2026年10月更新 ／ 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
「そのシステムが完成した翌朝、現場の誰の、どんな痛みが消えているのか？」
私はいま、新しいプロジェクトを始めるたびに、必ずこの問いをチームに投げかけています。きっかけは、シリコンバレー駐在時代の苦い失敗でした。
現地の有望なスタートアップと組み、日本向けの新規ビジネスを立ち上げようとしていたときのことです。私たちは、最新の技術を詰め込んだプロトタイプに熱狂し、「日本企業が驚くようなすごいものを作ろう」と意気込んでいました。ところが日本の事業部に持ち込むと、今の業務フローのどこが楽になるのかを冷ややかに問われ、誰ひとり答えられませんでした。私たちは、技術そのものに恋をしていたのです。
私は大手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、いまはビジネス開発を推進しています。技術の専門家ではない立場から、技術とビジネスをつなぐ仕事を続けてきました。
Python、統計、機械学習。データサイエンティストを目指して調べるほど学ぶべきことが増えていき、「全部を完璧にしないと無理だ」と感じていませんか。技術を極めるより、業務を理解したり課題を整理したりすることに関心がある方ほど、その不安は大きいかもしれません。
技術に恋をして失敗した私だからこそ、はっきり言えます。データサイエンティストに必要なのは、全部が完璧な技術ではありません。
この記事の要点（先に結論）
データサイエンティストは、コードを書く人ではなく、データを正しく解釈し、意思決定やビジネスに貢献する人材です。そのためには、Pythonや機械学習だけでなく、SQL・統計・業務理解・課題設定・説明力が必要です。 学習順は「取り出す（SQL）→動かす（Python）→読み解く（統計）→予測する（機械学習）」の4段階ですどこから始めるかは、未経験・エンジニア経験者・分析経験者の3つのルートで変わります全部を完璧にする必要はありません。技術を学ぶ一番の目的は、技術の「手触り」と「境界線」を知ることです働き方は、手法から入る「技術先行型」と、問いから入る「意思決定伴走型」に分かれます。AI時代に価値が高まりやすいのは後者です資格は、学習順の進み具合を確かめる「確認テスト」として使います
データサイエンティストとは：コードを書く人ではなく、データで判断を前に進める人
データサイエンティストは、コードを書く人ではなく、データを正しく解釈し、意思決定やビジネスに貢献する人です。
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を、データサイエンス力とデータエンジニアリング力をベースに、データから価値を生み出し、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。社内外に蓄積されたデータを集めて分析し、自社やクライアントの課題解決や意思決定を支える仕事です。
技術に恋をしているとき、人は「何を作るか（What）」と「どう作るか（How）」しか見ていません。あのとき私たちが最初に問うべきだったのは、「誰の（Who）」と「なぜ（Why）」でした。冒頭の問いは、その反省から生まれたものです。
本記事では、この問いを「翌朝の問い」と呼びます。私はプロジェクトの始まりに、「この技術で、誰のどんな朝（日常）を変えるのか」を、メンバーに必ず言葉にしてもらっています。
たとえば、売上を予測するモデルをつくるとします。技術から考えると、目標は「精度の高い予測モデルを完成させること」になりがちです。翌朝の問いから考えると、目標は「翌朝、店長が発注量に頭を抱える時間がなくなること」に変わります。同じモデルでも、何を優先して設計するかが変わるのです。
お医者さんにたとえると、わかりやすいかもしれません。最新の検査機器を使いたくて、とにかく検査から始める医師と、まず患者さんに「どこが、いつから痛むのか」を聞いて、必要な検査だけを選ぶ医師。患者さんが信頼するのは、後者のはずです。データサイエンティストも同じで、翌朝の問いを持っているかどうかで、働き方は大きく2つに分かれます。
| 比べるポイント | 技術先行型 | 意思決定伴走型 |
| 出発点 | 使いたい手法や最新の技術 | 翌朝の問い（誰の、どんな痛みを消すか） |
| 見ているもの | 何を作るか（What）・どう作るか（How） | 誰のためか（Who）・なぜやるのか（Why） |
| 成果物 | モデルや精度 | 判断と行動の変化 |
| 起きやすいこと | 完成しても、現場で使われない | 完成前から、使う人と目的がそろっている |
| AIの影響 | 受けやすい | 価値が高まりやすい |
「意思決定伴走型」という言葉は、分析屋のデータアナリストの記事でも使っています。職種は違っても、データの価値は「判断と行動が変わったか」で決まる、という考え方は同じです。仕事内容の詳細は、「【2026年版】データサイエンティストとは？仕事内容・必要スキル・なり方を現場目線で解説」をご覧ください。
データサイエンティストになるには？経歴別に見る3つのルート
どこから学び始めるかは、これまでの経歴で変わります。まずは、次の3つのルートのどれに当てはまるかを確かめてください。
山登りにたとえるなら、目指す山頂は同じでも、登山口は人によって違います。麓から登る人もいれば、すでに中腹まで来ている人もいます。大切なのは、自分がいまどこに立っているかを知り、そこから登り始めることです。
| ルート | すでにある強み | 学習のスタート地点と、最初の一歩 |
| 未経験（IT・データの実務経験なし） | 前職の業務理解、調整の経験 | 取り出す（SQL）から。いまExcelでしている集計を、SQLで再現してみる |
| エンジニア経験者（SE・SQL経験あり） | SQL、要件定義、システムの知識 | 動かす（Python）→読み解く（統計）から。SQLはおさらい程度でよい。現職の業務データで、小さな分析を1つ作る |
| 分析経験者（データアナリストなど） | 集計・可視化、ビジネス側との対話 | 読み解く（統計）→予測する（機械学習）から。「集計して報告する」を「予測して提言する」に1件変えてみる |
未経験（IT・データの実務経験なし）の場合
未経験から、いきなりデータサイエンティストになるのは簡単ではありません。データエンジニアやデータスチュワード（データの品質や管理を担う役割）、データアナリストを経由し、段階的に目指すのが現実的です。
ただし、前職の業務理解や調整の経験は、そのまま強みになります。実際に分析屋には、音楽の専門学校を卒業し、Webディレクターとしてお客様とデザイナー・エンジニアの橋渡しをしたあと、未経験でデータ分析の世界に入った社員がいます。入社前は「自分には何の技術も身についていないのでは」と悩んでいたそうです。
| 学習の段階 | その社員がたどった道 |
| 取り出す・まとめる | 最初の仕事は、視聴データを集計してExcelやPowerPointでレポートにまとめること |
| 動かす | 毎回の手作業に疑問を持ち、データ加工を自動化。BIダッシュボードもつくるように |
| 読み解く・予測する | いまは、物流倉庫の発注に使われる需要予測システム（機械学習を組み込んだシステム）を担うチームのリーダー |
最初から高度なプログラミングを求められたわけではなく、学習順のとおり、一段ずつ技術を足していった道のりです。
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。」
このほか、家電量販店の販売員からデータ分析の道に進んだ社員もいます。
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」
未経験からの目指し方は、
「データサイエンティストは未経験でもなれる？──年齢・専攻より、「これまでの経験の活かし方」で決まる」で詳しく解説しています。
エンジニア経験者（SE・SQL経験あり）の場合
SQLや要件定義の経験は、すでに大きな強みです。足りないのは、主にPythonでの分析と統計の知識です。
分析屋には、システムエンジニアから転職し、データ分析の技術よりもクライアントの視点で考えられることを強みに、顧客に近い役割を任されるようになった社員もいます。
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」
分析経験者の場合：データアナリストから目指すルート
データアナリストとして、集計・可視化やビジネス側との対話を経験している方は、統計と機械学習を足すことで、データサイエンティストに近づけます。最初の一歩は、「集計して報告する」仕事を、「予測して提言する」仕事に1件変えてみることです。
データアナリストの働き方の分かれ目については「データアナリストはやめとけと言われる理由とは？将来性も解説」、両者の違いについては「データサイエンティストとデータアナリストの違いを詳しく解説」をご覧ください。
このほか、大学・大学院やオンライン講座で体系的に学ぶ、社内公募でデータ関連部署に異動する、といった道もあります。いずれのルートでも、学ぶ順番は次の章以降で紹介する考え方が役に立ちます。
データサイエンティストに必要な知識とスキル：技術4つと、人に残る3つ
必要なのは、技術のスキル4つと、人に残るスキル3つです。最初から全部をそろえる必要はありません。
| 種類 | スキル | 何に使うか |
| 技術 | SQL | データベースから必要なデータを取り出す |
| 技術 | Python | データの加工・集計・可視化・分析を、再現できる形で行う |
| 技術 | 統計 | 結果が偶然なのか、意味のある差なのかを正しく読む |
| 技術 | 機械学習 | データから予測や分類のモデルをつくる |
| 人 | 業務理解 | 現場の仕事の流れと、誰が何に困っているかを知る |
| 人 | 課題設定 | 何が明らかになれば判断できるのかを決める |
| 人 | 説明力 | 分析結果を、相手が判断に使える言葉に翻訳する |
これらのスキルを、未経験からどう身につけていくか。前職の経験の活かし方も含めて、「データサイエンティストは未経験でもなれる？──年齢・専攻より、「これまでの経験の活かし方」で決まる」で解説しています。
人に残る3つが、技術と同じくらい大切な理由があります。私がデータやAIに関わる人を評価するとき、技術以外で最も重視しているのは「翻訳力」と「ビジネスへの執着心」です。
どれほど高度な機械学習モデルを構築できても、それを経営層が「明日、右に行くか左に行くか」を決めるための言葉に翻訳できなければ、ビジネスでは価値を生みません。美しいモデルを作って満足するのではなく、「このデータを使って、事業部をどう動かすか」まで執着できるか。私は、そこを評価の中心に置いています。
ここで言う説明力は、話がうまいことではありません。相手の意図をくみ取り、認識を合わせながら前に進める力です。先ほど紹介した、需要予測システムのチームを率いる社員も、自分の役割を「一言で言うと、説明する人」と表現しています。技術を理解する力と、それを人が理解できる形に変える力は、別々に必要だというのです。
何から学ぶ？学習順と「どこまでできればよいか」
学習順は「取り出す→動かす→読み解く→予測する」の4段階です。全部を完璧にしてから次に進む必要はありません。
学習順は「取り出す→動かす→読み解く→予測する」
料理にたとえると、イメージしやすくなります。冷蔵庫から必要な食材を出す（取り出す＝SQL）。切ったり下ごしらえしたりする（動かす＝Python）。味見をして、ちょうどよいかを確かめる（読み解く＝統計）。お客様の好みを見込んで、新しい一皿を考える（予測する＝機械学習）。食材を出せなければ料理が始まらないように、データを取り出せなければ分析は始まりません。
| 段階 | スキル | どこまでできればよいか（入口の目安） |
| 1. 取り出す | SQL | 必要なデータを自分で抽出し、結合・集計できる |
| 2. 動かす | Python | pandasなどを使って、データを加工・集計・可視化できる |
| 3. 読み解く | 統計 | 平均とばらつき、相関と因果の違い、検定や回帰の考え方を説明できる |
| 4. 予測する | 機械学習 | 基本的なモデルをつくり、精度などの評価指標の意味を業務の言葉で説明できる |
あくまで一般的な目安です。SQLとPythonの基礎は、並行して学んでもかまいません。業務理解・課題設定・説明力は、どの段階でも並行して伸ばしていきます。
なぜSQLが最初なのか
データを取り出せなければ、分析は始まらないからです。実務では、分析の前に必要なデータを自分で集める場面が多くあります。
なお、分析屋の「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」では、最初に学ぶプログラミング言語としてPythonをすすめています。プログラミングそのものの入門ならPython、分析の実務の入口はSQL、と考えると整理しやすいでしょう。
全部を完璧にしなくてよい理由
データサイエンティストを目指すなら、スキルを全部そろえてから応募するもの。そう考えている方は多いと思います。
私自身、マネジメントの立場になってからも、基礎的なSQLやPythonの構文、生成AIへの指示の出し方、データ基盤の挙動を、自分で手を動かして学びました。エラーを出して、何時間も悩んだこともあります。
そこで一番役に立ったのは、コードが書けるようになったことそのものではありません。技術の「手触り」と「境界線」を、肌で理解できたことです。データの前処理に、どれだけ泥臭い時間がかかるか。生成AIのもっともらしい誤り（ハルシネーション）を抑えるのが、どれほど難しいか。技術の限界を知ったことで、「技術で解決すべきこと」と「人が運用やルールで補うべきこと」を切り分けられるようになりました。
エンジニアに「明日までに、ちょっとこのデータ出しといて」と、悪気なく無茶を言うこともなくなりました。この手触りこそが、技術チームとの信頼関係の土台になっています。
先ほどの社員も、機械学習の案件に加わった時点では、PythonもAWSも実務経験はほとんどなかったそうです。経験豊富なエンジニアがつくったコードを「お手本」に毎日触れるうちに、少しずつ読めるようになっていきました。全部を学び終えてから現場に出るのではなく、触りながら手触りをつかんでいったのです。
レストランで言えば、一度でも厨房に立ったことのあるホールスタッフは、閉店間際に手の込んだ料理の注文を、気軽には通さなくなるものです。料理人になる必要はありません。厨房で何が起きているかを知っているだけで、お客様と厨房の両方から信頼される存在になれます。
だから、学ぶ目的は技術を極めることではなく、技術の手触りと境界線をつかみ、技術とビジネスの両方の言葉で話せるようになることです。全部を完璧にする前に、まず手を動かしてみてください。
AIで「書く」ハードルが下がるほど、「問いを立てる力」が効いてくる
生成AIの普及で、コードを書くハードルは大きく下がりました。単純な集計やレポート作成、定型的な分析は、今後さらに自動化されていく可能性があります。
AIに任せるのは、何を・どうやるかという情報処理。人が担うのは、なぜやるのか・誰を動かすのかという意味づけと合意形成。私の中では、この線引きがはっきりしています。AIに書かせる時代だからこそ、翌朝の問いを立てる力と、AIの出力を疑って境界線を見極める力が、データサイエンティストの価値になります。
AIが進化するほど、人にしかできない仕事は何か。分析屋の代表が、自身の歩みとあわせて語っています。
→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
データサイエンティストになれる人の特徴【スタート地点がわかるセルフチェック付き】
向き不向きは、技術の得意不得意より、「何のために技術を使うか」を考えられるかで決まります。
なれる人の特徴
・ 「何のために使うか」から考えられる人：手法を選ぶ前に、翌朝の問いを自分に向けられる人です
・ 相手の意図をくみ取り、認識を合わせながら前に進められる人：分析の目的は、最初からきれいに決まっているとは限りません
・ 一人で考え抜く時間も楽しめる人：データとじっくり向き合う時間と、関係者と認識を合わせる時間の両方がある仕事です。内向的な方にも向いています
・ 学び続けられる人：技術は次々に変わります。手触りをつかみ直し続けることが成長につながります
・ 数字の背景が気になる人：「なぜこうなっているのか」を掘り下げたくなる人です
スタート地点がわかるセルフチェック
次の5つのうち、当てはまるものを確かめてください。どのルートから始めればよいかがわかります。
□ A：SQLで、データベースからデータを取り出したことがある
□ B：要件定義やシステム開発に関わったことがある
□ C：集計や可視化の結果を、誰かに説明して判断を求めたことがある
□ D：依頼を受けたとき、「誰の、何が困っているのか」を確かめてから動くことが多い
□ E：数字や表を見ると、その背景にある理由を知りたくなる
| 当てはまった項目 | あなたのスタート地点 |
| AとBが当てはまる | エンジニア経験者ルート。「動かす（Python）」から始めましょう |
| AとCが当てはまる | 分析経験者ルート。「読み解く（統計）」から始めましょう |
| A〜Cがどれも当てはまらない | 未経験ルート。「取り出す（SQL）」から始めましょう |
| DとEが当てはまる | どのルートでも、意思決定伴走型の素地があります。技術を足すことで、強みを活かせる可能性が高い状態です |
どのルートでも、分析屋がスキルより先に見ているものがあります
→分析屋はなぜスキルオンリー採用ではないのか
データサイエンティストにおすすめの資格：学習順の「確認テスト」として使う
資格は、学習順の進み具合を確かめる「確認テスト」として使うのがおすすめです。受験勉強の模試のように、いまの実力と次に伸ばすところを知るための道具です。資格を集めること自体を目的にしないことが大切です。
| 学習の段階 | 資格の例 | 確かめられること |
| 1. 取り出す（SQL） | データベーススペシャリスト試験、OSS-DB技術者認定試験 | データベースとSQLの理解 |
| 2. 動かす（Python） | Python3エンジニア認定データ分析試験 | Pythonを使ったデータ分析の基礎 |
| 3. 読み解く（統計） | 統計検定 | 統計の知識と、データを読み解く力 |
| 4. 予測する（機械学習） | G検定、E資格 | AI・ディープラーニングの知識と実装力 |
| 全体の確認 | データサイエンティスト検定 | データサイエンティストに必要な基礎の全体像 |
資格の勉強は、学習の段階ごとの目標として役立ちます。ただし、資格を取ったことと、現場で価値を出せることは別です。資格の勉強をしているときも、「この知識で、誰のどんな痛みを消せるか」という翌朝の問いを持っておくと、学びが実務につながりやすくなります。
分析屋が考える、本質的なデータサイエンティスト
分析屋では、本質的なデータサイエンティストを、技術だけではなく、データを使って顧客や現場の判断を前に進められる人材と捉えています。
分析屋は、技術を使うこと自体が目的になってしまう人を「ゴリラ」と呼び、技術で相手を押し切るより、顧客と一緒に考えられる人を評価しています。
参考：「社風はゴリラゼロ・ネコ多め」 冒頭でお話しした「技術に恋をする」失敗と、同じ問題意識です。
戦略を描く上流と、システムをつくる開発。分析屋はその片方ではなく両方を一社で担っており、自らを「中流」と位置づけています。社員の出身も元SEと元非SEがほぼ半々で、技術特化だけではなく、技術とビジネスの間に立つ橋渡し力を活かせるキャリアがあります。
参考：「分析屋はなぜスキルオンリー採用ではないのか」
現場の実感も同じです。需要予測システムのチームを率いる社員は、データ分析の仕事を始める前は「データから傾向を見つけて、最適な施策を示す仕事」だと想像していたそうです。ところが実際には、「そもそも何のためのプロジェクトか」「誰に何を判断してもらうのか」を整理することのほうが多かった、と語っています。まさに意思決定伴走型の仕事です。
いま注目されているFDE（Forward Deployed Engineer）も、同じ流れの中にあります。FDEは、顧客の現場に入り込み、AIやソフトウェアの導入から業務への定着、成果の創出までを支えるエンジニアです。たとえるなら、製品を届けて終わりの配送係ではなく、届けた先で使いこなせるまで寄り添う専属コーチのような存在です。
参考：「FDEとは？AI導入を成果に変える仕事の内容・必須スキル・年収を解説」
技術を顧客の成果につなげるという点で、意思決定伴走型のデータサイエンティストと重なります。
シリコンバレーで出会ったプロダクトマネージャーたちも、技術とビジネスの間で板挟みになって悩むのではなく、プロジェクトの価値を基準に自ら決め、両側を引っ張っていました。技術とビジネスの両方の言葉がわかる人は、これからさらに必要とされると、私は確信しています。
→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。
→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
データサイエンティストになるには？よくある質問
Q. 未経験からデータサイエンティストになれますか？
A. 技術力にまだ圧倒的な自信がなくても、折衝・調整・整理の経験はデータ人材への入口になります。ただし、いきなりデータサイエンティストになるより、データアナリストなどを経由して段階的に目指すのが現実的です。まずはSQLから学び始めることをおすすめします。
Q. データサイエンティストにPythonはどこまで必要ですか？
A. pandasなどを使って、データを加工・集計・可視化できることが入口の目安です。高度な実装力より、Pythonを使って何を明らかにし、誰の判断に役立てるかが大切です。
Q. 数学や統計が苦手でもデータサイエンティストになれますか？
A. 最初から高度な数学は必要ありません。平均とばらつき、相関と因果の違いなど、結果を正しく読むための基礎から始めましょう。学習順では、統計は3番目の「読み解く」段階で本格的に学びます。
Q. データサイエンティストになるには、どのくらいの期間がかかりますか？
A. これまでの経歴とスタート地点によって大きく変わるため、一概には言えません。期間を気にするより、自分のルートを確かめ、学習順に沿って一段ずつ進むことが近道です。
Q. データアナリストとデータサイエンティストの違いは何ですか？
A. 大まかに言えば、データアナリストは「いま何が起きているか」をデータで明らかにし、データサイエンティストは統計や機械学習で「これから何が起きるか」まで予測する役割を担うことが多い職種です。データアナリストから経験を積んでデータサイエンティストを目指す道もあります。両者の違いは「データサイエンティストとデータアナリストの違いを詳しく解説」をご覧ください。
Q. データサイエンティストになるのに資格は必要ですか？
A. 必須ではありません。ただし、学習の段階ごとの理解度を確かめる「確認テスト」として使うと、学習の目標が立てやすくなります。
まとめ：全部を完璧にする前に、自分のルートと学習順を決めよう
データサイエンティストは、コードを書く人ではなく、データを正しく解釈し、意思決定やビジネスに貢献する人材です。そのためには、Pythonや機械学習だけでなく、SQL・統計・業務理解・課題設定・説明力が必要です。全部を完璧にしてから動く必要はありません。自分のルートを確かめ、「取り出す→動かす→読み解く→予測する」の順に、一段ずつ進んでいきましょう。
冒頭の問いを、もう一度思い出してください。そのデータで、誰のどんな痛みを消すのか。この問いを持ち続けられる人が、データサイエンティストとして長く必要とされます。
そのうえで、データサイエンティストを目指す方、そしていま技術とビジネスの壁に悩んでいる方に、私が贈りたい言葉があります。
「『データの代弁者』で終わるな。『ビジネスの演出家』になりなさい」
データやAIは、映画を面白くするための最新のCG技術や、優れた脚本のようなものです。本当にやるべきことは、そのデータを武器にして、経営層や現場という「観客」の心を動かし、行動を変え、ビジネスという作品をヒットに導くことです。
技術とビジネスの狭間に立つことは、ときに文化の違いや利害の対立で板挟みになり、孤独で苦しいものです。私自身、シリコンバレーで言葉や文化の壁に絶望し、救急車のベッドの上で心が折れそうになったことがあります。それでも、両側の言葉と痛みがわかるという泥臭い経験こそが、AI時代における人間ならではの価値になると、いまは確信しています。
どうか、その調整や翻訳のプロセスを誇りに思ってください。そして、あなたにしかできない演出で、ビジネスを動かしていってください。
「エンジニアになるというより、自分の武器を増やしていく」。非エンジニアから機械学習チームのリーダーになった分析屋の社員は、未経験から挑戦する人にそう語っています。技術は、あとから足すことができます。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
