データサイエンティストの基本を仕事の流れからつかむ｜1日の業務・必要な3つの力・似た職種との違い

データサイエンティストの基本はモデルで判断を変えること

企業には、売上、在庫、顧客の購買履歴、アプリの操作ログ、センサーの計測値など、大量のデータが蓄積されています。データサイエンティストは、こうしたデータに統計学や機械学習の手法を当てはめ、「来週この商品はどれくらい売れるか」「どの顧客が解約しそうか」「どの価格にすれば利益が出やすいか」といった問いに、数理モデルで答えを出します。

過去の数字を集計して現状を説明するところまでで終わらず、将来を予測したり、望ましい選択肢を計算したりして、その結果を業務の仕組みに組み込むところまで関わる点が特徴です。たとえば需要予測モデルを発注システムに組み込めば、担当者の勘に頼っていた発注量が、毎日自動で提案されるようになります。職種としての全体像はデータサイエンティストとはどんな仕事かを解説した記事でも紹介しています。

需要予測プロジェクトで追う仕事の流れ

仕事の全体像をつかむために、スーパーマーケットのチェーンで「惣菜の廃棄を減らしたい」という依頼を受けたモデルケースで流れを見てみます。

ある日のスケジュールの例

事業会社の分析チームに所属するデータサイエンティストの1日を、典型的な例として示します。会議の多さや開発の比重は、会社やプロジェクトの段階によって大きく変わります。

このように、パソコンに向かって手を動かす時間と同じくらい、関係者と話し、結果を伝える時間があります。黙々と数式を解く仕事というイメージとは少し異なるかもしれません。

データサイエンティストに求められる力

一般社団法人データサイエンティスト協会は、データサイエンティスト スキルチェックリストの中で、データサイエンティストに必要な力を「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。3つすべてを高い水準で持つ人は多くないため、チームの中で得意分野を分担しながら働くのが一般的です。どの力を軸にするかで任される業務の幅が変わり、その差はデータサイエンティストの年収の分かれ目にも表れやすくなります。

仕事で使う主な道具

職場によって違いはありますが、データサイエンティストがよく使う道具は次のとおりです。

近年は、生成AIを使ったコードの下書きや、文章データの分類・要約にLLM(大規模言語モデル)を組み込む案件も見られます。道具は入れ替わっても、どの問いにどの手法を当てるかを判断する部分は人が担うため、特定のツールに詳しいことより、手法の前提を理解していることのほうが長く役立ちます。生成AIとの付き合い方はデータサイエンティストのAI活用で紹介しています。

公的データで見るデータサイエンティストの基本情報

厚生労働省の職業情報提供サイト(job tag)には、データサイエンティストの職業情報が掲載されています。この職業に就く人の経歴や求められる力について、次のような特徴が示されています。

大学院出身者が多い一方で、ほかの職種から転身する道もあることが分かります。年収は統計上の平均値で、経験や企業によって幅があります。

似た職種との境界線

データを扱う職種は名前が似ていて混同されやすいため、主な役割の違いを整理しておきます。実際には企業ごとに範囲が重なり合っており、1人が複数の役割を兼ねることもあります。

小さな会社では、データサイエンティストが集計からシステムへの組み込みまで一手に担うこともあれば、大企業では研究寄りの役割に特化している場合もあります。求人を見るときは、職種名よりも業務内容の欄で、どの範囲を任されるのかを確かめておきましょう。最初に担当した範囲からどの方向へ専門性を広げていけるかは、経験年数に応じたキャリアの分岐で詳しく扱っています。

イメージと実態がずれやすいところ

データサイエンティストは、ニュースや広告の影響で実態とは違うイメージを持たれやすい職種です。基本を押さえるうえで知っておきたいずれを整理します。

基本を押さえたら、自分の位置を確かめる

ここまでの内容で興味が湧いた人は、目指すまでの具体的な道のりをデータサイエンティストになるための学習と経験の積み方で確認できます。

3つの力のうち、今の自分にいちばん近いものはどれでしょうか。営業や企画の経験がある人はビジネス力、理系の研究経験がある人はデータサイエンス力、エンジニア経験がある人はデータエンジニアリング力が出発点になります。出発点が分かれば、残りの2つをどの順で伸ばすかという、自分専用の学習計画を描けるようになります。学ぶ順番や教材の選び方はデータサイエンティストの勉強方法を参考にしてください。