたい人に向いています。
データサイエンティストとして実務経験を積んだあと、待遇やポジションをさらに上げたいと考えたときの相談先としても使えます。
IT業界での実務経験がまだなく、未経験からデータサイエンティストを目指す人は、まず学習環境を整えるところから始めましょう。データサイエンスやPythonを学べるスクールを以下にまとめています。
データサイエンスが学べるプログラミングスクール
『データサイエンス』が学べるおすすめプログラミングスクールをご紹介します。
- DMM WEBCAMP|データサイエンスコース
高い継続率を誇るカリキュラムで挫折しない!【転職・副業サポート】もあり! - キカガク
AI・データサイエンスの学習に特化したスクール。【転職支援に強み】ありです! - Aidemy(アイデミー)
【未経験からでも】AI/DX・データサイエンススキルが身につくプログラミングスクール!
Pythonを学びたいかたへ
Pythonを『未経験』からでも安心して学べるプログラミングスクールをご紹介します。少しでも気になるスクールがあれば、無料の相談会・体験会に登録してみてくださいね。
- Python Winner
Pythonを学んで就職・転職したい方におすすめなスクール。マンツーマンレッスンとアウトプット実践学習で実践力を確実に習得できます - RUNTEQ(ランテック) Python × AIコース
開発会社監修の実践的カリキュラムで「現場レベルのPython・AIスキル」習得できるスクール。Webエンジニアはもちろん、業務の効率化やスキルアップしたい方にもおすすめです! - キカガク
未経験からAI搭載のWebアプリ開発まで最短最速で学習できます。国の給付金制度を使えば受講料が最大80%OFF! - DMM WEBCAMP Pythonコース
未経験からでも挫折しないカリキュラムとメンターの指導で最短でスキル習得。転職/副業支援が手厚い人気スクール! - 忍者CODE
業界最安クラスの受講料と現役エンジニアのサポートで、未経験からプロエンジニアが目指せる人気スクールです! - スタアカ(スタビジアカデミー)
動画学習によるAI/データサイエンス専門のスクール。ライトプランは980円/月と業界最安値の料金で学習可能です!
R言語を学べる動画サービス・プログラミングスクール
『R言語』を学べるおすすめ動画サービス・プログラミングスクールをご紹介します。
- 侍エンジニア|日本初のマンツーマン専門スクール
オーダーメイドカリキュラム&マンツーマン指導で未経験でも挫折しない! - Tech Teacher|プログラミング学習を家庭教師と
目的に合わせたオーダーメイドカリキュラムをマンツーマン指導で学びます! - データミックス|データサイエンティストの育成に特化
R言語やPythonを幅広く学べるデータサイエンティスト専門のスクール!
もっと多くのプログラミングスクールを比較するなら
未経験・社会人、学生におすすめなプログラミングスクールを比較するなら、「プログラミングスクールおすすめランキング19選!社会人・未経験の転職にも有利!」という記事を参考にしてください。
転職付き(転職保証型)のプログラミングスクールの詳細を知りたいかたは、「【無料あり】転職支援・保証型プログラミングスクール比較17選!社会人・学生さんの就職に強い!」をご覧いただき、自分の目標や目的にぴったりのスクールを見つけてくださいね。
未経験からエンジニア転職するのにおすすめな転職サイト・転職エージェント
未経験可のエンジニア求人を探すなら「IT/Web系エンジニアにおすすめな転職サイトランキング21選!未経験OKあり」という記事を参考にしてください。IT・Web系に強い転職サイトや未経験求人を多数保有した転職エージェントを比較することができるので、未経験の方でも自分にぴったりの転職先を探すことができます。




















