【徹底解説】未経験からデータサイエンティストになる方法

近年注目を集め、需要が高まる職種であるデータサイエンティスト。
では、未経験からデータサイエンティストを目指すには何をすれば良いのでしょうか？
この記事では、データサイエンティストになるための方法を徹底解説します。

データサイエンティスト転職市場の現在

データサイエンティスト転職を目指す上で、どのような戦略を立てるかを考える必要があります。
ＳＷＯＴ分析で、自身の置かれた環境を整理しておきましょう。

データサイエンティスト実務未経験者目線でのSWOT分析

ＳＷＯＴ分析はマーケティング戦略を考えるフレームワークです。
強み、弱み、機会、脅威の四つのセグメントに分けて、整理します。

図のように、強み/弱みと、内部環境/外部環境という形で分けてみましょう。

強み×内部環境（Strength）

データによるビジネス課題解決ニーズの強さ
データサイエンティストとしてどんな特徴がある人を採用・育成したいかというアンケートによると、最も高い割合を占めているのが、データによるビジネス課題の解決を得意とする人材です。

データをもとに何かを企画したり生産性を改善したり、成果をあげるための工夫をすることは、どんな仕事でも求められます。
データサイエンティストとしての経験が浅くても、ビジネスの経験があり、売上を上げるためにどうすれば良いかといった、ビジネス課題を解決できるスキルがあれば、勝負できるということです。
また、経験のあるビジネス領域の課題への造詣が深ければ深いほど、データサイエンティストとしての差別化にも繋がっていきます。
今の仕事と同じ業界であれば、すでに持っているドメイン知識が活かせるので、転職先として有効かもしれません。

強み×外部環境（Opportunity）

データサイエンティストの市場規模の拡大
データサイエンティストの市場規模は、2、3年前までは4万人程でしたが、わずか5年で3倍にまで広がっていっています。
このまま順調にいけば、2023年には14万人まで、人材ニーズの規模が増加していくことが予想されます。
アンケート調査の結果では、この1年でデータサイエンティストを増やした企業は全体の49%でした。内訳としては社内の異動や育成より、中途や新卒など外部からの採用が多くなっています。
2020年はコロナが広まったことにより、多くの業界・職種で採用自体が控えられた傾向にありますが、それでも社内に専門性が高い人材が足りていないため、外部から採用する企業が増えています。

弱み×内部環境（Weakness）

未経験採用の割合の減少
2019年と2020年で、中途の場合の経験者と未経験者の採用割合についてのアンケート結果があります。
それによると、この1年で、経験者のみを採用する企業が増加しているのに対し、未経験者のみを採用する企業はほとんどない状況ということが分かります。
人材ニーズ自体は市場全体で増加しているため、未経験でも採用が全くなくなるわけではありません。
ただ、競争率が上がったことで、よりスピーディーに挑戦していく人や、独自性をもっている人が採用されやすく、経験者の中での採用ハードルは今後上がっていくと考えられます。

データエンジニアのニーズの強まり
次に、データサイエンティストを以下3つのタイプに分けた時に、どのタイプのニーズが高いか調査したアンケートがあります。

• タイプ1：データマーケター
  ビジネス課題を抽出し、データ分析を活用して、課題解決できる人材
• タイプ2：データアナリスト、データサイエンティスト
  統計学や人工知能などの知識を理解し、ソフトを用いた専門的な分析ができる人材
• タイプ3：データエンジニア
  データ分析を目的として、プログラミングの知識をもって、データの収集加工やシステムへ実装ができる人材

このうち、タイプ3：データエンジニアの人材のニーズが高いと言えます。
未経験からデータサイエンティストを目指す人で、プログラミングの知識も持っている人材があまりいません。
ニーズにこたえられる人材が少ないため、バックエンドエンジニアなどの経験がある人は、強みとしてその経験を活かせるでしょう。
また、ビジネス課題を解決するような人材を求める企業も、全体の3割のニーズがあるので、そのような経験があり、他の人と差別化ができれば、市場から求められるような人材になります。

弱み×外部環境（Threaten）

autoML（AutomatedMachieneLearning）サービスの普及
Web サイト開発と同じように、ノーコードで機械学習分析ができるSaaSサービスが発達してきています。
機械学習の企業における活用プロセスには、ビジネス課題の特定、システムの設計、モデルの作成、システムへの組み込み、システムの運用というフローがあります。
このうち「モデル作成」の一部を自動化するGoogleAutoMLなどのサービスが、我々が目指しているデータサイエンティストのスキルを代替していく可能性があることが、脅威と考えられます。
ただし、これらのサービスが発展してくると同時に、それを適切に運用・実装できる人材のニーズも発生してきます。
例えば、 ECサイトの立ち上げサービスがこのコロナ禍で発達し、広がりを見せていますが、実際はビジネスオーナーが誰でも簡単にECショップを立ち上げられているわけではありません。
クラウドソーシングなどに出ている案件を見ていると、Shopifyでサイト構築から運用まで、全て丸投げする依頼などが見受けられます。
このようなサービスは便利ですが、まだまだかゆいところには手が届かないため、完全に人に代替されるのではなく、共存していくと考えられます。

データサイエンティスト転職の戦略

データサイエンティスト転職の戦略について、なぜ今データサイエンティストになるのか、どんなデータサイエンティストを目指していくのか、実際にどう戦略を立てていくかという3つのパートで解説します。

ＷＨＹ「なぜ今、データサイエンティストか？」

データサイエンスを学習していく中で、なぜそれを目指しているのか、自分のなかで整理してみましょう。
代表的なフレームワークのひとつである、Will-Can-Mustを使って考えていきます。
自分のやりたいことは何なのか、学習の先に何を実現したいのか、言語化していくことが大切です。
出来る事をどんどん広げていくことで、Will、Can、Mustの3つの和の総面積が比例して大きくなっていくと考えられます。
スキルが上がっていくにつれて、できることについての理解も深まり、やりたいことも明確になってきます。
データサイエンティストを目指すための戦略の第一歩として、スキルを磨くことと並行して、自分がやりたいことの言語化も意識しましょう。

ＷＨＡＴ「どんなデータサイエンティストを目指すか？」

データサイエンティストとしてのタスクを４つに分解し、どのフェイズにどの職種があるのか、全6種に分けて解説します。

①ビジネスアナリスト

最初のフェイズを担当する仕事で、分析・企画からプロジェクトの立ち上げ、システムを組み込む場合の業務プロセスの設計を行います。
ビジネス課題を整理し、プロジェクトを通じて、解くべき課題を設計するのがビジネスアナリストです。
この職種には、現場レベルでの業務プロセスやユーザー、クライアントの課題に対する深い理解が必要とされます。
会社の規模によっては、マーケティングや企画などの職種になる場合もあります。
これまでの業務で、事業のＫＰＩに対して、改善ポイントを設定して、数値を細かく組み立てながら PDCA を回した経験がある人は、ビジネスアナリストとしての親和性が高いと言えます。

②BIアナリスト

フェイズ1から2の間を担当して、ビジネス課題を洗い出すための分析データの可視化を担当する職種です。
ビジネス課題を定常的に把握していくためのモニタリングに向けて、BI ツールを活用して経営陣へレポートするための、データの可視化を進める仕事です。
可視化することで、日々移り変わるビジネス課題に対する現状を、定量的に把握できるようになるので、重要なポジションです。
エクセルを使ってデータを可視化した経験の他、BI ツール（Power BI 、Tableau、Looker、Re:dashなど）の利用経験も求められます。
ベーシックな能力としてＳＱＬが書ける、データ抽出のツールを使ってデータ収集、可視化した経験がある方は親和性が高いでしょう。

③データアーキテクト

フェイズ1から2の間を担当していて、データの収集、運用保守を実行する仕事です。プロジェクトの大前提となるデータを集めてきて、データベースの中に溜めていき、データの品質を担保しながら補修していく仕事です。
データベースマネジメントの経験がある方が、知見をもとにビジネスサイドと必要なデータの要件定義や、データの取得方法、どのような形でデータベースに入れていくのかを考えていきます。保守運用について、実装していくスキルが必要です。
このデータアーキテクトが、事業やプロダクトを横断してすべてのプロジェクトの基盤になるデータやフローの設計をしていくことになるので、大量のデータを集めて分析して効率化を進めていくという、企業やプロダクトにとっては必須の存在です。
機械学習エンジニアとも呼ばれます。
インフラエンジニア×データサイエンティスト、といったスキルの人たちがつくポジションです。

④データアナリスト

フェイズ1から2の間を担当していて、プロジェクトの要件定義、プロジェクト自体の設計、分析の一部を実行するようなポジションです。
データサイエンティスト見習いとも言えるかもしれません。
実際にモデリングを進めて、それを評価していくというプロセスの前段までを担当します。
ビジネス要件を固めてから、データを整理するまでの横断したスキルが必要なので、ビジネスサイドとしての能力と、データサイエンティストとしての能力の両方が求められるポジションです。
未経験からの転職で一番多いのがこのポジションです。

⑤データサイエンティスト

ビジネス課題の整理から、プロジェクトの設計、実際にアルゴリズムを活用してモデルを構築し、効果検証していくというプロセスの全てを担っていく仕事です。
データアナリストと似てはいるものの、一段レベルアップした、より高いスキルを持った人をデータサイエンティストとしています。
会社やプロジェクト単位によって分かれますが、フェイズ1までデータサイエンティストが行うのは、難易度が高く、プロフェッショナルな人が①から③まで担当していることがあります。
また、②と③のみ担当している場合も多いです。
ビジネス解決ができて、設計や分析もできるデータサイエンティストは非常に少ないので、特に市場価値が高い存在と言えるでしょう。

⑥データエンジニア

システムを実装して、実際の業務に反映していくフェイズを担うエンジニアです。
データ分析の結果を、どのようにシステムに組み込んでいくかを考えます。
Web エンジニア、アプリケーションエンジニアとしてのスキルと、データサイエンス周りのアウトプットを使えるようなスキルセット、この二つが必要です。

データサイエンティスト周りの職種は多数あるため、データサイエンティストと名乗っていても、厳密にはもっと広い範囲を担当している場合もありますし、必ずしも⑤データサイエンティストの年収が一番高い、というわけではありません。
いまはデータサイエンティストという仕事自体の定義が定まっていない状況です。データサイエンスのプロジェクト全体では、6つの仕事内容があるので、そのうち、どのスキルセットでどういうポジションなら、自分の理想に近づいていけるかを、考えてみると良いでしょう。
実務未経験の場合、ビジネスアナリストやデータアナリストの職種での転職実績が目立ちます。
⑤を目指していきたいと考えている人も多いかもしれませんが、最初はフェイズ１、２を担いつつ、段階的に自分のできることを広げて、市場価値を上げていく方法もあります。

ＨＯＷ「どのように登り方の戦略を立てるか？」

データサイエンティストになるための戦略を、３つのステップに分けて解説します。

ステップ0：自分の現状を客観的に把握し、学習の資産化を進める

理想のデータサイエンティスト像が明確化されたら、現在の自分とのギャップを把握することが大事になります。
転職を意識した場合、自分のレベルだけでなく、その市場における他の人のスキルレベルが相対的に重要になってきます。
未経験の人のなかで 自分がどんな順位、位置にいるのかを定期的に把握するように意識しましょう。
経験者含む場合では、参加しているコンペなどで、客観的に分析アウトプットの順位を把握することで、自分のレベルや相対的な立ち位置を把握するようにしましょう。

また、転職活動においてはポートフォリオが求められるため、学習の資産化を進めていくことも大事です。
アウトプットとしてコンペの実績やGit上のコード、学習内容のブログ化やSNSでの発信など、資産として構築して、見せられるようにしていくことをおすすめします。

ステップ1：今、転職するかしないか決める

今転職するかしないをか、決めた上で、次の4パターンのポジションのいずれかを目指していきます。

①転職しないで社内データサイエンティストになる
今の会社で、データサイエンティストのポジションにつきます。
会社を変えないため、在籍している会社での評価を引き継いだ上で、ローリスクで確実な業務経験を積む登り方です。
比較的、未経験の方でも親和性が高いといえます。

②転職しないで副業データサイエンティストになる
副業データサイエンティストとしてのポジションを、狙っていくパターンです。
副業が認められている企業に在籍している場合、副業案件をこなしてスキルアップし、最終的にデータサイエンティストとして、事業会社に転職する方法です。

③データコンサル会社/事業会社に転職する
DX を推進したいと考えている企業に、コンサルタントとして入り込んでいき、クライアントの課題を解決するための仕事を担っていくパターンです。
データ分析をメインとするコンサル会社は裾野が大きくないので、未経験者をしっかり育ててから、現場に出すというケースが多いです。
全くの未経験という扱いになってしまうので、転職前より年収が下がるリスクがかなり高いですが、しっかりと育成してくれて、プロジェクトに入り込むまでのプロセスを体験できます。
未経験者の人でも親和性が高い登り方です。

④事業会社に転職する
すでにあるプロダクトに対し、データサイエンティストとして改善するためのポジションでの事業会社への転職です。
このパターンは、難易度が高いと考えられます。
経験やスキルが高くないと目指せないため、未経験者との親和性は低いでしょう。

ステップ2：決めたポジションを目指す

①転職しないで社内データサイエンティストになる
市場としては外部に専門性の高い人材を求めている企業が増えているので、このポジションを狙っていくには、中途で外部から採用される人材との競争になります。
メリットとしては、その会社での経験を活かしながら働ける点です。
自分を会社に売り込んでいくことが求められますので、社内公募がある企業なら、積極的に応募するという方法もあります。
中途採用のデータサイエンティストは、データサイエンスに詳しくても、その会社のサービスに対するドメイン知識は元々在籍している社員には劣る部分があります。
そのため、サービスに関する圧倒的なドメイン知識をつけて、中途の人と差別化することで、勝負できる可能性が高まります。
ポジションがない場合は難しいですが、新たにプロジェクトを立ち上げる、機会を作っていくという動きをすることもできます。諦めずにチャレンジしてみましょう。

②転職しないで副業データサイエンティストになる
単価を選ばなければ、クラウドソーシングで受注できる可能性が高い方法です。
メリットとしては、現在の収入や環境を変えずにチャレンジができるため、ノーリスクに近いことです。
デメリットは、実務経験や実績がなくてもできる案件が非常に少ない点、あったとしても単価が低い案件や、成長曲線はあまり高くない仕事がメインになる点です。
既にあるデータから分析する仕事や、データの可視化、可視化したものからどういう示唆が得られるかアドバイスする案件や、分析してアウトプットを出したものを評価する仕事がクラウドソーシングで出ていることがあります。
実務経験がない中で、他と差別化できる要素は、受注単価を下げることしかありません。
クラウドソーシングでは、お客様に選んでもらうという考え方になります。
エンゲージや求人ボックスなどで探して、副業として取り組んでいく登り方もできます。
プロジェクトを選ばなければ、未経験の方にもおすすめです。

③データコンサル会社に転職する
データコンサル系の企業は、育成環境を整えているところが多く、基礎スキルとして MySQLが書ければ採用するケースもあります。
入社後半年ほど勉強して、コンサルとして送り出せる能力をつけさせてもらえるので、いまのスキルが高くなくても、データサイエンティストとしての一歩を踏み出せるというメリットがあります。
デメリットとしては、プロジェクトを自分の思い通りには選べないケースが多いことです。第二新卒ラインの年収レベルになってしまうので、それまでの経験値を活かして、この方法で年収をあげることは難しいでしょう。
求人サイトから応募して、資産化したスキルをアピールしながら、採用してもらうことを目指す、または、転職エージェントで希望の会社を紹介してもらい、そこでの採用を目指していく登り方になります。

④事業会社に転職する
事業会社のデータ部門への転職です。
興味のあるプロダクトに貢献できたり、価値提供できたりすることは大きなメリットです。
デメリットとして、採用枠がかなり少ないため、未経験者にとっては採用のハードルが高いことです。
これを達成するにはまず、副業でプロジェクトの経験を積んでいったり、コンサル会社で様々なプロジェクトに入ったりして経験を積み、アピールできる状態にする方法があります。
また、希望の会社と同じようなビジネスモデルやドメイン知識をつける、コンペで実績を出し評価を受けることでアピールできる状態をつくり、転職を決めた人もいます。

基本的には、実務経験を積んでいくことが遠回りのように見えて近道です。
経験がなくても、そのビジネスのドメイン知識、深い知見、ビジネス課題の整理ができれば、それを評価されて、転職が成功した事例もあります。

データサイエンティスト転職に向けた正しい努力

日々の学習に取り組む上で、どこまでのスキルを身につける努力をすることが大切なのでしょうか。
ポジションによって求められるスキルレベルは変わります。
実際に転職をされた方々の事例をもとに、それぞれのポジションでどれくらいのスキルが必要か、整理してみます。

社内データサイエンティスト

社内データサイエンティストであれば、6つの職種のうち、ビジネスアナリストに近いものや、営業企画のような職職種もあります。
社内で求められるスキルセットと、プロジェクトのなかでどこまで自分が担うのかに合わせて、必要なスキルを設定してください。

副業データサイエンティスト

副業データサイエンティストのタスク内容は、ビジネスアナリストやデータアナリストのポジションのものが多くなっています。
クラウドソーシングや知人からもらう仕事に関しては、データ抽出、前処理、加工して可視化したものを考察して、そのデータから見える傾向を可視化、言語化するスキルなどが必要になります。

データコンサル会社

データコンサル会社についても同様で、代表的な職種としてビジネスアナリスト、データアナリストアウト、データサイエンティストもスキルがあれば含まれます。
会社によりますが、一定のスキルがあれば内定という会社もあります。
キノコードやデータサイエンティスト養成講座で学んで、一通りモデルを回してコンペに出られるスキルセットがあれば、基本的にはデータコンサル会社に対応しているレベルのスキルだと言えるでしょう。
今後、そのようなスキルを持つ人が増えてきた時に、採用の基準が変わる可能性がありますが、現時点ではそこまでできれば基礎力があるとみなされ、採用されるケースがかなり高いでしょう。

事業会社

会社がどこまで準備しているかによりますが、必要なスキルとしては、その事業に関連するドメイン知識、その職種に紐付く知識が求められます。
実務経験や人間性を強みにしないと、なかなか難しい状況です。

効率よく転職活動を進めるポイントは？

大事なポイントとしては3つです。
まずは、転職活動やキャリア戦略のベースとなるWHY、WHAT、HOW部分をしっかり言語化して整理することです。

次に、自身のスキルセットを客観的に把握することです。
未経験者でも、外部コンペやコミュニティ内での相対的な立ち位置を把握しましょう。データサイエンティストのスキルチェックシートもあるので、自分がどのレベルに当てはまっているか、評価をしていきましょう。
スキルの客観的な把握、資産化を積み重ねていくと、転職活動での書類選考が通りやすくなったり、エージェントとの面談の中で円滑に話ができたりします。

最後に、転職やキャリア戦略がうまくいくかどうかは、市場環境に左右される部分も大きいので、コンサルタントや転職エージェントに相談しましょう。
自分のスキルが、理想に到達する上で適切なのかどうなのか、自分だけで考えても整理できないこともあります。
そのような場合はプロに相談しながら進めるのがおすすめです。

<出典>
図中のスライド内の図表は、内閣府「ＡＩ戦略 2019 ～人・産業・地域・政府全てにＡＩ～」より引用