データサイエンティストのAI活用術｜分析工程ごとの使いどころと人が手放せない判断
- 最終更新日：2026/10/17
生成AIの登場で、データサイエンティストの働き方は大きく変わりつつあります。SQLやPythonのコードを短時間で下書きしてくれるうえ、自由記述アンケートの分類のように以前は人手が必要だった作業も、大規模言語モデル(LLM)で処理できるようになりました。一方で、データサイエンティストのAI活用が進むほど、データの持ち出しや、もっともらしい誤りを見抜けないといったリスクも増えます。この記事では、分析の工程を「課題整理」「前処理」「モデリング」「報告」に分け、それぞれでAIをどこに入れると効果が出やすいのか、どこは人が判断を手放してはいけないのかを、具体的な場面とともに解説します。
データサイエンティストのAI活用は工程ごとに考えると失敗しにくい
データサイエンティストにとってのAI活用には、大きく2つの意味があります。1つは、コード作成や文書作成をAIに手伝わせて作業を速くする「道具としての活用」です。もう1つは、LLMや画像認識モデルなどを分析手法そのものに組み込む「部品としての活用」です。
どちらの場合も、分析全体を一度にAIへ任せようとするとうまくいきません。工程ごとに「AIに下書きさせる」「人が検証する」の分担を決めておくと、速さと正確さを両立しやすくなります。
| 工程 | AIに任せやすいこと | 人が手放せない判断 |
|---|---|---|
| 課題整理とデータ理解 | 論点や仮説の候補出し、テーブル定義の読み解き | どの仮説を検証するか、入力してよいデータの範囲 |
| 前処理とコーディング | SQLやpandasのコード、検証用コードの下書き | 結合や集計が意図どおりかの検算 |
| モデリングと評価 | 特徴量や評価指標の候補出し | リークの有無、ビジネス上のコストに合う指標の選択 |
| LLMの組み込み | テキストの分類、埋め込みベクトルの作成 | 人のラベルとの一致率の確認、再現性とコストの管理 |
| 報告と説明 | 専門用語の言い換え、要約 | 報告資料に載せる数字の正しさ |
以降は、典型的な分析プロジェクトの流れに沿って見ていきます。
課題整理とデータ理解の段階
分析の最初の段階では、AIを考えを広げる相手として使うと効果的です。ただし、扱うデータの範囲には注意が必要です。
依頼文から論点の候補を出してもらう
たとえば営業部門から「解約が増えている理由を調べてほしい」と依頼されたとします。依頼文をAIに渡し、考えられる仮説や確認すべき指標を挙げてもらうと、料金改定、競合の値下げ、サポート対応の遅れ、特定プランの不具合など、自分では見落としていた切り口が出てくることがあります。ただし、そのうちどれを検証するかは、事業の状況を知っている人が依頼者と話して決める部分です。AIの出した候補は、あくまでヒアリングの準備材料として使います。
実データではなくテーブル定義を渡して読み解く
初めて触るデータベースでは、テーブル定義書やカラム名の一覧をAIに渡して、各カラムの意味や結合キーの候補を推測させると理解が早まります。このとき渡すのは定義情報だけにとどめ、顧客名や購買履歴などの実データは入力しないのが原則です。社内で許可された環境であっても、どの範囲のデータを入れてよいかは事前に確認しておきます。
前処理とコーディングの段階
前処理とコーディングは、AIによる効率化の効果を実感しやすい工程です。一方で、エラーを出さずに数字だけが狂う誤りも起きやすいため、検算の手順を決めておくことが欠かせません。
pandasやSQLの下書きを任せ、結合と集計は検算する
「月別・プラン別の解約率を出すSQL」と頼めば、短時間で動くコードが返ってきます。注意したいのは、文法的に正しくても、意図と違う集計をしているケースです。内部結合で契約のないユーザーが消えている、1対多の結合で売上が二重に計上されている、日付のタイムゾーンがずれて月末の数件が翌月に入っている、といった誤りは、エラーを出さずに数字だけを狂わせます。結合前後の行数、合計金額、ユニークなID数を毎回確認する手順を決めておくと、こうした誤りの多くは防げます。
検証用のコードを先に書かせる
本番の処理より先に、「この関数の出力で欠損がないこと」「金額の合計が元データと一致すること」を確かめるテストコードをAIに書かせる方法も有効です。人がテストの観点を決め、AIがコードに落とし込むという分担にすると、レビューの負担も軽くなります。
モデリングと評価の段階
モデリングの段階では、AIの提案が一見もっともらしくても、実務では使えないことがあります。特に注意したいのが、特徴量の選び方と評価指標の決め方です。
特徴量のアイデア出しはリークに注意する
解約予測のモデルで特徴量の候補をAIに挙げさせると、ログイン頻度の変化や問い合わせ回数など、妥当な案が並びます。ただ、その中に「解約申請ページの閲覧回数」のように、予測したい時点ではまだ分からない情報が混ざることがあります。これはリーク(本来使えない未来の情報がモデルに漏れること)と呼ばれ、検証時の精度だけが高く、本番ではまったく当たらない原因になります。各特徴量が予測時点で手に入るかどうかの確認は、データの発生タイミングを知っている人にしかできません。
評価指標の選択はビジネス上のコストから逆算する
AIに評価指標を相談すると、AUCやF1スコアのような一般的な指標を勧められることが多いでしょう。しかし、解約防止のキャンペーンを上位〇〇人にしか送れないのであれば、その上位の中にどれだけ解約者が含まれるかを見るほうが実務に合っています。誤って解約しないユーザーに割引を配る損失と、解約者を見逃す損失のどちらが重いかは、事業側の数字を踏まえて決める必要があります。
LLMを分析の部品として組み込む場面
LLMは作業の補助だけでなく、分析手法の一部として使うこともできます。テキストデータを扱う場面で特に力を発揮しますが、運用上の管理も必要になります。
自由記述やコールログを分類する
アンケートの自由回答やコールセンターの通話記録を、「価格」「機能」「サポート」などのカテゴリに分ける作業は、LLMが得意とする領域です。進め方としては、まず〇〇件程度を人がラベル付けし、LLMの分類結果との一致率を確認してから全件に適用します。一致率が低いカテゴリは、定義の書き方を見直すか、人のチェックを残す判断が必要です。
埋め込みベクトルを特徴量に使う
テキストを数値のベクトルに変換する埋め込み(エンベディング)を使えば、問い合わせ内容の近さで顧客をグループ分けしたり、予測モデルの特徴量に加えたりできます。従来の単語の出現回数に基づく方法より、言い回しの違いを吸収しやすい点が利点です。
再現性とコストを管理する
外部のAPIで提供されるモデルは、提供元の更新によって同じ入力でも出力が変わることがあります。分析結果を後から再現できるよう、使ったモデルのバージョン、プロンプト、パラメータ、出力をログとして保存しておきましょう。また、大量のテキストを処理するとAPI料金が想定以上にかさむことがあるため、少量で試算してから本番に進むのが安全です。
報告と説明の段階
分析結果を報告する段階では、専門用語の多い説明を経営層向けに言い換えたり、長いレポートの要約を作ったりする用途でAIが役立ちます。一方で、AIに要約させた文章の中で数字が丸められたり、別の指標の値と入れ替わったりすることがあります。報告資料に載せる数字は、AIの文章からではなく、集計結果の元データから転記するルールにしておけば、要約や言い換えの便利さだけを取り入れられます。
使い始める前に確認したい社内ルール
データサイエンティストは、個人情報や取引先のデータを扱うことが多い職種です。AIを業務に使う前に、次の点を確認しておきましょう。
入力してよいデータの範囲
個人情報や取引先から預かったデータは、契約や社内規程で外部サービスへの送信が禁じられている場合があります。入力してよいのは公開情報と定義情報まで、といった線引きがあるかを確認してから使い始めます。個人情報保護委員会の生成AIサービスの利用に関する注意喚起等でも、事業者が個人情報を含む指示を入力する場合は利用目的を達成するために必要な範囲内かを十分に確認すること、個人データを入力する場合はサービス提供者が機械学習に利用しないことなどを十分に確認することが求められています。
学習利用の設定と契約形態
同じAIサービスでも、個人向けプランと法人向けプランでは、入力内容がモデルの学習に使われるかどうかの扱いが異なることがあります。会社として契約しているプランと設定を確認し、個人アカウントで業務データを扱わないようにしましょう。組織としてルールを整える際は、総務省と経済産業省が公表しているAI事業者ガイドライン(令和8年3月31日に第1.2版を公表)も参考になります。
生成されたコードの扱い
AIが出力したコードを社内のリポジトリに入れる際は、既存のライセンスを持つコードと酷似していないか、組織としての方針があるかを確認します。文化庁のAIと著作権に関する考え方について(概要)では、AIの生成物であっても既存の著作物との類似性と依拠性が認められ、権利制限規定の対象外であれば著作権侵害になると整理されています。判断が難しい場合は、法務や情報システム部門に相談すると安心です。
経験に応じたAIとの距離の取り方
AIとの付き合い方は、経験や立場によって変わります。自分に近い段階を参考に、使い方を考えてみてください。
学び始めの人や未経験から目指す人
学習段階では、自分で説明できないコードをAIに書かせて先に進むと、誤りに気づく力が育ちません。まず自分で書き、詰まったところでAIに質問し、返ってきたコードを1行ずつ説明できるか確かめる使い方がおすすめです。これから職種を目指す人は、未経験からデータサイエンティストになるまでの道筋と照らし合わせて、統計や機械学習の基礎をどの順で固めるかを決めておくと、AIに頼りすぎずに済みます。学習の進め方はデータサイエンティストの勉強方法も参考にしてください。
実務経験を積んできた人
前処理や可視化をAIで効率化し、空いた時間をデータの定義確認や依頼者との議論に回すと、成果の質が上がりやすくなります。LLMを使ったテキスト分析の経験は、社内でもまだ担い手が少ない分野であり、得意領域として打ち出しやすいテーマです。
チームを率いる立場の人
メンバーごとにAIの使い方がばらばらだと、レビューの基準もそろいません。入力してよいデータ、検算の手順、ログの残し方をチームのルールとして文書化することが、リードの役割になります。こうした仕組みづくりの経験は、マネジメントや専門職としてのデータサイエンティストのキャリアパスを考える際の材料にもなります。
AIに仕事を奪われるかどうかという議論とは別に、目の前の分析でどこまでAIに任せるかは、今日からでも決められます。まずは普段いちばん時間を取られている工程を1つ選び、下書きはAI、検証は自分という分担で試すところから始めると、効果と限界の両方が見えてきます。AIの普及で仕事がどう変わるのかはAI時代にデータサイエンティストが生き残るための考え方で、職種としての見通しはデータサイエンティストの将来性で解説しています。