データサイエンティストとは、データを分析して、ビジネスの課題に答えを出す専門職です。
一般社団法人データサイエンティスト協会は、「データサイエンス力、データエンジニアリング力をベースにデータから価値を創出し、ビジネス課題に答えを出すプロフェッショナル」と定義しています。
データを分析するだけでなく、何を解くかを決め、分析の結果を事業の判断や業務の仕組みにつなげるところまでが仕事です。
この記事では、データサイエンティストの仕事の流れ、協会が2025年に改めた5つのスキル群、データアナリストやデータエンジニア、AIエンジニアとの違い、AIでなくなるか、つらいと言われる理由、新卒と未経験からのなり方を順に説明します。
数値と制度は、2026年11月16日に公的機関と団体の公式の情報で確かめた内容です。
NoLangデータサイエンティストの仕事を、 職種紹介の動画に
この動画を作る
データサイエンティストとは
データサイエンティストの仕事は、データの分析だけにとどまりません。
経済産業省と情報処理推進機構(IPA)の「デジタルスキル標準」は、データサイエンティストが、データを使った事業の戦略の検討から、データを処理・分析する環境の設計と運用、AIシステムの実装と運用まで、幅広い業務を担うと説明しています。
作った仕組みを現場の業務に取り入れ、使い方を現場の人に説明して、業務を実際に変えるところまでを担当することもあります。
デジタルスキル標準は、データサイエンティストの役割を次の2つに分けています。
データビジネスストラテジスト :事業の戦略に沿ってデータとAIの活用の戦略を考え、その実現を主導して、業務の変革や事業の価値を生み出す役割。
データサイエンスプロフェッショナル :データの処理や解析を通じて、業務の変革や新しい事業につながる知見を導き出す役割。
まずはどちらか得意な役割から専門性を高め、経験を積むにつれて両方を担えるようになることが望まれています。
データサイエンスとは
データサイエンスとは、データを扱うための学問で、統計学と情報学を合わせた分野です。
総務省統計局のデータサイエンスの学習サイト(Data StaRt)で、滋賀大学データサイエンス学部の教員がこのように説明しています。
データを処理する技術(情報学)と、データを分析する方法(統計学)を土台にして、データから価値を引き出します。
データサイエンスが学問の分野を指すのに対し、データサイエンティストは、データサイエンスを使って仕事の課題に答えを出す人を指します。
滋賀大学は、データから新しい価値を見つけるには、データを処理する理系の素養と、人や社会のニーズを理解する文系の素養の両方が要ると説明しています。
求められている理由
多くの企業で、データを使って業務や事業を変える人が足りていません。
IPAの「DX動向2026」では、DXを進める人材の量が「やや不足している」「大幅に不足している」と答えた企業が、合わせて85.5%でした(2025年度の調査、有効回答1,799社)。
厚生労働省の職業情報提供サイト(job tag)も、ビッグデータの分析と活用のニーズが高まり、データサイエンティストの人材不足が顕著だと書いています。
データサイエンティストの仕事内容
job tag は、データサイエンティストの仕事を次の流れで説明しています。
分析する業務の責任者に話を聞いて目標を決め、データの担当者にデータの中身を確かめたうえで、データを加工しながらモデルを作ります。
モデルができたら効果を検証し、役に立つことと問題がないことを確かめてから、サービスとして組み込みます。
ビジネスの環境が変わったときや、より良いモデルを探すときは、この流れを繰り返します。
この流れを5つの工程に分けると、次のとおりです。
各工程には、小売りのチェーンが「店ごとの発注の量を、売れ残りと品切れが減るように決めたい」という課題を持ち込んだ場合の例を添えます。
1. 課題と目標を決める :業務の責任者に話を聞き、何を決めるための分析かと、どの数字が良くなれば成功かを決める。例では、売れ残りの廃棄の量と品切れの回数を減らすことを目標にする。
2. データを確かめて集める :データの担当者に話を聞き、使えるデータの中身と期間、欠けや誤りを確かめる。例では、店ごと・商品ごとの売上、天気、特売の予定のデータを集める。
3. データを加工して分析し、モデルを作る :分析に使える形にデータを整えて傾向を調べ、予測や分類をするモデル(統計や機械学習の計算の仕組み)を作る。例では、曜日、天気、特売の有無から翌週の売上を予測するモデルを作る。
4. 効果を検証する :モデルが役に立つかを、決めた目標の数字で確かめる。例では、一部の店で予測をもとに発注し、廃棄と品切れがどう変わったかを、ほかの店と比べる。
5. 仕組みにして運用する :効果を確かめられたら、毎日の業務で使える仕組みに組み込み、結果を見ながら直していく。例では、発注の画面に予測の数を出し、予測が外れた日の原因を調べてモデルを直す。
分析の結果は、業務の責任者や現場の人が判断に使えるように、数字の意味と次にすることを説明して渡します。
データサイエンティスト協会の会員の調査(2026年版)でも、担当する業務は「分析・開発・実装・評価」が最も多く、「データの収集・整備」「業務のディレクション」「事業での展開・活用」も多いという結果でした。
働く会社と業界
job tag によると、データサイエンティストには、自社の業務としてデータを分析する働き方と、顧客の会社にサービスとして分析を提供する働き方があります。
勤務先はIT企業、製造業、サービス業などが中心で、データ分析を専門にする会社には中小企業が多いとされています。
製造業では、生産の計画、品質、設備の保全にデータが使われています。
2026年版のものづくり白書は、勘と経験に頼っていた生産計画を、需要予測を担うチームを中心に営業、生産、物流が連携して立てる形に改めたメーカーの事例を紹介しています。
設備の稼働の状況や手書きの帳票からもデータを集めて品質の向上につなげ、今後は設備の予知・予兆の管理に広げる計画を立てているメーカーの事例もあります。
動画で見る仕事の流れ
次の動画は、データサイエンティストの仕事を約2分半でまとめた職種紹介動画です。
毎日30個のパンが売れ残る架空のパン屋を例に、「問いを立てる」「データを集める」「データを整える」「分析・予測」「伝えて動かす」の5つのステップで解いていきます。
上で説明した5つの工程のうち、課題を決めてから分析の結果を伝えるまでを細かく分けて描き、効果の検証は1か月後の結果として示しています。
続けて、協会が整理した5つのスキル群、データサイエンティストが活躍する分野、向いている人を紹介します。
「このテンプレートで作る」から、ほかの職種の紹介や、自社の仕事の流れを伝える動画を、同じ形で作れます。
求人や採用のために職種の仕事を伝える動画の作り方は、求人動画の作り方 で説明しています。
必要なスキル:協会が定める5つのスキル群
データサイエンティスト協会は、2025年12月に「データサイエンティスト スキルチェックリスト ver.6」を公表し、データサイエンティストに求められるスキルを5つのスキル群に整理し直しました。
それまでの版では、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つに分けていました。
データサイエンティストに求められる5つのスキル群(協会のスキルチェックリスト ver.6)
スキル群 中身 価値創造 AIとデータの活用の進化を見据え、戦略の立案やガバナンスを主導して変革を進める力。それまでのビジネス力を改めたもの データサイエンス 情報処理、人工知能、統計学などの情報科学の知識を理解し、使う力 データエンジニアリング データサイエンスを意味のある形で使えるようにし、仕組みとして実装し、運用できるようにする力 融合 3つの専門のスキルを合わせて発揮し、AIの開発や活用を進める力。生成AI、AIエージェント、AIとデータのガバナンスなどを含む 基盤 論理的な思考、システムとデータの理解、AIの基礎の理解など、データの専門職として身につけておく基礎の力
協会は、スキルを整理し直した背景を次のように説明しています。
生成AIによって、モデルの選択、特徴量(予測に使うデータの項目)の作成、可視化といった従来の「分析」の作業は、AIで自動化できるようになりました。
そのため、「分析ができるだけ」では十分な価値を生み出せず、データサイエンティストの役割は「分析」から「価値創造」へ広がっているとしています。
スキルの項目の数も、前の版の650項目から845項目に増えました。
スキルのレベル
協会は、データサイエンティストのスキルのレベルを4段階で示しています。
データサイエンティストのスキルレベル(協会)
レベル 目安 対応できる範囲 ★ アシスタント 見習い 担当するテーマ ★★ アソシエイト 独り立ち 担当するプロジェクトやサービスの全体 ★★★ フル 棟梁 組織の全体 ★★★★ シニア 業界を代表 産業の領域や、いくつもの事業の全体
実務で使う知識と道具
5つのスキル群を、実務で使う知識と道具に置き換えると、次のようになります。
統計学と数学 :データのばらつきや関係を読み、結果がたまたまでないかを判断する。
プログラミングとデータベース :PythonやRで分析し、SQLでデータベースから要るデータを取り出す。
機械学習 :過去のデータから、予測や分類をするモデルを作って評価する。
可視化と説明 :グラフや資料で結果を示し、判断する人に伝える。job tag は、よく使う道具として表計算ソフトやプレゼンテーションの資料を作るソフトも挙げています。
業務の知識 :分析する業界や業務の仕組みを知り、課題と数字を結びつける。
生成AI :アイデアの壁打ち、文章の要約、プログラムの作成、資料の下書きなどに使う。
job tag の能力のプロフィールでも、読解力、傾聴力、文章力、説明力が上位に並びます。
分析の技術と同じくらい、相手の課題を聞き取り、結果を言葉で伝える力が求められます。
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近い職種の違いを、公的機関と協会の説明をもとにまとめます。
データサイエンティストと近い職種の主な仕事
職種 主な仕事 データサイエンティスト 課題を決め、データを分析して知見を引き出し、事業の判断や業務の仕組みにつなげる データアナリスト データの分析に特化する データエンジニア 分析の前に、データの収集、整理、管理と、データを使う情報基盤の構築と運用を担う AIエンジニア 機械学習に特化して開発する
協会のスキル定義委員は、IPAの記事の中で、データエンジニアはデータの加工やデータベースの操作に特化した職種、データアナリストはデータの分析に特化した職種だと説明しています。
データサイエンティストは、データサイエンスとデータエンジニアリングの両方を使って、ビジネスで価値を生み出す職種です。
job tag は、データサイエンティストがデータを分析して知見を引き出すのに対し、データエンジニアはそのためのデータの収集、整理、管理と、情報基盤の構築と運用を行うと区別しています。
データエンジニアのうち、分析に特化してデータサイエンティストになる人や、機械学習に特化してAIエンジニアになる人もいると書いています。
デジタルスキル標準では、データエンジニアはデータサイエンティストとは別の「データマネジメント」の類型の役割で、AIエンジニアという名前の役割はありません。
職種の名前と仕事の範囲は、会社によって違います。
求人を見るときは、職種の名前よりも、どの工程を担当するかで仕事の中身を確かめます。
AIでデータサイエンティストはなくなるか
データサイエンティスト協会は、AIでデータサイエンティストの仕事がなくなるのではなく、仕事の中身が変わると見ています。
協会によると、集計や可視化といった従来の「分析」の作業は生成AIで大幅に自動化され、課題を決めて結果を判断につなげる仕事の比重が大きくなっています。
AIエージェントがタスクを実行しても、何のために使い、結果にどんな意味を持たせ、どう管理するかは、人が設計しなければ機能しないとしています。
統計検定を実施する統計質保証推進協会も、生成AIで集計、可視化、分析の結果の要約や解釈の候補までが簡単に得られるようになった一方で、目的に合う方法を選び、結果が妥当かを確かめ、結果を根拠に判断につなげることは、今も人に求められる能力だと書いています。
AIで速くなる作業 :データの集計と可視化、モデルの選択、特徴量の作成、プログラムの作成、文章の要約。
人に残る仕事 :解く課題を決める、目的に合う方法を選ぶ、結果が正しいかを確かめる、結果を業務の判断や仕組みにつなげる、AIの使い方のルールを決める。
データサイエンティスト自身も、すでにAIを使って仕事をしています。
協会の会員の調査(2026年版、有効回答323人)では、生成AIを業務で使う人は74%で、2023年の31%から大きく増えました。
AIを業務に組み込む仕事や、AIの活用を進める仕事に関わる人も41%います。
データサイエンティストに将来性を感じる人は70%で、高い水準にあるものの、下がる傾向が続いています。
仕事で使う生成AIの選び方は、生成AIのおすすめと選び方 で説明しています。
つらい・後悔すると言われる理由と、向いている人
調査で見る実態
協会の会員の調査(2026年版)では、業務に満足している人は46%で、前回より9ポイント上がりました。
一方で、自分のスキルが活かせていると答えた人は27%にとどまり、社内に育成のプログラムがある人は24%でした。
調査の報告書は、データ分析について相談できる相手や、手本になる人が少ないことを課題に挙げています。
つらいと感じやすい場面
分析の前の準備が長い :データの担当者に話を聞いて中身を確かめ、加工してからでないと分析に入れない。
成果が出るとは限らない :効果を検証して、モデルが役に立たないと分かることもある。
学んだスキルを使えない :会社にデータや分析の環境がそろっておらず、学んだ手法を使う場面が少ない。
相談できる人が少ない :社内にデータサイエンティストが少なく、やり方を一人で決めることになる。
学び続ける必要がある :協会はスキルの定義を2年ごとに見直しており、ver.6 では生成AIなどの項目が加わった。
転職や異動で後悔しないためには、入る前に、分析に使えるデータがそろっているか、相談できるデータの担当者や先輩がいるか、課題を決める段階から関われるかを確かめます。
向いている人
仕事の課題を、数字で確かめられる問いに言い換えられる人 :「売上を上げたい」を「どの店のどの商品の品切れを減らすか」のように具体化できる。
データと根気よく向き合える人 :データの欠けや誤りに気づき、地道に整えられる。
結果を、専門の知識を持たない人にも伝わる言葉で説明できる人 :job tag も、専門の知識に加えて、コミュニケーションの能力や発想力が求められると書いています。
新しい手法や道具を学び続けられる人 :生成AIのように、使う道具が数年で大きく変わる。
データサイエンティストになるには
新卒で目指す
job tag によると、データサイエンティストとして働く人は、大学院などで統計学、数学、情報工学などを学んだ人が多く、ほかの理系の分野や文系の出身の人もいます。
新卒で就職する先は、大手のIT企業、製造業、サービス業などが多いとされています。
ただし、協会の会員の調査(2026年版)では、新卒からデータ分析の仕事に就く例は少なく、社内の異動や、ほかの職種からの転職で就く人が多いという結果でした。
新卒で目指すなら、研究やゼミでデータを分析した経験や、後で説明するコンペの成績のように、分析の力を示せる成果を用意します。
大学でも学べる場が広がっています。
滋賀大学は、2017年4月に全国で初めてのデータサイエンス学部を開設しました。
文部科学省は、大学や高専の数理・データサイエンス・AIの教育プログラムを認定しており、2026年8月の時点で、全ての学生が身に付ける素養を学ぶ「リテラシーレベル」が655件、専門の分野で活用する力を学ぶ「応用基礎レベル」が421件認定されています。
未経験・30代から目指す
未経験から目指すときは、いまの仕事の中でデータを使う経験を積み、社内の異動か、近い職種への転職で移る道が現実的です。
job tag は、中途で就く人の前の仕事として、情報処理の技術者、通信の技術者、マーケティング・リサーチャー、製造業の研究者を挙げています。
30代からなら、いまの業界と業務の知識を生かせます。
協会のスキル群の「価値創造」のように、業務の課題をデータで解ける問いに落とし込む場面では、業務を知っていることが強みになります。
まず、いまの職場の売上、顧客、生産などのデータを使って、小さな改善を1つ進め、課題から結果までを説明できる実績にします。
学ぶ順番と難易度
独学で学ぶときは、次の順に進めると、学んだことを次の段階で使えます。
1. 統計の基礎 :平均、ばらつき、相関、検定など、データを読む考え方を学ぶ。
2. 表計算ソフトとSQL :データを集計し、データベースから取り出す。
3. PythonかR :データを加工し、分析して、グラフにする。
4. 機械学習の基本 :予測や分類のモデルを作り、精度を評価する。
5. 課題から報告までを通す :公開されているデータやコンペの題材で、課題を決め、分析し、結果を資料にまとめるところまでを一度やり通す。
難易度の目安として、job tag の調査で、実際に働く人が多いと感じる学歴は、大学卒(55.3%)、修士課程の修了(44.7%)、博士課程の修了(29.8%)でした(複数回答。必須の学歴ではありません)。
大学院で学んだ人が多い職種なので、未経験から目指すときは、統計と機械学習を体系的に学ぶ時間を見込みます。
資格
データサイエンティストに必須の資格はなく、job tag も「関連する資格はありません」としています。
資格は、知識を体系的に学び、学んだことを示す手段として使えます。
データサイエンティストに関わる主な試験
試験 実施する団体 位置付け 形式 DS検定(リテラシーレベル) データサイエンティスト協会 見習いレベルの実務の能力と知識 選択式100問、100分 統計検定 データサイエンス基礎 統計質保証推進協会 高校の数学と情報を基盤に、大学入試の水準まで Excelを使う問題、90分 統計検定 データサイエンス発展 統計質保証推進協会 大学の教養の水準 30問程度、60分 統計検定 データサイエンスエキスパート 統計質保証推進協会 大学の専門の水準 40問程度、90分
どの試験も、パソコンで受けるCBTの方式です。
DS検定は、協会のスキルチェックリストの見習いレベルの範囲から出題され、データサイエンティストを目指す社会人や学生を対象にしています。
コンペで実力を示す
データ分析のコンペは、出された課題とデータで予測のモデルを作り、精度を競う場です。
成績や取り組んだ内容は、分析の力を示す材料になります。
Kaggle :世界のデータ分析とAIのコンペのサイト。データをダウンロードして手元かKaggle Notebooks(ブラウザで使える分析の環境)でモデルを作り、予測の結果を提出する。初心者向けの「Getting Started」のコンペは、賞金とポイントがなく、解説が充実している。
SIGNATE :日本のデータ分析のコンペのサイト。企業や行政が抱えるデータの課題に挑戦できる。会員登録してコンペを選び、参加の規約に同意してデータをダウンロードし、予測の結果を投稿すると、リーダーボードで順位とスコアを確かめられる。
応募書類と自己PR
応募書類と面接では、分析の手法の名前を並べるより、課題から結果までを1つの話として示します。
1. 課題 :誰の、どんな困りごとだったか。
2. データ :どのデータを使い、どう整えたか。
3. 方法 :どんな手法で分析し、なぜその手法を選んだか。
4. 結果 :何が分かり、業務や事業の数字がどう変わったか。
5. 自分の役割 :チームの中で、どの工程を担ったか。
未経験から応募するときは、いまの仕事でデータを使って改善した経験を、この形で書きます。
協会の5つのスキル群に当てはめて、課題を決めた経験は「価値創造」、手法を選んだ経験は「データサイエンス」、データを整えて仕組みにした経験は「データエンジニアリング」として整理すると、何ができるかが伝わりやすくなります。
働き方:正社員とフリーランス
job tag によると、データサイエンティストは正社員として働く人が多く、フリーランスの人も一部にいます。
job tag の調査で、実際に働く人が多いと感じる就業の形は、正規の職員・従業員が89.4%、自営・フリーランスが12.8%でした(複数回答)。
フリーランスは、顧客の会社にサービスとして分析を提供する働き方で、企業から分析やモデル作りの仕事を受けます。
仕事を受ける前に、次のことを確かめます。
実績を示せるか :課題から結果までを説明できる分析の実績があるか。
受け持つ範囲 :課題を決めるところから、運用の仕組みを作るところまでの、どの工程を受け持つか。
データの扱い :顧客のデータをどこで扱い、秘密をどう守るか。
NoLang仕事の流れを、 説明の動画に
NoLangで動画を作る
会社でデータ活用を伝えるとき
データサイエンティストを採用する会社や、社内でデータの活用を広げたい会社では、仕事の内容や分析の結果を、短い動画で伝える場面があります。
NoLangでは、文章やPDF、PowerPointの資料から、ナレーションと字幕の入った説明の動画を作れます。
会社での使い方の相談は、お問い合わせ から送れます。
詳しい資料は、下のボタンからダウンロードしてください。
資料をダウンロード