2026年10月公開 ／ 筆者：大手SIerで25年。営業からキャリアを始め、マーケティング、シリコンバレー駐在を経て、現在はビジネス開発を推進
Pythonは、ネイティブのように書けなくていい。
これは、私がシリコンバレーで身をもって学んだことです。着任したときの英語力は、TOEICで700点台。実際の会議では言葉がまったく出てこず、ネイティブの早口の議論にはついていけませんでした。いま振り返っても、当時の私は「会議室の置物」でした。
転機は、現地のスタートアップとの交渉が平行線になったときです。日本の大企業に特有のセキュリティの要件を、私はどうしても口頭で説明できませんでした。見かねてホワイトボードの前に立ち、システムの構成図を描きました。そして「ここのデータ連携で、日本の顧客は必ずNGを出す」と、その場所に大きくバツ印を書いたのです。相手の口から出たのは、「Oh, I see.」の一言でした。
流暢に話せなくても、伝えたい中身があり、それを相手に届く形で示せれば、仕事は前に進む。言葉の壁を、図という共通言語で越えた瞬間でした。
営業として社会人の一歩を踏み出してから25年。マーケティングやシリコンバレーでの仕事を経験し、いまは大手SIerで新しい事業づくりを推し進めています。その間、データやプログラミングとは「ネイティブではない立場」で付き合ってきました。
「データサイエンティストを目指すなら、Pythonを学ばなければ。でも、エンジニアのような実装力まで求められるのだろうか」。そんな不安から、この記事にたどり着いた方も多いと思います。分析や企画、業務の理解には関心があるけれど、コードを書く力だけで評価される世界には抵抗がある。そう感じている方にこそ、読んでいただきたい内容です。
この記事の答え データサイエンティストにPythonは必要です。ただし、Pythonが書けるだけで価値が出るわけではありません。大事なのは、Pythonを使って何を明らかにし、誰の意思決定に役立てるかです。 どこまで学ぶかの目安は、5段階のうちの「レベル3：伝える」です。全レベルを目指す必要はありません実務でPythonを使うのは、加工・集計・可視化・分析・自動化の5つの場面ですpandasは表を整える、NumPyは計算の土台、scikit-learnは予測モデルをつくる道具ですSQLはデータを「取り出す」言葉、Pythonは取り出したデータを「動かす」言葉です生成AIがコードを書く時代に問われるのは、「何を書かせるか」と「結果を疑えるか」です
結論：データサイエンティストにPythonは必要。ただし「書ける」だけでは価値にならない
データサイエンティストにPythonは必要です。ただし、Pythonが書けるだけでデータサイエンティストとして価値が出るわけではありません。
Pythonは、データの加工から分析、予測までを1つの言語でこなせるため、データサイエンスの現場で広く使われています。データ分析やAIの求人のスキル要件にも、よく名前が挙がる言語です。
一方で、外国語にたとえると見え方が変わります。英語が流暢に話せることと、会議で伝えるべき中身を持っていることは別です。冒頭のホワイトボードの場面で相手を動かしたのは、私の英語力ではなく、「日本の顧客がどこでNGを出すか」という中身でした。
データサイエンティストも同じです。求められているのは、Pythonという言葉を流暢に操ることではなく、Pythonで何を明らかにし、誰の判断に役立てるかです。データサイエンティストに必要な知識の全体像と、学ぶ順番は「データサイエンティストになるには？必要な知識と学習順を解説」で解説しています。
データサイエンティストが実務でPythonを使う5つの場面
データサイエンティストがPythonを使うのは、加工・集計・可視化・分析・自動化の5つの場面です。そして、どの場面にも、Pythonを開く前と後に「人の仕事」があります。
| 場面 | Pythonがすること | その前後にある人の仕事 |
| 1. 加工 | 形式がばらばらなデータを、分析できる形に整える | 前：判断に必要なデータはどれかを決める／後：おかしな値や欠けた値の扱いを決める |
| 2. 集計 | 条件ごとに数えたり、合計したりする | 前：何と何を比べれば判断できるかを決める／後：数字の意味を言葉にする |
| 3. 可視化 | 結果をグラフやヒートマップにする | 前：誰に何を伝えるかを決める／後：「だから何をするか」を添える |
| 4. 分析・予測 | 統計や機械学習で、傾向や将来を読む | 前：予測が当たったら何を変えるかを決める／後：精度の意味を業務の言葉で説明する |
| 5. 自動化 | 毎回の手作業を、スクリプトで一瞬にする | 前：その作業がそもそも必要かを考える／後：使う人が困らない形で渡す |
私が初めてPythonを動かしたのも、5つめの自動化でした。営業やマーケティングを担当していたころ、毎月、営業管理システムから重いCSVを何枚もダウンロードし、ExcelのVLOOKUPでつなぎ合わせていました。目的は、「30日以上フェーズが動いていない案件」を洗い出すことです。この作業に、毎月何時間もかかっていました。
そこで、pandasというライブラリを使い、ファイルの結合と絞り込みを数行のスクリプトにまとめました。実行ボタンを押した瞬間、毎月の苦役がわずか3秒で終わったのです。あのときの魔法のような全能感は、いまも忘れられません。
ただし、ここで大事なのは「3秒」のほうではありません。どの案件が止まっているのかを知りたい、という問いが先にあったから、数行のコードが価値を持ったのです。
分析屋の社員にも、同じように身近な課題からPythonを使い始めた人がいます。教育業界の営業職だったころ、ネットワーク機器のトラブルの原因を探っていた社員です。トラブルの発生日時や場所などのデータを集め、Pythonで分析していたそうです。その結果を図にして、相手に説明していました。
参考：「販売員からデータ分析の道へ進み、クライアントの課題解決に貢献」
身近な人が毎回手作業をしていたら、頼まれていなくても短時間で自動化ツールをつくる社員もいます。「使えそうなら使ってください。使わなくても全然大丈夫です」と添えて渡すそうです（参考：「非エンジニアから、機械学習チームのリーダーへ。音楽もWebディレクションもみんな、武器になった。」）。Pythonは、自分の作業だけでなく、周りの人の時間を生み出す道具にもなります。
pandas・NumPy・scikit-learnは、分析のどこで使う？
pandasは表を整える、NumPyは計算の土台、scikit-learnは予測モデルをつくる道具です。結果を見せるときは、matplotlibなどの可視化の道具を使います。
ライブラリとは、よく使う処理をまとめた部品の集まりです。外国語にたとえるなら、場面ごとの「表現集」です。文法をゼロから組み立てなくても、場面に合った表現を選べば伝わるように、ライブラリを選べば、複雑な処理を短く書けます。
| ライブラリ | 分析のどこで使うか | 外国語にたとえると |
| pandas | 表のデータを読み込み、結合・絞り込み・集計して整える。Excelでしていた作業の多くを置き換えられる | 毎日使う、日常会話の定番フレーズ集 |
| NumPy | 大量の数値をまとめて計算する。pandasやscikit-learnの裏側で動いている | 文法の土台。意識しなくても、話すたびに使っている |
| scikit-learn | 予測や分類のモデルをつくり、どのくらい当たるかを評価する | 商談や交渉で使う、専門的な表現集 |
| matplotlibなど | 結果をグラフやヒートマップにして見せる | ホワイトボードの図解。言葉より速く伝わる |
最初から全部を覚える必要はありません。まずはpandasで、Excelでしている作業を1つ置き換えてみることから始めましょう。言語ごとの比較は「データサイエンティストが習得すべきプログラミング言語」で紹介しています。Pythonでできることの全体像は、「Pythonでできること9選｜データサイエンティストが語る「一生使えるスキル」」をご覧ください。
SQLとPythonの違いと使い分け
SQLは、データベースから必要なデータを「取り出す」言葉です。Pythonは、取り出したデータを「動かす」、つまり加工し、分析するための言葉です。
| 比べるポイント | SQL | Python |
| 役割 | データベースから必要なデータを取り出す | 取り出したデータを加工・分析・可視化・予測する |
| 得意なこと | 大量のデータから、条件に合う行や列を抜き出し、結合・集計する | 統計や機械学習、グラフづくり、作業の自動化など、取り出したあとの処理全般 |
| 学ぶ順番 | 分析の実務の入口 | プログラミングそのものの入門 |
実務では、SQLでデータを取り出し、Pythonで動かすという組み合わせで使うことがほとんどです。材料となるデータが手元になければ何も分析できないので、実務の入口はSQLになります。一方、プログラミングそのものに初めて触れるなら、Pythonから入るのもよい選択です。
SQL・Python・統計・機械学習をどの順番で学ぶかは、「データサイエンティストになるには？必要な知識と学習順を解説」で解説しています。
どこまで学べばいい？Pythonの到達レベル5段階【レベル診断付き】
どこまで学ぶかの目安は、5段階のうちの「レベル3：伝える」です。データサイエンティストとして働くうえで、全レベルを目指す必要はありません。
| レベル | 業務でできること | 外国語にたとえると |
| 1. 読む | 他人が書いたPythonのコードを読み、何をしているかおおまかに説明できる | 看板やメニューが読める |
| 2. 整える | pandasで、Excelでしている集計や結合を再現できる | 決まった言い回しで、用事を済ませられる |
| 3. 伝える | グラフと基本的な統計で結果を示し、「だから何をすべきか」を相手の言葉で説明できる | 会議で、自分の意見を伝えられる |
| 4. 予測する | scikit-learnで基本的な予測モデルをつくり、精度の意味を業務の言葉で説明できる | 相手の出方を読みながら、交渉できる |
| 5. 運ぶ | つくった仕組みを、毎日動く形で運用・自動化する（エンジニアと協業する領域） | 通訳や専門家として、言葉そのものを仕事にする |
目安は「レベル3：伝える」
レベル3は、分析の結果を「伝える」ところまでPythonを使える段階です。外国語で言えば、会議で自分の意見を伝えられる状態にあたります。ネイティブのように流暢でなくても、ここまで来れば仕事は前に進みます。
ホワイトボードの前に立ったあの日の私の英語も、ネイティブにはほど遠いものでした。それでも、伝えたい中身と1枚の図があれば、止まっていた交渉は動きました。Pythonも同じです。完璧を目指すより、まず「伝える」ところまで届くことを目指してください。
「データサイエンティストになるには？必要な知識と学習順を解説」では、Pythonの入口の目安を「pandasなどを使って、データを加工・集計・可視化できる」としています。これは、この表のレベル2〜3にあたります。レベル4は、予測モデルを扱う案件に関わるときに伸ばせば十分です。レベル5は、エンジニアと協力して担う領域です。なお、この目安は一般的なものです。
レベル診断：いまの自分はどこにいる？
次の5つの問いに、上から順に「はい」か「いいえ」で答えてください。初めて「いいえ」になる手前の番号が、いまのあなたのレベルです。
□ 1：他人が書いたPythonのコードを読んで、何をしているかおおまかに説明できる
□ 2：Excelでしている集計や結合を、pandasで再現したことがある
□ 3：集計結果をグラフにして、「だから何をすべきか」まで誰かに説明したことがある
□ 4：予測モデルをつくり、その精度の意味を業務の言葉で説明したことがある
□ 5：つくった仕組みを、毎日動く形でエンジニアと一緒に運用したことがある
| いまのレベル | 次の一歩 |
| レベル0（1にも当てはまらない） | いまがスタート地点です。誰かが書いた短いコードを読み、1行ずつ何をしているかを言葉にしてみましょう |
| レベル1〜2 | 毎月の手作業を1つ選び、pandasで置き換えてみましょう |
| レベル3 | 目安に到達しています。予測モデルを扱う案件に関わるときに、レベル4を伸ばせば十分です |
| レベル4〜5 | 技術は十分です。これからは、結果を判断につなげる「伝える」力を磨くことが、価値を大きく伸ばします |
レベル3に届いていない方は、次の学び方を試してみてください。
技術一本勝負に違和感がある人のための学び方
語学と同じで、文法書を最初から最後まで暗記しても、現場ではなかなか使えるようになりません。おすすめは、次の3つです。
・ 毎月の手作業を1つ選んで、Pythonに置き換える：自分の仕事の中に、最初の教材があります。冒頭の「3秒」の体験が、学ぶ原動力になります
・ 誰かが書いたコードを「お手本」にする：外国語の上達に、ネイティブの会話を聞くことが欠かせないのと同じです
・ 結果を誰かに説明してみる：レベル3の「伝える」は、実際に伝えてみることでしか身につきません
入社後の研修で、Excel・SQL・Python・BIツールを学び、最初の案件に活かした社員の話はこちら
→販売員からデータ分析の道へ進み、クライアントの課題解決に貢献
Pythonだけでは価値が出ない理由：データ理解・統計・業務理解
Pythonは手段です。データの意味を理解し、統計で正しく読み、業務の文脈で解釈できなければ、正しく動くコードでも、判断には役立ちません。
Pythonを身につければ、データサイエンティストとして活躍できる。そう考えて学び始める方は少なくありません。
しかし実際には、コードを書くことより、結果を相手に伝わる形にすることのほうが難しい場面が多くあります。システムエンジニアから分析屋に転職した社員は、SQLを1か月ほどで覚えました。ところが、分析の結果をどう見せればクライアントに伝わるのかで、半年ほど苦戦したと語っています。
参考：「クライアントに寄り添い、最善かつ最速の実現方法をいっしょに考える
私にも、Pythonと業務の理解が組み合わさって、判断が動いた経験があります。長年続けてきたものの、収益性の低い機能を廃止するかどうかを決める場面でした。営業側からは「まだ使っている重要な顧客がいる」と、強い反対が出ていました。
そこで、過去3年分のサーバーのログと、サポート対応にかかった工数をPythonで分析しました。見えてきたのは、全体の維持コストの80%が、わずか3%のユーザーから生まれているという事実です。それをヒートマップにして示した瞬間、会議室の空気が変わりました。感情的な対立が、投資対効果をめぐる冷静な議論に変わり、廃止はわずか5分で承認されました。
このとき役に立ったのは、Pythonの腕前そのものではありません。どのデータを見れば反対の理由に答えられるかを考えたことと、それを一目で伝わる図にしたことです。ホワイトボードにバツ印を書いたあの日と、根っこは同じでした。
だからこそ、Pythonと並行して、データ理解・統計・業務理解を身につける必要があります。Pythonは、それらを形にするための言葉なのです。
AI時代のPython：「書く力」より「頼む力」と「確かめる力」
コードそのものは、いまや生成AIに頼めば数秒で出てきます。その分、問われるのは「何を書かせるか（頼む力）」と、「出てきた結果を疑えるか（確かめる力）」です。
私はいま、コードの書き方や処理の効率化といった「どう書くか」は、AIに任せています。一方で、「どのデータを使うか」「その集計でどんな判断を下すのか」、そして「空の値や異常な値をどう扱うか」は、必ず人が決めて確かめます。
| AIに任せること | 人が決めて確かめること |
| コードの書き方（構文） | どのデータを使うか（What） |
| 処理の効率化 | その集計で、どんな判断を下すのか（Why） |
| 定型的な集計やグラフの作成 | 空の値や異常な値を、どう扱うか（例外の定義） |
この線引きを強く意識するようになったのは、ひやりとした経験があったからです。「アクティブユーザー数の推移を出すSQLを書いて」とだけAIに頼み、出てきた数字を事業の報告に使おうとしたことがあります。あとでクエリを読み返すと、AIは「一度でもログインした人」をアクティブと数えていました。しかし、私たちのビジネスでのアクティブの定義は「月に3回以上、特定の中心機能を使った人」です。数字の桁がまったく違いました。
あのまま報告していたら、経営層に誤った数字を伝え、誤った投資判断を招くところでした。前提条件を言葉にせずにAIに頼むと、AIは危険な道具にもなる。そう痛感しました。
シリコンバレーでも、長いメールの読み書きには翻訳ツールを使っていました。ただし、訳文をそのまま送ることはしませんでした。文章のトーンが丁寧すぎないか、くだけすぎていないかを、自分の手で整えていました。相手への敬意と、自分の温度を残すためです。
AIにPythonを書かせるときも同じです。翻訳ツールの訳が文脈に合っているかを見抜くには、自分もある程度その言葉がわかっている必要があります。AI時代でも「レベル3：伝える」までは自分の手で身につけておくべき理由は、ここにあります。
AIによって技術が便利になるからこそ、差がつくのは技術そのものだけではなくなっていく。分析屋の代表も、そう語っています。AI時代に人が担う役割についての考えは、「分析屋が「人間らしさ」にこだわる理由 / 現代表・溝口のストーリー」をご覧ください。
分析屋が考えるPython：技術力アピールの道具ではなく、課題を解く手段
分析屋では、Pythonを技術力をアピールする道具ではなく、顧客や現場の課題を解くための手段と捉えています。
分析屋が大切にしているのは、Pythonを書くこと自体よりも、その前後にある次の4つです。
・ 顧客や現場の課題を理解する
・ 何を分析すべきかを考える
・ 分析結果を、相手に伝わる言葉にする
・ 次の施策や判断につなげる
データ分析やAIの求人を見ると、Python、SQL、機械学習、クラウドなど、スキルの名前がずらりと並びます。それを見て、「ここは、技術力に相当な自信がある人だけの世界なのかもしれない」と感じる方もいるでしょう。分析屋の採用では、スキルだけでなく、その人がなぜこの領域に来たいのかという背景も見ています。
参考：「分析屋はなぜスキルオンリー採用ではないのか」
「技術職ではありたい。でも、技術だけの人にはなりたくない」。分析屋が採用の記事で語りかけているのは、まさにそう感じている方です。そうした方にとって、Pythonは技術を極めるための目標ではなく、課題を解くための頼れる道具になるはずです。
データサイエンティストとPythonに関するよくある質問
Q. データサイエンティストにPythonは必須ですか？
A. 多くの現場で使われているため、身につけておくことを強くおすすめします。ただし、Pythonが書けるだけで価値が出るわけではありません。何を明らかにし、誰の判断に役立てるかが大切です。
Q. Pythonはどこまで学べばいいですか？
A. 目安は「レベル3：伝える」です。グラフと基本的な統計で結果を示し、「だから何をすべきか」を相手の言葉で説明できる段階を目指しましょう。
Q. 生成AIがコードを書けるなら、Pythonを学ぶ必要はありますか？
A. あります。AIに何を書かせるかを決め、出てきたコードや結果が正しいかを確かめるには、自分でもある程度コードが読めて、データの前提を説明できる必要があるからです。
Q. Pythonのライブラリは、どれから学べばいいですか？
A. まずはpandasです。Excelでしている集計や結合を置き換えられるため、身近な仕事ですぐに役立ちます。グラフにする道具（matplotlibなど）を次に学ぶと、レベル3の「伝える」に近づきます。
Q. SQLとPythonは、どちらから学ぶべきですか？
A. 分析の実務の入口はSQLです。どれほど高度な分析も、必要なデータを手元にそろえるところから始まるからです。プログラミングそのものに初めて触れるなら、Pythonから入るのもよい選択です。
Q. RとPythonは、どちらを学べばいいですか？
A. 迷ったらPythonがおすすめです。統計解析に強いRが使われる分野もありますが、Pythonはデータの加工から予測、自動化まで幅広く使えます。詳しくは「データサイエンティストが習得すべきプログラミング言語」をご覧ください。
Q. 文系・未経験でもPythonは身につきますか？
A. 技術を極める職人タイプでなくても、顧客の話を聞き、論点を整理し、次に何をすべきかを示せる人は、データ人材として価値を発揮できます。Pythonは、毎月の手作業を1つ置き換えるところから、少しずつ身につけていけます。
まとめ：Pythonは、データの世界を旅するためのサバイバル言語
データサイエンティストにPythonは必要です。ただし、Pythonが書けるだけで価値が出るわけではありません。大事なのは、Pythonを使って何を明らかにし、誰の意思決定に役立てるかです。目安は「レベル3：伝える」。そこまでを自分の手で身につけ、あとはAIや仲間の力も借りながら、課題を解くことに力を注ぎましょう。
最後に、これからPythonを学ぶ方へ、私からこの言葉を贈ります。
「Pythonは『お勉強する教科書』ではなく、『広大な異国（データの世界）を旅するためのサバイバル言語』です」
語学と同じで、文法書を暗記しても、現場ではそのまま使えません。シリコンバレーで会議室の置物だった私が、ホワイトボードの図で道を開いたように、完璧な発音や美しいコードを目指す必要はありません。まずは片言でもいいので、「私はこのデータで、この課題を解決したい」と意思を示してください。
エラーという「通じない挫折」を、泥臭く乗り越える。そして自分の足で、ビジネスの成果という目的地にたどり着く。そのサバイバル力こそが、AI時代に生き残るあなたの本当の実力になります。
最初の一歩は、毎月何時間もかけているExcel作業を、1つ選ぶことかもしれません。
未経験からデータの世界に飛び込み、技術を一つずつ足していった分析屋の社員の話を読んでから、募集要項をのぞいてみてください。
→非エンジニアから、機械学習チームのリーダーへ。音楽もWebディレクションもみんな、武器になった。
エントリーはこちら
