データサイエンティストになるには？未経験からのルートと準備【2026年】

2026年9月21日

本メディアはRaiseTech（PISTEC株式会社）が運営しています。

「データサイエンティストになるには、何から始めればいいのでしょうか」
「未経験から目指せるのか、大学院に行かないと難しいのか知りたいです」

この記事は、そんな疑問を持って「データサイエンティストなるには」と検索したあなたのために書きました。

結論から言うと、未経験からでも目指せますが、入口の選び方で到達しやすさが大きく変わります。データサイエンティストは「分析して、意思決定の材料を出す」仕事なので、技術と同じくらい、問いを立てて結論を説明する力が見られます。

この記事では、未経験からの3つのルート、身につける4つの力、分析職ならではの制作物の作り方、選考で見られること、向いている人を解説します。

RaiseTech（レイズテック）は、受講者数2,500名超え！現役エンジニアが講師を務めるAIエンジニア育成のオンラインスクールです。未経験からのエンジニア転職を支援してきた現場で見てきたリアルな情報をもとにお伝えします。

データサイエンティストの仕事を一言で

データサイエンティストは、データから意思決定の材料を出す仕事です。成果物は、多くの場合、社内の意思決定者に届く分析結果や示唆です。

① 問いを立てる：事業側と話し、何が分かれば判断が進むのかを決めます
② データを整える：欠けた値や表記の揺れを直し、分析できる形にします。多くの現場で最も時間を使う工程です
③ 分析する：集計、可視化、統計的な検証、必要に応じて機械学習を使います
④ 説明する：結果を資料にまとめ、専門外の人にも判断できる形で伝えます

この流れのうち、①と④が、他の技術職との一番の違いです。技術的に正しい分析でも、問いがずれていれば使われず、説明が伝わらなければ判断は変わりません。

具体的な場面で考えてみます。「売上が落ちている理由を知りたい」という相談を受けたとき、すぐに全データを集計し始めるのではなく、「どの商品の、どの顧客層で、いつから落ちているのか」を切り分けられる問いに直すのが最初の仕事です。問いが具体的になれば、必要なデータと分析の方法が自然に決まります。

AIエンジニアとの違いは、成果物が誰に届くかです。AIエンジニアの成果物はサービスを通じて利用者に届き、データサイエンティストの成果物は社内の意思決定者に届きます。

→ 2つの職種の違いはAIエンジニアとデータサイエンティストの違いで詳しく整理しています。

未経験からの3つのルート

未経験からの入口は、大きく3つあります。今の仕事と、使える時間によって現実的なルートが変わります。

ルート	内容	向いている人
① 社内で分析業務に近づく	今の部署でデータを使った業務を担当し、分析の実績を作ってから専任に移る	事業部門で数字を扱っている人
② エンジニア職を経由する	開発やデータ基盤の仕事で実務経験を積み、分析の役割に移る	技術の実務経験を先に作りたい人
③ 直接応募する	分析の制作物を用意して、未経験可の求人に応募する	学習に十分な時間を割ける人

最も見落とされやすいのが①です。分析で最も難しいのは手法ではなく、何を分析すべきかを決めることです。事業の現場にいる人は、ここに最初から答えを持っています。外から入る人が時間をかけて身につける部分を、すでに持った状態から始められます。

③は、入口として細くなります。統計や研究の素養を求める求人が一定あり、未経験者が分析の実力を短期間で示すのは難しいためです。ただし、業界の知識と組み合わせた分析の制作物があれば、話は変わります。

大学院については、必須ではありません。研究寄りの職種や一部の企業では専門的な学位が評価されますが、事業の意思決定を支える分析の仕事では、実務で使える力のほうが重視されます。

①のルートを選ぶ場合の動き方も書いておきます。まず今の業務で、手作業で集計している数字や、感覚で判断している場面を1つ選んでください。それをデータで確かめ、結果を上司や関係者に共有する。小さな分析でも、判断が変わった実績が1つあれば、社内で分析の役割を任される根拠になります。社外に転職する場合も、そのまま職務経歴書に書ける材料です。

→ 未経験からの転職の全体像は未経験からAIエンジニアになれる？も参考になります。

身につける4つの力

必要なものを4つに分けると、学ぶ順番が決まります。

力	中身	順番
データを扱う力	SQLでデータを取り出す、Pythonで加工・集計・可視化する	最初
統計の考え方	平均やばらつき、差に意味があるかの判断、偏りに気づく力	2番目
機械学習の基礎	予測や分類の手法を選び、評価できる	3番目
説明する力	結果を資料にまとめ、専門外の人に判断できる形で伝える	最初から並行して

最初にSQLを入れているのには理由があります。業務のデータの多くはデータベースにあり、取り出せなければ分析が始まりません。Pythonと同じくらい、実務では毎日使う道具です。

統計については、概念の理解は必要ですが、数式を手で解く必要はほぼありません。「この差は偶然でも起きる程度か」「このデータに偏りはないか」を考えられることが大事です。AIエンジニアと比べると、統計の比重は高くなります。

そして、4つ目の説明する力は、最後に学ぶものではありません。分析するたびに、結果を短い文章にまとめる練習をしてください。これがそのまま、選考で見られる制作物の質になります。

学ぶ順番で迷いやすいのが、機械学習をいつ始めるかです。集計と可視化で分かることは、想像以上に多くあります。機械学習は、集計では答えられない問い（将来の予測、大量の分類など）が出てきた時点で加えれば十分です。最初から高度な手法を使おうとすると、データの性質を理解しないまま結果を出してしまいがちです。

→ 数学の範囲はAIエンジニアに数学は必要？で整理しています。

→ Pythonの到達ラインは AIエンジニアのためのPython学習で段階ごとにまとめています。

分析職ならではの制作物の作り方

データサイエンティストの制作物は、AIエンジニアとは形が違います。動くアプリより、「問いと結論」が見えることが大事です。

① 問い：何を知りたいのか、それが分かると誰の何の判断が進むのか
② データ：どこから取得し、どう整えたか。欠けていた値や偏りをどう扱ったか
③ 分析：どの手法を選び、なぜそれを選んだか
④ 結論：結果から何が言えて、何が言えないか
⑤ 次の打ち手：この結論を受けて、何をすべきか

この中で差がつくのは④の「何が言えないか」です。分析には必ず限界があります。データの範囲、偏り、因果関係と相関の違い。これを自分から書ける人は、分析を理解していると評価されます。

題材は、自分の仕事や身近な場面のデータが向いています。公開されているデータを使う場合も、「自分の業界の判断にどう使えるか」まで書くと、単なる練習問題との違いが出ます。

見せ方についても1つ。分析のコードだけを公開するのではなく、結果をまとめた短いレポートを添えてください。読み手がまず見るのは結論とグラフで、コードはその裏付けとして確認されます。レポートの冒頭に「問い」と「結論」を3行で書いておくと、忙しい採用担当者にも伝わります。

→ 制作物の作り方の全体像はAIエンジニアのポートフォリオ作り方も参考にしてください。

選考で見られること

分析職の選考では、技術的な正しさと同じくらい、考え方の筋道が見られます。

見られること	聞かれ方の例
問いの立て方	「なぜその問いを選んだのか」「その結果で誰の判断が変わるのか」
手法の選び方	「なぜその手法にしたのか」「他の方法は検討したか」
結論の伝え方	「専門外の人に、この結果をどう説明するか」

3行目は、面接の場で実際に説明を求められることがあります。専門用語を使わずに、結果と、それが意味することを短く話せるかが見られます。練習として、自分の分析結果を家族や友人に説明してみると、伝わらない箇所が分かります。

応募書類では、分析の結果で「誰の、どんな判断が、どう変わったか」を書いてください。前職で数字を扱っていた人なら、その経験がそのまま材料になります。「売上データを集計した」より「集計結果をもとに、仕入れの量を見直す判断につながった」のほうが、分析の価値が伝わります。

求人を探すときは、職種名に注意してください。データサイエンティスト、データアナリスト、分析担当など、同じような仕事が別の名前で募集されています。名前ではなく、業務内容で判断するのが確実です。

→ 求人の見方はAIエンジニア求人の探し方・見方、年収の実態はAIエンジニアの年収にまとめています。

向いている人・ミスマッチが起きやすい人

最後に、この仕事との相性を整理します。

向いている人	ミスマッチが起きやすい人
「なぜそうなるのか」を考えるのが好き	決まった手順どおりに進めたい
事業側の人と話して、課題を聞き出せる	技術者どうしで完結したい
結果を文章や資料にまとめるのが苦にならない	作ったものが動くのを見るほうが好き
結論に「分からない」と書くことを恐れない	いつも明快な答えを出したい

右の列の3行目に当てはまる人は、AIエンジニアのほうが合っている可能性があります。どちらも、データを扱う・Pythonを使う・機械学習の基礎を持つ、という土台は共通です。土台を作ったあとで方向を決めても遅くありません。

4行目も大事な適性です。分析の結果は、いつも明快とは限りません。データが足りない、偏っている、はっきりした差が出ない。そうした結果を正直に伝え、次に何を調べればいいかを提案できる人が、長く信頼されます。

どちらに進むとしても、共通して求められることがあります。言語を覚えることはスタートライン。現場で価値が出るのは、何を作るかを設計し、AIに正しく指示し、出力をレビューして品質を担保する力です。分析の仕事でも、生成AIを使って集計や下書きを速くする場面は増えています。そのとき価値を持つのは、何を問うべきかを決め、出てきた結果が正しいかを判断できる力です。