データサイエンティストはひどい仕事なのか？現場の不満7つを検証して見える職場の差
- 最終更新日：2026/10/13
「データサイエンティストはひどい」「思っていた仕事と全然違う」という声を、SNSや転職の口コミサイトで目にして不安になった人もいるかもしれません。華やかなイメージで語られることが多い職種だけに、現場とのギャップを訴える声は目立ちやすい傾向があります。
ただし、こうした声の多くは、職種そのものの問題というより、配属された組織の体制やデータの整備状況に左右されています。この記事では、よく聞かれる不満を1つずつ取り上げて実態を検証し、どんな職場ならその不満が起きやすいのか、入社前にどう見分ければよいのかを整理します。
データサイエンティストがひどいと言われる理由は「職場の条件」に集中している
結論から言うと、データサイエンティストがひどいと言われる理由の大半は、データの整備状況、分析を使う側の理解度、職種の定義のあいまいさという、職場の条件に起因しています。同じ肩書きでも、データ基盤が整い、分析結果を意思決定に使う文化がある会社では、不満の声はずっと少なくなります。
裏を返せば、職場の条件を見極めずに入社すると、どれだけスキルがあっても「ひどい」と感じる状況に陥る可能性があるということです。ここからは、よく聞かれる不満を具体的に見ていきます。
よく聞く不満を1つずつ検証する
分析よりデータの前処理ばかりでひどい
最も多く聞かれるのがこの不満です。実際、データサイエンティストの作業時間の大半がデータの抽出や欠損値の処理、表記ゆれの修正に使われることは珍しくありません。部署ごとに顧客IDの形式が違う、日付が文字列で入っている、といったデータを分析できる形に整えるだけで数週間かかることもあります。
これは職種の性質上、ある程度は避けられない部分です。ただ、データエンジニアがいてデータ基盤が整っている会社では、前処理の負担はかなり軽くなります。前処理の比率が高いこと自体より、それを誰が担うのかが決まっていない職場で負担が偏ることが、不満の本当の原因になっている場合が多いと言えます。仕事全体の中で前処理がどう位置づけられるかは、データサイエンティストの業務の流れを見ると全体像がつかめます。
肩書きだけでExcelの集計係になっている
「データサイエンティストとして採用されたのに、実際の仕事は毎週の売上報告の集計と資料作成だけ」という声もあります。これは、会社がデータ活用を始めたばかりで、何を任せればよいか決まっていない場合によく起こります。
集計業務そのものは分析の基礎ですが、統計モデルや機械学習を使う機会がまったくないまま数年が過ぎると、市場価値の面で不安が生じます。入社前に、直近1年でどんな分析テーマに取り組んだのかを具体的に聞くことで、ある程度は見極められます。
作ったモデルが使われずに終わる
時間をかけて需要予測モデルを作り、精度も十分に出たのに、現場の発注担当者が「勘のほうが当たる」と言って使ってくれない、という経験をするデータサイエンティストは少なくありません。いわゆるPoC(概念実証)で終わり、本番の業務に組み込まれないまま次のテーマに移るケースです。
この問題は、分析を始める前に、結果を誰がどの業務で使うのかを決めていないことから起こります。経営層や現場の責任者が分析プロジェクトに関わっている会社ほど、モデルが使われる確率は高くなります。
「AIで何とかして」と丸投げされる
経営層や他部署から「AIで売上を上げてほしい」「データがあるから何か分析して」と、目的のあいまいな依頼が来るという声も目立ちます。依頼する側がデータ分析でできることとできないことを理解していないと、期待値が高すぎて、どんな成果を出しても評価されない状況になりがちです。
こうした依頼を、具体的な問いに翻訳し直すこと自体がデータサイエンティストの仕事だという見方もあります。依頼者と一緒に課題を整理できる関係が築ければ、この不満はむしろ評価を得る機会に変わります。
勉強し続けないと置いていかれる
機械学習の手法やツールは更新が速く、数年前に主流だった方法が今では使われなくなっていることもあります。業務時間外に論文や技術ブログを読み続けることを負担に感じる人は、この点を「ひどい」と表現することがあります。
ただし、実務で使う手法の多くは回帰分析や決定木系のモデルなど、基本的なものです。最新手法をすべて追う必要はなく、自分の担当領域に関係するものを選んで学ぶ姿勢で十分な場面が大半です。生成AIの普及で仕事が奪われるのではという不安については、AIとの競争のなかでデータサイエンティストが担う領域で考え方を整理しています。
聞いていたほど年収が高くない
データサイエンティストは高収入の職種として紹介されることが多いものの、未経験から入った最初の数年は、年収が400万〜550万円程度にとどまることも珍しくありません。高い年収が提示されるのは、実務経験を積み、事業の成果に結びつく分析を任されるようになってからです。
期待と現実の差が「ひどい」という感想につながることがあるため、経験年数ごとの相場を入社前に把握しておくことが大切です。具体的な目安はデータサイエンティストの年収相場と上げ方で確認できます。
社内に相談できる人がいない
データ分析部門が立ち上がったばかりの会社では、データサイエンティストが社内に1人しかいない、いわゆる「一人データサイエンティスト」の状態もあります。分析の妥当性を確認してくれる人がいないため、誤りに気づけない不安や、成長が止まる不安を抱えやすくなります。
一方で、一人で課題設定から実装まで任されるため、裁量が大きく幅広い経験を積めるという面もあります。経験の浅い段階では負担が大きいものの、中堅以上の人にとってはやりがいのある環境になりえます。
不満が起きやすい職場と起きにくい職場の違い
ここまでの不満を、職場の条件で整理すると次のようになります。
| 確認したい点 | 不満が起きやすい職場 | 不満が起きにくい職場 |
|---|---|---|
| データ基盤 | 部署ごとにデータがばらばら | データエンジニアが基盤を管理している |
| 分析の使われ方 | 報告して終わり | 施策や業務システムに組み込まれる |
| 依頼の出し方 | 目的があいまいな丸投げ | 解きたい課題と指標が決まっている |
| チーム体制 | 分析担当が1人だけ | レビューし合える同僚がいる |
| 評価のされ方 | 何を成果とするか決まっていない | 事業指標への貢献で評価される |
すべての項目で恵まれた職場は多くありません。自分がどの条件なら許容でき、どの条件は譲れないのかを考えておくと、求人を比較するときの軸になります。
入社前にひどい職場を見分ける質問
求人票の文面だけでは、職場の条件はほとんど分かりません。面接やカジュアル面談の場で、次のような質問をしてみると実態が見えやすくなります。
- 直近1年で取り組んだ分析テーマと、その結果どう業務が変わったか
- 分析チームの人数と、それぞれの担当範囲
- データの抽出や前処理を誰が担っているか
- 分析の依頼は誰からどのような形で来るか
- 本番環境で稼働しているモデルはあるか
- データサイエンティストの評価は何を基準に行われるか
回答があいまいだったり、「これから整えていく段階です」という説明が多かったりする場合は、立ち上げ期の職場である可能性が高いと考えられます。立ち上げ期の環境は、裁量の大きさを魅力と感じる経験者には向いていますが、教えてもらいながら成長したい未経験者にとっては負担が大きくなりやすい点に注意が必要です。
すでにひどいと感じている人が取れる選択肢
今の職場で不満を抱えている場合、すぐに転職するだけが選択肢ではありません。状況に応じて取れる行動を考えてみましょう。
社内で小さな成功事例を作る
モデルが使われない、丸投げされるといった不満は、一度でも分析が成果につながった事例があると状況が変わることがあります。影響範囲が小さく、効果を測りやすいテーマ、たとえば特定店舗の発注量の予測などから始めて、成果を数字で示すと、次の依頼の質が上がりやすくなります。
役割の近い職種へ軸足を移す
前処理やデータ基盤の仕事にやりがいを感じるならデータエンジニア、集計や可視化を通じて事業部門と近く働きたいならデータアナリストやBI担当など、データサイエンティストに近い職種へ軸足を移すのも一つの道です。自分がどの工程に向いているかを見直すきっかけになります。今後の進み方の選択肢は、データサイエンティストのキャリアパスの分かれ道にまとめています。
条件を明確にしたうえで転職を考える
社内で変えられる余地が小さい場合は、前の表で整理したような職場の条件を基準に、転職先を探すことになります。その際は、今の職場で何が不満だったのかを具体的に言語化しておくと、次の職場選びで同じ失敗を繰り返しにくくなります。
ひどいという声をどう受け止めるか
データサイエンティストがひどいと言われる背景には、前処理の多さや期待値の高さといった職種の性質と、データ基盤や組織体制といった職場の条件の両方があります。前者はある程度受け入れる必要がありますが、後者は入社前の確認や社内での働きかけによって変えられる部分です。
ネット上の声は、不満を持った人ほど発信しやすいという偏りもあります。誰がどんな職場でそう感じたのかという条件まで読み解いたうえで、自分が目指す働き方と照らし合わせれば、この職種を選ぶかどうかを冷静に判断する材料になるはずです。