データサイエンティストとは？仕事内容・年収・入口になる前職を解説

データサイエンティストという職種名を目にして、自分には縁のない仕事だと感じたことはないでしょうか。

統計や機械学習の専門教育を受けた人だけが就く職種というイメージが先行していますが、実際の入口はもっと広く開かれています。一方で、生成AIの普及によって仕事の中身そのものが変わりつつあり、求められる力も数年前とは違ってきています。

この記事では、以下の内容を解説します。

• データサイエンティストが担う仕事の範囲と隣接職種との違い
• 実際に入口となっている5つの前職
• 30代・未経験から目指せるのかという問いへの答え
• 公的統計と求人データで見る年収の相場
• 生成AIが広がった今、残る仕事と置き換わる工程

これからデータサイエンティストを目指す方にも、今の仕事からキャリアを動かしたい方にも、判断の材料になる情報をお伝えしているので、ぜひ参考にしてください。

データサイエンティストとは？

データサイエンティストは、企業に蓄積された大量のデータを分析し、新しい商品やサービスの開発、業務の進め方の見直しにつなげる職種です。ただし、分析すること自体が仕事の目的ではありません。

ここでは、この職種が実際に担っている役割と、混同されやすい隣接職種との違いを整理します。

分析そのものではなく、意思決定を変えるところまでが職域

データサイエンティストの仕事は、分析対象となる業務の責任者へのヒアリングから始まります。何を明らかにしたいのかを相手と決めたうえでデータを加工し、統計モデルを組み立て、そのモデルが有効だと確認できたらサービスとして実装するところまでが一連の流れです。

つまり、手元のデータを集計して結果を出すことが職域の中心ではありません。現場が抱えている課題を分析できる形に翻訳し、出した答えを実際の業務や仕組みに反映させるまでが仕事の範囲です。

データサイエンティスト協会も、生成AIの普及を受けて、求められる役割がデータを分析する人から価値を設計する人へ移りつつあると指摘しています。

そのため、統計やプログラミングの知識があるだけでは足りません。相手から課題を聞き出す力と、分析結果を業務側に説明する力が、同じくらい強く求められます。

参考：一般社団法人データサイエンティスト協会「Data of Data Scientist シリーズ vol.81」

データアナリストとの違いは「意思決定の前か後か」

データアナリストは、すでに集まっているデータを集計したり可視化したりして、事業側が判断するための材料をそろえる職種です。売上が落ちた要因を分解して示す、施策ごとの効果を比較して報告するといった仕事が中心になります。判断そのものは、報告を受けた事業責任者が下します。

一方のデータサイエンティストは、判断の基準になるモデルそのものを作り、業務や製品の中に組み込むところまで踏み込みます。材料を出して終わるのか、判断の仕組みを作るところまで関わるのかが、両者の違いです。

データエンジニア・AIエンジニアとの違いは担当する工程

同じデータを扱う職種でも、担当する工程が違います。

データエンジニアは、社内に散らばっているデータを集めて蓄え、分析できる状態にして届けるところを受け持ちます。AIエンジニアは、できあがったモデルを製品やサービスに組み込み、動き続ける状態に保つ役割です。

3つの職種は明確に分断されているわけではなく、実際の現場では担当範囲が重なります。規模の小さい組織では、1人が基盤の構築からモデルの運用まで受け持つ体制もあります。

どこまでを任されるのかは、企業の規模や体制によって変わってきます。

データエンジニアとは？仕事内容・年収・SEとの違いと現職からの転職ルート

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、データを分析する作業だけで完結しません。

厚生労働省の職業情報提供サイト「jobtag」には、この職業に含まれる細かな仕事が15項目にわたって整理されています。そのうち、実務で中心になるものは次の8つです。

• 業務責任者にヒアリングし、分析の目標を決める
• データを集め、分析できる形に加工する
• 統計モデルを組み立てる
• モデルの効果を検証し、通用するかを判断する
• 分析結果を可視化してレポートにまとめる
• モデルをサービスとして実装する
• 分析基盤を提案し、導入後の効果を確かめる
• 社内向けに統計や機械学習の講習をおこなう

それぞれの中身を確認していきます。

参考：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」

分析対象の業務責任者にヒアリングし、分析の目標を決める

すべての起点になるのが、分析対象となる業務の責任者との会話です。自社の課題を扱う場合は事業部門の責任者、受託の場合はクライアントが相手になります。

この場で決めるのは、何を明らかにすれば業務が変わるのかという一点です。現場から出てくる要望は、解約が増えているので何とかしたい、といった漠然とした形で届きます。それをそのまま受け取ると、分析結果を出しても誰も使えません。

どの数値がどれだけ動けば成功と言えるのかを、相手と合意したうえで着手します。ここでの認識がずれていると、後工程をどれだけ丁寧に進めても成果になりません。

データを収集し、分析できる形に加工する

目標が決まったら、次はデータの担当者にヒアリングをおこないます。どこにどんなデータがあるのか、どの期間まで遡れるのか、欠けている項目はないのかを確認する工程です。

現実の業務データは、そのままでは分析に使えません。同じ顧客が別々のIDで登録されていたり、入力ミスで異常な数値が混ざっていたりします。こうした汚れを取り除き、複数のシステムに散らばったデータをつなぎ合わせ、分析に耐える状態まで整えます。

この加工と整理の工程が、実務では全体の時間の大半を占めます。地味な作業に見えますが、ここでの判断が最終的な分析結果の信頼性を左右するでしょう。

統計モデルを構築する

整えたデータを使って、統計的なモデルを組み立てます。モデルとは、データの中にある関係性を数式で表したもので、これを使うことで将来の値を予測したり、データを似たもの同士に分けたりできます。

解約しそうな顧客を事前に見つけたいのか、需要の変動を先読みして在庫を調整したいのか、目的によって選ぶ手法は変わります。回帰分析、決定木、ニューラルネットワークなど選択肢は多く、どれを使うかの判断もこの工程に含まれます。

精度の高さだけを追いかけると、仕組みが複雑になりすぎて業務側に説明できなくなります。現場が納得して使えるかどうかも含めて設計しましょう。

モデルの効果を検証し、新しいデータでも通用するか判断する

モデルができたら、それが本当に役立つのかを確かめます。まず、手元のデータに対してどれだけ正しく当てられるのかを測ります。

ただし、ここで高い精度が出ても安心はできません。過去のデータに合わせ込みすぎたモデルは、新しいデータが来たとたんに当たらなくなります。そのため、学習に使わなかったデータを別に用意しておき、そちらでも同じように機能するかを確認する手順を踏みます。

過去に当たるモデルと、これから先にも当たるモデルは別物です。実際の運用に耐えるかどうかを見極めるのが、この工程の役割になります。

分析結果を可視化してレポートにまとめる

分析結果は、そのままでは業務側に伝わりません。数式や統計用語を並べたレポートは、受け取った側が読み解けず、判断に使われないまま終わります。

そこで、グラフや図を使って結果を見える形に整え、何が起きていて次に何をすべきかを言葉にしてまとめます。伝える相手は経営層のこともあれば、現場の担当者のこともあるため、相手に応じて説明の深さを変える必要が出てきます。

分析の質がどれだけ高くても、伝わらなければ意思決定は変わりません。この工程を軽く見る人は、成果を評価されにくい傾向にあります。

モデルをサービスとして実装する

検証を通ったモデルは、業務の中で動き続ける仕組みとして組み込まれます。レポートを提出して終わりではなく、システムの一部として稼働させるところまでが仕事の範囲に入ります。

実装にあたっては、開発チームやデータエンジニアと打ち合わせを重ねます。どのタイミングでモデルを動かすのか、結果をどの画面に出すのか、精度が落ちてきたときにどう作り直すのかを決めていきます。

分析結果を出す人ではなく、業務に組み込まれる仕組みを作る人として関わるのがこの工程です。実装まで担当できるかどうかで、転職市場での評価も変わってきます。

分析プラットフォームを提案し、効果を検証する

個別の分析を続けていると、同じようなデータ加工を毎回やり直している状態に行き当たります。そこで、分析を効率よく進めるための基盤そのものを提案する場面が出てきます。

どのクラウドサービスを使うのか、データをどこに集約するのか、誰がどこまでアクセスできるようにするのかを設計し、導入を進めます。そして導入後には、実際に作業時間が短くなったのか、分析の精度が上がったのかを確かめます。

この工程に関わる人は、分析の担当者から社内のデータ活用を設計する立場へと役割が広がっていきます。年収が伸びやすいのも、こうしたポジションにいる人たちです。

社内向けに統計・機械学習の講習を行う

データサイエンティストの仕事には、社内への教育も含まれます。厚生労働省の発表でも、統計や機械学習についての講習をおこなうことが業務のひとつとして挙げられています。

背景にあるのは、分析の依頼が一部の担当者に集中する状況です。事業部門の担当者が自分でデータを見て仮説を立てられるようになれば、データサイエンティストはより難しい課題に時間を使えます。

ただし、社内に育成の仕組みを持つ企業はまだ多くありません。データサイエンティスト協会の2026年の調査では、社内に育成プログラムがある割合は24%にとどまり、ここ数年は伸び悩んでいます。

教える側の負担が個人に寄りやすい点は、職場を選ぶときの確認事項になります。

参考：一般社団法人データサイエンティスト協会「データサイエンティスト協会の一般（個人）会員向けに調査を実施 2026年版」

データサイエンティストの入口になっている職種

データサイエンティストは、新卒で配属されてそのまま続ける職種だと思われがちです。しかし実際には、別の職種で経験を積んだ人が途中から参入するケースが大半を占めます。

データサイエンティスト協会が2026年に実施した調査では、社内の部署異動か他職種からの転職でこの仕事に就いた人が約75%にのぼり、新卒での配属は約10%にとどまりました。

厚生労働省も、中途採用で入ってくる人の前職として次の職種が挙げています。

• 情報処理技術者（システム開発・インフラ）
• 通信・ネットワーク技術者
• マーケティングリサーチャー・マーケティング担当
• 製造業の研究職・技術職
• 大学・大学院の研究者、ポストドクター

それぞれがどう入口になっているのかを見ていきましょう。

参考：一般社団法人データサイエンティスト協会「Data of Data Scientist シリーズ vol.83」 参考：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」

情報処理技術者（システム開発・インフラ）

システム開発やインフラの経験者は、データサイエンティストへの移行がもっとも進んでいる層です。

データサイエンティスト協会の調査では、分析業務の従事期間が3年未満の層に限ると、エンジニアからの社内異動が25%で最多となっています。

理由は、実務に必要なスキルの重なりが大きいためです。SQLでデータを取り出す、プログラムを書いて処理を自動化する、システムの構成を理解したうえで必要なデータのありかを見つけるといった作業は、開発やインフラの経験がそのまま活きます。

不足しがちなのは統計の知識と、事業側と課題を詰める力です。逆に言えば、この2つを埋めれば移行できる位置にいると考えてよいでしょう。

参考：一般社団法人データサイエンティスト協会「Data of Data Scientist シリーズ vol.83」

通信・ネットワーク技術者

通信やネットワークの分野は、扱うデータの量がきわめて多い領域です。通信の記録、機器の稼働状況、トラフィックの変動といったログが常時蓄積され、それを見ながら異常を見つけたり負荷を予測したりする作業が日常的に発生します。

こうした業務は、統計の言葉を使っていないだけで、やっていることは分析に近いものです。大量のログから意味のある変化を拾い上げる作業に慣れている点が、この職種の強みになります。

通信キャリアや通信機器のメーカーでは、社内にデータ分析の部署を設けている例も多く見られます。業界の中で異動するルートを取れるかどうかを、まず確かめてみましょう。

マーケティングリサーチャー・マーケティング担当

マーケティングの担当者は、技術側とは逆方向からデータサイエンティストに近づいていく層です。もともと売上や顧客の行動データを見ながら施策を組み立てているため、何を知りたいのかを定義する力がすでに備わっています。

データサイエンティストの仕事は業務責任者へのヒアリングから始まります。マーケティング経験者は、その場で相手が本当に困っていることを引き出す訓練を日々受けてきた人たちです。課題を分析できる形に翻訳する力は、後から身につけるのが難しい部分です。

一方で、統計の理論とプログラミングは一から学ぶことになります。集計ツールの操作に慣れていても、自分でモデルを組み立てる段階には距離があるため、学習の計画を立てて臨みましょう。

製造業の研究職・技術職

データサイエンティスト協会の調査では、社内異動でこの仕事に就いた人のうち、技術・研究職からの異動が23%を占めているとされています。社内異動の入口としてはもっとも多い経路です。

製造業の研究職や技術職は、実験を設計し、得られた数値を統計的に処理して結論を出す作業を日常的におこなっています。仮説を立てて検証するという手順そのものが、データ分析の進め方と重なります。

加えて、製造現場の設備や工程に関する知識を持っている点が強みになります。分析対象の業界に詳しい人は、数字の裏で何が起きているのかを読み取れます。

需要予測や品質の管理、設備の故障予知といったテーマでは、この理解が結果の精度を大きく左右するでしょう。

参考：一般社団法人データサイエンティスト協会「Data of Data Scientist シリーズ vol.83」

大学・大学院の研究者、ポストドクター

厚生労働省の調査では、ポストドクターからデータサイエンティストになる人もいるとされています。研究の過程でデータの収集と解析を繰り返してきた人にとって、分析の手法そのものは学び直す必要のない領域です。

実際、データサイエンティストに就いている人の学歴は、大卒が55.3%、修士課程卒が44.7%、博士課程卒が29.8%となっており、大学院で学んだ人の割合が他の職種より高くなっています。

ただし、研究とビジネスでは求められる姿勢が異なります。研究では時間をかけて精度を追求しますが、業務では期限内に判断できる材料を出すことが優先されます。

手法の正しさよりも、事業の判断に間に合うかどうかが評価の軸になる点が、最初のつまずきどころです。

参考：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」

30代・未経験からデータサイエンティストになれる？

データサイエンティストを目指す人がもっとも気にするのが、実務経験のない状態から入れるのかという点です。公的なデータと企業側の採用実態を並べると、見えてくる景色は少し違います。

ここでは、次の3つの角度から実態を整理します。

• 現役の人たちは入職前の実務経験をどう捉えているか
• 企業側は中途採用でどこまで経験を求めているか
• 30代が実際に入っていける領域はどこか

順に確認していきましょう。

公的データでは「入職前の実務経験は特に必要ない」が42.6%

厚生労働省は、データサイエンティストとして実際に働いている人が、事前にどれだけの実務経験が必要だと考えているかを調査しています。

データサイエンティストの回答でもっとも多かったのは「特に必要ない」で、42.6%を占めました。訓練期間についても、「特に必要ない」が29.8%ともっとも多くなっています。

この数字だけを見ると、未経験でも入りやすい職種に見えるかもしれません。ただし、同じ調査には別の項目もあります。データサイエンティストになったあと、周囲のサポートなしで働けるようになるまでの期間を聞いた設問では、2年超から3年以下という回答が23.4%でもっとも多くなりました。

入るときに分析の実務経験を問われないかわりに、入ってから一人前になるまでに2年前後かかる職種だと読み取れます。

参考：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」

一方で中途採用を経験者に限る企業は7割を超える

現役の人たちが「実務経験は必須ではない」と答えている一方で、企業側の採用方針はこれと食い違います。

データサイエンティスト協会が企業の人事部門に対しておこなった調査では、中途採用で経験者のみを採用する企業の割合が72%にのぼりました。

この数字は2021年時点の調査結果で、同協会がその後に実施した企業向け調査では同じ設問が設けられていません。

そのため現在の正確な割合は不明ですが、直近の調査でも今後増やしたい人材像として「統計やAIなどの理論に詳しい」が63%、「ビジネス課題解決を得意とする」が61%と高い水準で挙がっており、即戦力を求める傾向は続いていると考えられます。

参考：一般社団法人データサイエンティスト協会「国内企業におけるデータサイエンティストの採用動向調査を実施」

30代の入口は、前職の業界知識が分析対象と重なる領域に集中する

では30代・未経験に道はないのかというと、そうではありません。ただし入れる場所は限られます。現時点で現実的なのは、これまで働いてきた業界のデータを分析するポジションです。

製造業で設備や工程を見てきた人が製造データの分析に移る、金融機関で与信や保険の実務を担ってきた人がリスクの分析に移る、小売やEC事業で販売を担当してきた人が需要予測に移るといった経路になります。

分析の技術は学べば身につきますが、その業界で数字の裏に何が起きているかを読み取る力は、外から来た人には簡単に持てません。企業がこの層を採るのは、埋めにくいほうの穴が先に埋まっているためです。

逆に、業界も職種もまったく違う領域へ30代で飛び込む転職は、実現している例が多くありません。まずは自分の業界の中で分析に関わる求人を探すところから始めましょう。

データサイエンティストへ未経験から転職できる？必要スキルと最短ロードマップを解説

データサイエンティストに必要なスキルと求められる水準

データサイエンティスト協会は、この職種に求められるスキルを定義したチェックリストを公開しており、2025年11月に内容が更新されました。現在は基盤、データサイエンス、データエンジニアリング、価値創造、融合という5つの領域で整理されています。

ここでは、そのうち実務で問われる場面が多いものを9つ取り上げます。

• 統計学・数学
• プログラミング（Python・SQL）
• 機械学習・深層学習
• データエンジニアリング（分析基盤・データベース）
• ビジネス理解と課題設定力
• 説明力・傾聴力
• データ可視化
• 前職で培ったドメイン知識
• 英語の技術文書を読む力

それぞれ、どの程度の水準が求められるのかを確認していきます。

参考：一般社団法人データサイエンティスト協会「データサイエンティスト検定™ リテラシーレベルとは」

統計学・数学

土台になるのは統計学です。平均や分散といった基本的な指標の意味、データのばらつきの読み方、相関と因果の違い、仮説を立てて検証する手順までは、実務に入る前に押さえておきたい範囲になります。

数学については、線形代数と微分積分の基礎が必要です。機械学習の手法は行列の計算と微分の考え方の上に組み立てられているため、ここが空白のままだと、手法を選ぶときに中身を理解しないまま使うことになります。

求められるのは、数式を導出する力よりも、その手法が何を前提にしているかを説明できる水準です。前提が崩れているデータに手法を当てはめてしまう失敗は、理論の理解不足から生まれます。

プログラミング（Python・SQL）

実務で使う言語は、Pythonとデータベースを操作するSQLの2つが中心です。

SQLは、必要なデータを取り出すために毎日使います。複数のテーブルを結合する、条件を指定して絞り込む、集計して集めるといった操作を、自分で書けることが前提になります。

Pythonについては、データを加工するライブラリと、機械学習のモデルを組み立てるライブラリを扱えるところまでが目安です。ライブラリとは、よく使う処理をあらかじめまとめた部品集のようなもので、これを組み合わせて分析を進めます。

ゼロからシステムを設計する力までは求められませんが、自分の分析を再現できる形でコードに残せる水準は必要です。

機械学習・深層学習

機械学習は、データの中にある法則をコンピュータに見つけさせる技術です。回帰や分類といった基本的な手法については、どういう場面で使うのか、結果をどう評価するのかまで理解しておきましょう。

深層学習は、画像や文章といった扱いにくいデータを対象にするときに使われます。すべてのデータサイエンティストが必須で求められるわけではなく、担当する領域によって必要度が変わります。

手法の数を増やすより、ひとつの手法について評価の仕方まで説明できるほうが、実務では役に立ちます。精度の数値だけを見て良し悪しを判断すると、業務では使えないモデルを作ってしまいます。

データエンジニアリング（分析基盤・データベース）

分析に使えるデータが、はじめから整った形で用意されている職場はほとんどありません。そのため、データがどこに保存され、どういう構造で管理されているのかを理解する力が要ります。

具体的には、データベースの設計の考え方、クラウド上のデータ基盤の仕組み、大量のデータを扱うときの処理の進め方などが対象です。

専任のデータエンジニアがいる組織であれば深く踏み込む必要はありませんが、相談できる程度の理解は持っておきましょう。

この領域を自分で担当できる人は、組織の規模を問わず動ける人材として評価されます。

ビジネス理解と課題設定力

技術以外で最も重視されるのが、事業の課題を分析できる形に落とし込む力です。

データサイエンティスト協会が企業に対しておこなった調査では、今後増やしたい人材像として「ビジネス課題解決を得意とする」が61%と高い水準で挙がっています。

現場から届く要望は、多くの場合そのままでは分析に着手できません。売上を伸ばしたいという相談を受けたときに、どの顧客層のどの行動を変えれば効果が出るのかという問いに組み替える作業が必要になります。

この力が弱いと、技術的には正しい分析をしても誰にも使われない結果が出来上がります。前職で事業側にいた人が評価されるのは、ここを最初から押さえているためです。

参考：一般社団法人データサイエンティスト協会「データサイエンティスト協会 企業向けに採用に関する調査を実施」

説明力・傾聴力

分析の前後には、必ず人との対話があります。着手前には業務の責任者から課題を引き出し、完了後には結果を判断できる形で伝えます。

引き出す側では、相手が言葉にできていない困りごとを質問で明らかにしていきます。伝える側では、統計の用語を使わずに、何が分かったのか、次に何をすべきかを相手の言葉で説明します。

どちらも、技術書を読んでも身につかない力です。日常の仕事の中で意識的に鍛えるしかない部分なので、現職にいるうちから練習の機会を作りましょう。

データ可視化

可視化は、分析結果を図やグラフにして見えるようにする工程です。単にグラフを作る作業ではなく、伝えたいことが一目で分かる形を選ぶ判断が中心になります。

比較したいのか、変化を見せたいのか、分布の形を示したいのかによって、適した表現は変わります。装飾を増やすほど読み取りにくくなるため、余計な要素を削る判断も含まれます。

受け取った人が説明なしで意味を理解できるかどうかが、この工程の合格ラインです。

前職で培ったドメイン知識

ドメイン知識とは、その業界や業務についての専門的な理解を指します。データサイエンティストにとっては、分析の精度を左右する重要な要素です。

同じ数字を見ても、業界を知っている人は異常値の意味を読み取れます。製造業であれば設備の入れ替え時期、小売であれば商戦期の影響、金融であれば規制の変更といった背景を知っているかどうかで、分析の結論が変わってきます。

統計やプログラミングは学べば身につきますが、業界の理解は働いた年数でしか積み上がりません。他職種から参入する人にとっては、これが最大の武器になります。

英語の技術文書を読む力

データ分析の分野では、新しい手法やツールの情報がまず英語で公開されます。ライブラリの公式ドキュメント、論文、開発元の技術資料のほとんどが英語です。

求められるのは、会話や作文の力ではありません。必要な箇所を探して読み、内容を理解する力です。翻訳ツールの精度が上がった現在でも、技術用語の訳が不正確な場面はあるため、原文で確認できると作業が速くなります。

英語ができないと仕事にならない職種ではありませんが、学習の速度に差がつく部分です。

データサイエンティストにおすすめの資格

データサイエンティストの求人で資格が必須とされることは多くありません。ただし、未経験や他職種から目指す場合は、学習の道筋を作り、身につけた範囲を第三者に示す手段として役立ちます。

ここでは、入門にあたるものから専門性の高いものまで8つを紹介します。

• データサイエンティスト検定（DS検定）リテラシーレベル
• 統計検定 データサイエンス基礎（DS基礎）
• データサイエンス数学ストラテジスト（中級・上級）
• Python 3 エンジニア認定基礎試験
• G検定
• 統計検定 データサイエンス発展・エキスパート
• E資格
• CBAS（データ分析実務スキル検定）

それぞれの内容を確認していきましょう。

データサイエンティスト検定（DS検定）リテラシーレベル

データサイエンティスト協会が実施する検定で、この職種に必要な知識を見習いレベルで身につけているかを測ります。

出題範囲は基盤、データサイエンス、データエンジニアリング、価値創造の4カテゴリにわたり、統計の基礎からセキュリティまで幅広く問われます。

まず何から手をつければよいか分からない人にとって、学ぶべき範囲を把握する手段として使えます。3つの領域をまんべんなく学ぶ設計になっているため、得意分野だけで通過できない点も特徴です。

参考：一般社団法人データサイエンティスト協会「DS検定®★とは」

統計検定 データサイエンス基礎（DS基礎）

日本統計学会が認定する統計検定のうち、データサイエンス分野の入門にあたる区分です。特徴は、知識を問うだけでなく、実際にExcelを操作してデータを処理した結果を答える形式にある点です。

出題は高校の数学Ⅰや情報Ⅰで扱う範囲が土台になっています。手を動かしてデータを触る形式なので、知識を覚えるだけでは通過できません。事務職やマーケティング職など、日常的にExcelを使っている人とは相性がよいでしょう。

参考：統計検定「統計検定 データサイエンス基礎（DS基礎）」

データサイエンス数学ストラテジスト（中級・上級）

日本数学検定協会が実施する資格で、データサイエンスに必要な数学を扱います。機械学習や深層学習の理論、アルゴリズムに必要な数学リテラシー、ビジネスでの数学の活用という4分野から出題されます。

インターネット環境があれば24時間いつでも受験でき、申し込みから1ヶ月以内に受ければよい仕組みになっています。数学から長く離れていた人が、機械学習の学習に入る前の足場を固める用途に向いています。

参考：公益財団法人日本数学検定協会「データサイエンス数学ストラテジスト 受験案内」

Python 3 エンジニア認定基礎試験

Pythonエンジニア育成推進協会が実施する、Pythonの文法と基礎を問う試験です。データ分析そのものではなく、言語としてのPythonを扱えるかどうかを測ります。

プログラミング未経験から目指す人にとって、最初の一歩として設定しやすい試験です。同じ協会が実施するデータ分析試験もあり、こちらはPythonを使った分析の手法を扱うため、基礎試験の次の目標として置けます。

参考：一般社団法人Pythonエンジニア育成推進協会「Python基礎試験」

G検定

日本ディープラーニング協会が実施する検定で、AIとディープラーニングの知識、そして事業への活用の考え方を問います。プログラミングの実装は出題されないため、技術職以外でも受けやすい試験です。

出題範囲には生成AIや、AIに関する法律と倫理も含まれます。合格率が高めなので資格そのものの希少性は低いものの、AIの全体像を短期間で押さえる学習の枠組みとしては機能します。

参考：一般社団法人日本ディープラーニング協会「G検定とは」

統計検定 データサイエンス発展・エキスパート

統計検定のデータサイエンス分野で、基礎の上位にあたる2つの区分です。Excelの操作ではなく、統計や数理の理論そのものを問う内容に切り替わります。

統計の理解がどの水準にあるのかを、社外にも通じる形で示せる点が価値です。分析の手法を選ぶ根拠を説明できるようになりたい段階で、学習の目標として設定するとよいでしょう。

参考：統計検定「統計検定 データサイエンス発展（DS発展）」

E資格

日本ディープラーニング協会が実施する、ディープラーニングの実装能力を認定する資格です。ここまで紹介してきた資格と違い、受験するには条件があります。

出題にはPythonのコードやフレームワークを使った問題が含まれます。認定プログラムの受講費用が別途かかるため、総額は他の資格より大きくなります。深層学習を扱う領域に進むと決めた段階で検討する資格です。

参考：一般社団法人日本ディープラーニング協会「E資格とは」

CBAS（データ分析実務スキル検定）

ビジネスの現場で使うデータ分析のスキルを測る検定で、2つの級が用意されています。理論よりも、実務でどう使うかに軸を置いた内容です。

分析を担当する側ではなく、分析プロジェクトを進める立場を目指す人に向いています。データ活用の企画や推進を任されている人であれば、現職の延長線上で取得を検討できる資格でしょう。

参考：株式会社ピープルドット「データ分析実務スキル検定（CBAS）」

データサイエンティストの年収は？

データサイエンティストの年収は、厚生労働省の統計では611.9万円、対象者の平均年齢は43.9歳となっています。ただし、この数字は現在働いている人全体を平均したもので、転職市場に出ている求人の水準とは差があります。

ここでは、3つの角度から相場を整理します。

• 年齢別に見た年収の推移
• 経験年数別に見た年収の推移
• 転職市場で提示されている年収の水準

順に確認していきましょう。

参考：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」

年齢別の平均年収

年齢ごとの平均年収は、次のように推移します。

20代後半から30代前半にかけて年収が大きく伸び、その後は40代半ばまで緩やかな上昇が続きます。40代前半から後半にかけての伸びは6万円ほどにとどまり、この付近で一度停滞する形が見て取れます。

50代に入ってから再び上がるのは、管理職やプロジェクトを統括する立場へ移った人が平均を押し上げているためだと考えられます。

分析の担当者として働き続けるのか、組織を動かす側に回るのかが、この年代で年収を分ける要因になるでしょう。

経験年数別の平均年収

経験年数で見ると、年齢別とは異なる動きになります。

未経験の時点で488.3万円と、他の職種と比べて低くない水準から始まります。他職種で経験を積んだ人が中途で入ってくる割合が高いため、前職の給与水準が反映されていると考えられます。

一方で、1〜4年の時点では488.3万円から493.1万円へと、5万円ほどしか上がりません。経験年数が5年を超えたあたりから伸びが出はじめ、10年を境に上がり方が変わります。

短期間で年収が跳ね上がる職種ではないため、入って数年のうちに評価が大きく変わることは期待しにくいでしょう。

年収を早く動かしたい場合は、在籍年数を重ねるより、担当できる工程を広げて転職で環境を変えるほうが現実的な選択になります。

転職市場における年収相場

エンジニア特化の転職エージェント「テックゴー」が保有する求人データで見ると、データサイエンティストの平均年収は874万円です。厚生労働省の統計にある611.9万円との差は262万円にのぼります。

この差が生まれるのは、母集団が違うためです。統計は現在その職種で働いている人全体を対象にしますが、求人データに含まれるのは、企業が新しく人を採るために提示している条件です。

データを扱える人材の確保に動いている企業は、既存の社員より高い水準を示す傾向にあります。

近接する職種と並べると、次のようになります。

ただし、市場が右肩上がりで拡大し続けているわけではありません。厚生労働省の統計によると、データサイエンティストの有効求人倍率は令和7年度で8.91倍と高い水準を保っているものの、前年度からは下がっています。

需要が強い職種であることは変わりませんが、待遇が自動的に上がり続ける局面ではありません。求人の内容を見極めて、担当できる工程が広がるポジションを選ぶ判断が求められます。

生成AIが広がった今、データサイエンティストの仕事はどうなる？

生成AIの普及は、データ分析の現場にも大きな変化をもたらしています。分析コードを書く作業やレポートの下書きは、AIに任せられる範囲が広がりました。

では、この職種そのものが不要になるのかというと、現場の実感は違う方向を向いています。ここでは、次の3点から実態を整理します。

• 現役のデータサイエンティストがどれだけ生成AIを使っているか
• 将来性をどう見ているか
• 何が置き換わり、何が残るのか

順に確認していきましょう。

現役の74%がすでに生成AIを業務で使っている

データサイエンティスト協会が2026年に会員へ実施した調査では、生成AIを業務で使っている人の割合が74%に達しました。2023年は31%、2024年は60%だったので、3年で2倍以上に広がった計算になります。

用途の内訳を見ると、もっとも多いのはドキュメントの要約で75%、次いでプログラムの作成が62%、議事録の作成が57%、原稿の作成が51%、プログラムのチェックとデバッグが49%と続きます。

注目したいのは、プログラムの作成とチェックが上位に入っている点です。文書の整理といった周辺業務だけでなく、分析や開発そのものに生成AIが入り込んでいます。専門職の中核業務が対象になっている職種は、他にそれほど多くありません。

参考：一般社団法人データサイエンティスト協会「Data of Data Scientist シリーズ vol.81」

将来性を感じている人は70%、ただし割合は下がり続けている

同じ調査では、データサイエンティストという職種に将来性を感じている人の割合が70%となりました。7割という数字だけを見れば高い水準です。

しかし協会は、この割合が緩やかに低下し続けている点を課題として挙げています。同時に、自分のスキルを活かせていると答えた人は27%にとどまりました。業務満足度は46%で前回から9ポイント上がったものの、キャリアの描き方やロールモデルの不足が課題として指摘されています。

仕事が消えるという不安よりも、身につけた専門性をどこで発揮すればよいのかが見えにくいという悩みのほうが、現場では大きくなっています。職種の需要ではなく、自分の置かれた環境の問題として捉えたほうが実態に近いでしょう。

参考：一般社団法人データサイエンティスト協会「データサイエンティスト協会の一般（個人）会員向けに調査を実施 2026年版」

置き換わるのはコードを書く工程、残るのは課題設定と実装

生成AIが得意とするのは、やることが決まっている作業です。どのデータをどう加工するかが定まっていれば、その処理を書く時間は大きく短縮されます。手法を選んで試す段階も、以前より早く回せるようになりました。

一方で、AIが代わりにできない工程があります。事業の責任者から何に困っているのかを引き出し、それを分析できる問いに組み替える作業です。ここには、社内の事情や業界の慣習、関係者の思惑といった、データに残っていない情報の理解が要ります。

もうひとつが、出した結果を業務に組み込むところです。誰がいつ使うのか、精度が落ちたときに誰が直すのかを決め、関係者を動かして実際の運用に乗せる工程は、人が引き受けるしかありません。

分析のコードを書くだけの働き方を続けていると、担当できる範囲が狭まっていきます。課題を決める側と、結果を業務に載せる側のどちらかに軸足を置けているかを、現在のポジションで確かめてみましょう。

エンジニアの市場価値はどう決まる？高める方法と将来性を徹底解説

今の職場から始められること

データサイエンティストを目指すとき、いきなり転職活動から始める必要はありません。ここでは、今の職場にいながら進められる3つの準備を紹介します。

• 現職の業務でデータに触れる範囲を広げる
• 社内にデータ分析部署があるか、異動の要件は何かを確認する
• 現職の分析実績を職務経歴書に書ける形で残す

順に見ていきましょう。

現職の業務でデータに触れる範囲を広げる

多くの職場には、誰も分析していないデータが眠っています。システムの稼働ログ、問い合わせの履歴、受注や出荷の記録、機器の計測値といったものです。日々の業務で扱っていても、集計して傾向を見る作業までは手が回っていない場合が多く見られます。

まずは、自分の担当範囲の中で数字を使って説明する機会を増やしましょう。障害の発生状況を月ごとに整理する、問い合わせの内容を分類して件数の多い順に並べるといった程度で構いません。SQLで必要なデータを取り出す、表計算ソフトで集計してグラフにする、という工程を自分の手で回すところから始まります。

分析の勉強を独学で進めるより、実際の業務データを扱った経験のほうが選考では評価されます。学習用に用意されたデータには、現実の業務データにある汚れや欠けがありません。

社内にデータ分析部署があるか、異動の要件は何かを確認する

社内異動がもっとも多い経路である以上、自分の会社に受け皿があるかどうかの確認は早めにしておきましょう。

確認したいのは、部署の有無だけではありません。次の点を押さえておきましょう。

• 社内公募の制度があるか、募集はいつ出るか
• 応募に必要な経験や資格が定められているか
• 分析部署が扱っているテーマは何か
• 過去に異動した人はどの職種から来たか

とくに、過去に異動した人の前職を知ることには意味があります。技術職から来た人が多いのか、事業部門から来た人が多いのかによって、自分が準備すべき内容が変わってきます。

ただし、社内に育成の仕組みが整っている会社ばかりではありません。受け皿はあっても、育ててくれる前提で待っていると時間だけが過ぎます。異動の可能性が見えないと分かった時点で、外に目を向ける判断も必要になるでしょう。

現職の分析実績を職務経歴書に書ける形で残す

業務の中でデータを扱っても、記録に残していなければ選考では伝わりません。やったことを覚えている範囲で書こうとすると、抽象的な説明になって説得力を欠きます。

残しておきたいのは、次の4点です。

とくに4つ目の反映まで書けているかどうかで、職務経歴書の印象は大きく変わります。分析して終わりではなく、意思決定や業務の変化につながったところまで示せる人は、実務で何が求められるかを理解していると受け取られます。

数値が動かなかった場合も、そのまま記録しておきましょう。仮説が外れた理由を説明できることも、分析の経験として評価の対象になります。

データサイエンティストへの転職ならテックゴー

データサイエンティストの求人は、職種名が同じでも任される工程が企業ごとに大きく異なります。

分析結果のレポートまでを担当するポジションと、課題の定義からモデルの実装までを任されるポジションとでは、身につく経験も年収の水準も変わってきます。求人票の文面だけでこの違いを見分けるのは簡単ではありません。

テックゴーは、エンジニアとITコンサル領域に特化した転職エージェントとして、上流工程に関われる求人を多数保有しています。元エンジニア出身のアドバイザーが、これまでの経験がどの領域で評価されるのかを整理したうえで、条件に合う求人を提案します。

• エンジニア・ITコンサル領域に特化しており、上流工程の求人を多数保有している
• 平均年収アップ金額は144万円と、収入アップの実績が豊富にある
• 年収アップの成功率は86%で、交渉をすべて代行してもらえる
• アドバイザーは元エンジニア・ITコンサル出身者が多く、現場感覚に基づいたアドバイスを受けられる
• 面接対策は回数無制限で、選考通過に向けて徹底サポートしてもらえる

相談は無料で、転職するかどうかを決めていない段階でも利用できます。今の経験がデータ分析の領域でどう評価されるのかを知りたい方は、まず話を聞くところから始めてみましょう。

まとめ

この記事では、データサイエンティストの仕事内容と年収、そして実際に入口となっている前職について解説しました。

この職種の仕事は、データを分析することではなく、現場の課題を分析できる形に翻訳し、出した答えを業務や仕組みに反映させるところまでを含みます。生成AIが分析コードを書く工程に入り込んだ現在も、課題を決める工程と結果を実装する工程は人が担い続けています。

そして、この仕事に就いた人の約75%は、社内の部署異動か他職種からの転職で参入しています。統計や機械学習の知識は学べば身につきますが、業界の実情を読み取る力は働いた年数でしか積み上がりません。

現職での経験は、思っているより資産になっているでしょう。まずは今の仕事の中でデータに触れる範囲を広げ、社内に受け皿があるかを確かめるところから始めてみましょう。

ただし、社内に育成の仕組みがある企業は24%にとどまります。異動の見込みが立たないまま待ち続けると、時間だけが過ぎていきます。データ分析の領域でキャリアを動かしたいと考えているなら、外部の求人も並行して見ておくことが現実的な選択です。

テックゴーは上流工程やITコンサル領域に強く、元エンジニア出身のアドバイザーが現場感覚に基づいたアドバイスを提供しています。転職を考えていない段階での相談も歓迎しているので、気になる方は申込みしてみましょう。

```form:simple まずは無料のキャリア相談から始める