最終更新: 2026年11月5日

データサイエンティストの採用方法|事業の判断に使う力の見極め方

データサイエンティストの見極めでは、分析の手法に加えて、結果が事業の判断にどう使われたかを確認します。事業の分析、効果の検証、予測モデルの開発、データ活用の推進から役割を選ぶと、データアナリストの求人との違いも明確になります。

永井涼平HRdev代表

データサイエンティストを採用するときは、分析の手法だけでなく、結果を事業の判断に使ってもらってきた経験があるかを確認します。データサイエンティストという職種名は、集計とレポートの作成が中心の求人にも、研究に近い求人にも使われています。そのため、同じ職種名で探しても、自社が任せたい仕事をしてきた人が見つかるとは限りません。

データサイエンティストは、統計や機械学習を使ってデータを分析し、事業の判断や予測に使える結果を出す職種です。数字を出すだけでなく、その結果から何をどう判断すべきかを示すところまでを担います。職種の定義や関連する用語は、用語集のデータサイエンティストで扱っています。

この記事では、データアナリストや機械学習エンジニアとの違いを含めて、採用するかどうかの判断から、要件の決め方、候補者の探し方と見極め方までを扱います。

データサイエンティストの採用が必要かどうかを判断する観点

分析の結果を使う人が決まっていない会社では、精度の高い分析をしても、社内で使われないまま終わります。データサイエンティストを迎える前に、誰の、どんな判断に分析を使いたいのかを、経営と事業の責任者で確認します。事業の責任者を置いていない会社では、代表や、分析の結果を使って判断する立場の人が確認します。

集計した数字を眺めるだけでは答えが出ない課題には、たとえば次のようなものがあります。

  • 施策を打っても、効果があったのかを数字で説明できない

  • 解約(チャーン)や購入の予兆を、担当者の経験と勘で判断している

  • 需要や在庫の見込みを、毎回手作業の表計算で立てている

  • データは集まっているが、事業の判断にどう使えばよいかが分からない

一方で、決まった数字を毎週集計してグラフにできればよいという段階であれば、分析ツールの導入や、データアナリストの採用で足りる場合もあります。分析に使うデータがまだ集まっていない段階では、先にデータエンジニアを採用し、データを集めて整える仕組みをつくる順番が合うこともあります。確かめたい問いが1つか2つに限られる場合は、業務委託の分析の専門家に検証を依頼し、成果が見えてから正社員の採用に進む方法もあります。

社内で最初のデータサイエンティストとして迎える場合は、分析の結果を使って判断する側の責任者を明確にしておきます。誰が何を確かめたいのかが決まっていないと、データサイエンティストはどの分析から手をつければよいかを判断できません。

データサイエンティストとデータアナリスト・データエンジニア・機械学習エンジニアの違い

データサイエンティストの近くには、データアナリスト、データエンジニア、機械学習エンジニアという職種があります。データを集めて整え、分析して判断に使い、予測をサービスの中で動かすまでの流れに沿って並べると、それぞれの持ち場が分かれます。

4つの職種が担うところ。データエンジニアはデータを集めて整える基盤をつくる。データアナリストは数字を集計し、変化の要因を調べる。データサイエンティストは統計や機械学習で分析し、判断や予測に使える結果を出す。機械学習エンジニアは予測などのモデルをサービスの中で動かす

データエンジニアは、サービスや業務システムで生まれたデータを集め、分析に使える状態に整える基盤をつくります。

データアナリストは、決めた指標をダッシュボードなどで可視化して追い、数字が変わった要因を調べて、判断の材料を出します。

データサイエンティストは、統計の手法や予測モデルを使って、まだ答えの出ていない課題を分析し、施策の効果の検証や、需要などの予測に使える結果を出します。何を確かめるかを決めるところから担うこともあります。

機械学習エンジニアは、予測モデルを、サービスの中で安定して動く仕組みにします。モデルづくりから本番での運用までのどこをデータサイエンティストと分けるかは、会社によって異なります。

AIや機械学習に関わる職種の違いは、AIエンジニア・機械学習エンジニア・データサイエンティストの違いでも比べています。どの職種名で募集するかは、この流れのどこを任せたいかを確認してから選びます。

データサイエンティストの採用が難しい3つの理由

データサイエンティストの採用では、人材の不足に加えて、役割の幅と、分析の成果が経歴に表れにくいことが壁になります。

データを事業の判断に使える人材の不足

IT人材全体では、求人が求職者を上回る状態が続いています。厚生労働省の一般職業紹介状況(2026年8月分)では、ハローワークを通じた「情報処理・通信技術者」の有効求人倍率(常用、パートタイムを除く)は1.48倍でした(厚生労働省「一般職業紹介状況(令和8年8月分)」参考統計表)。この倍率は情報処理・通信技術者全体のもので、データサイエンティストに限った数字ではありません。

データを分析して事業に役立てられる人材の不足は、企業への調査にも表れています。IPA(情報処理推進機構)の「DX動向2026」では、AI関連の人材の充足状況を尋ねた2025年度の調査(図表4-12)で、AIツールでデータを分析し、その結果を自社の事業に役立てる従業員について、不足していると答えた企業が66.5%でした(IPA「DX動向2026」、n=1,783)。データサイエンティストに限った調査ではありませんが、データを事業の判断に結びつけられる人が足りていないと考える企業が多いことが分かります。

データサイエンティストに任せたい役割の企業ごとの違い

自分たちが支援の中で読んできたデータサイエンティストの求人は、おおよそ次の4つの型に分かれます。

役割の型

主な仕事

求人票に出てくる言葉

事業の分析

事業の数字を分析し、課題と打ち手を示す

データ分析、KPI、統計解析、SQL

効果の検証

施策の効果を、実験や統計の手法で検証する

A/Bテスト、効果検証、因果推論

予測モデルの開発

需要の予測や推薦などのモデルをつくり、事業の指標が良くなったかを確かめる

機械学習、予測モデル、Python

データ活用の推進

社内でデータを判断に使う仕組みと習慣を整える。事業の担当者がAIを使って自分で集計や分析を行えるよう、使い方と結果の確かめ方を広める

データ活用推進、データドリブン、分析組織、生成AIを使った分析

「データ分析全般」とだけ書いた求人には、効果の検証と予測モデルの開発のどちらが仕事の中心なのかが書かれていません。

表のKPIは事業の目標に向けて追いかける指標、SQLはデータベースからデータを取り出すための言語を指します。A/Bテストは、施策を当てる組と当てない組に利用者を分け、結果を比べる実験です。因果推論は、主に実験ができない場面で、施策と結果の因果関係を過去のデータから推定する統計の手法です。

表の4つの型から、自社がいま最も必要としているものを選びます。選ぶのは1つ、多くても2つまでです。事業の分析と効果の検証は、同じ人に任せる会社もあります。一方で、事業の分析と予測モデルの開発は、求める経験が大きく異なります。両方を1人に求める場合は、どちらに時間の多くを使ってほしいかの目安を示しておきます。

データ活用の推進の型では、分析の経験に加えて、ほかの部署を巻き込んで進めた経験を求める場合があり、その場合はほかの型より経験の長い人が対象になります。生成AIを使った機能の開発が中心であれば、AIエンジニアの求人として書くほうが合うこともあります。

経歴から読み取りにくい分析と判断のつながり

データサイエンティストの経歴には、使った手法やツールの名前が多く書かれます。一方で、その分析が事業のどの判断に使われ、結果がどう変わったかまでは書かれないことがあります。

肩書きと手法の名前だけでは、自社が任せたい仕事に近い経験かどうかを判断しにくくなります。

データサイエンティストの役割と要件の決め方

データサイエンティストの要件は、PythonやAIといった言葉を並べるところから始めると、型の違う人まで対象に入ってしまいます。最初に、入社1年後に分析の結果がどの判断に使われていれば成功かを書き、そこから必要な経験を逆算します。現場の責任者への聞き方は、現場と目線を合わせる要件ヒアリングの設計で紹介しています。任せない範囲や年収の幅を求人票にどう書くかは、求人票のテンプレートと書き方で扱っています。

採用担当は、経営や事業の責任者(いない会社では代表)から次の項目を受け取り、図の手順で要件に書き起こします。データサイエンティストでは、分析の結果を使って判断する人を、ほかの職種より先に明確にしておきます。

  • 役割の型

  • 誰の直下に置くかと、誰が成果を評価するか

  • 分析の結果を使って判断する人

  • 任せない範囲

  • 入社後1年の成功の状態

  • 年収の範囲

データサイエンティストの要件を決める5つの手順。役割の型を選ぶ、成功の状態を書く、必須と歓迎を分ける、任せない範囲を書く、面談後に見直す

入社後1年の成功の状態

「データを活用してほしい」だけでは、候補者は自分に何が求められているのかを判断できません。「主要な施策について、終了後、あらかじめ定めた期間内に効果を数字で説明できる状態にする」「チャーンの予兆を予測し、営業が毎週の連絡先を選ぶのに使える状態にする」のように、分析の結果が誰のどんな判断に使われるかまで書きます。

必須と歓迎の区分と学歴や研究歴の扱い

成功の状態に照らして、入社後に教えるのが難しい経験だけを必須に残します。データサイエンティストの要件では、統計や機械学習の専門性を学歴や研究歴で確かめるかどうかで、社内の意見が分かれやすくなります。

現場と必須と歓迎を分けるときは、データサイエンティスト協会のスキルの分け方が参考になります。協会は、データサイエンティストに必要なスキルを、基盤、データサイエンス、データエンジニアリング、価値創造、融合の5つのカテゴリに分けています。このスキルの一覧であるスキルチェックリストは、2025年にver.6へ更新されています(データサイエンティスト協会「DS検定®★とは」)。たとえば効果の検証の型ならデータサイエンスと価値創造を、予測モデルの開発の型ならデータサイエンスとデータエンジニアリングを重く見る、というようにカテゴリごとの重みを現場と合意しておくと、必須に置く経験を絞りやすくなります。

「統計学や情報科学の修士以上」のように学位を必須にすると、対象は大きく絞られます。「何を確かめるかを決め、手法を選び、結果を事業の担当者に説明して判断に使ってもらった経験」のように経験の中身を必須にし、学位や論文の実績は歓迎に回すと、事業の現場で分析を重ねてきた人も対象に入れられます。学位の代わりに、公開している分析やデータ分析のコンペティションの実績、社内で新しい手法を取り入れた実績を確かめる方法もあります。

任せない範囲の明記

データサイエンティストには、データに関わる周辺の仕事が集まりやすくなります。とくに、データを集めて整える基盤づくり、毎週の定例のレポート、モデルをサービスで動かす仕組みの3つについては、データエンジニア、事業部の担当、開発チームのどこが担うのかを求人に明記します。

社内にデータエンジニアがいない場合は、分析に使うデータの準備をどこまで本人に任せるかも書いておきます。予測モデルの開発を任せる場合は、モデルを本番に載せたあとの監視や再学習を誰が持つかも明記します。

データサイエンティストの求人に書かれた年収の幅

データサイエンティストの年収の幅を確かめるため、2026年10月に、ATS(採用管理システム)で公開している正社員求人のうち、年収の記載がある61件(47社)を集計しました。スタートアップやIT企業の求人が中心で、1社から数える求人は3件までです。この集計には、データアナリストの職種名で募集している求人も含みます。

求人に書かれた年収

下限

上限

4分の1の求人がこの金額以下

570万円

1,000万円

中央値

700万円

1,200万円

4分の3の求人がこの金額以下

800万円

1,400万円

表の金額は求人に書かれた範囲で、内定時に提示される金額そのものではありません。データサイエンティストの求人では、修士や博士の学位、研究の実績を、上限の金額で迎える条件に置く会社もあります。自社の範囲を設定するときは、固定残業代を年収に含めるかと、上限の金額で予測モデルの開発を任せるのか、事業の分析を任せるのかを確認します。

面談後に要件を見直す日の設定

学位を必須にするかどうかのような判断は、最初の数名と話してから変わることがあります。見直しの日程は、募集を始める段階で現場と確定させておきます。

データサイエンティストに魅力を伝える方法

データサイエンティストの候補者には、自分の分析が実際の判断に使われる環境かどうかを重視する人もいます。使っている手法やツールの一覧より、分析の結果がこれまでどう使われてきたか、これから誰が使うのかを書くほうが、入社後の仕事を想像してもらいやすくなります。

データサイエンティストの候補者に伝わる情報

求人票やスカウトでは、分析の環境について次の点を具体的に書きます。

伝える情報

書く内容

分析の使われ方

分析の結果を、社内の誰が、どんな判断に使おうとしているか

任せる役割

事業の分析、効果の検証、予測モデルの開発、データ活用の推進のどれか

データの状態

分析に使えるデータの種類と量、いまのデータの状態

体制

データの専任は何人いるか、データエンジニアはいるか、相談相手は誰か

これまでの活用

これまで分析が判断にどう使われてきたか

データの整備が追いついていない状態も、そのまま書きます。「購入のデータはそろっていますが、閲覧の記録は一部しか残っていません」と書けば、データの状態に合わせて分析を組み立てたい人には、入社後の仕事が具体的に伝わります。

データサイエンティストの候補者の探し方

統計や機械学習を使った分析は、データサイエンティスト以外の肩書きの人も担っています。データアナリスト、リサーチャー、マーケティングや事業企画の担当者がその例です。

データサイエンティストの候補者を探すときの3つの入り口。職種名、経験の中身、隣接する職種

職種名で探す場合は、データサイエンティストのほか、データアナリストや機械学習の研究者の肩書きを持つ人が対象になります。見つけやすい一方で、多くの企業が同じ層に声をかけています。データアナリストには集計とレポートの作成が中心の人も含まれるため、統計の手法を使って分析してきたかを確認します。

経験の中身で探す場合は、「統計解析」「効果検証」「A/Bテスト」「因果推論」「需要予測」「予測モデルの構築」のような言葉を手がかりにします。PythonやR、SQLのような言語の名前も、経歴によく表れます。ただし言語は使ってきた道具を示すだけなので、分析の深さはプロフィールの記述や面接で確認します。

隣接する職種では、分析も担ってきたデータエンジニア、予測モデルをつくってきた機械学習エンジニア、施策の効果を数字で検証してきたマーケティングや事業企画の担当者が、求める型によっては対象になります。出身によって、声をかける前に確かめる点が異なります。

  • マーケティングや事業企画の担当者は、統計の手法を自分で使って分析した経験を確認する

  • 機械学習の研究者など、研究の経験が中心の人は、分析の結果を事業の判断に使ってもらった経験があるかを確認する

媒体は、任せたい型に合わせて選びます。事業の分析や効果の検証の型なら事業会社で分析をしてきた人が多い媒体、予測モデルの開発の型なら機械学習のエンジニアが多い媒体から優先して使います。「効果検証」「需要予測」のような言葉で各媒体を検索すると、型ごとの経験者の多さを比較できます。

データサイエンティストの候補者の見極め方

データサイエンティストの見極めでは、使った手法の数より、何を確かめるかをどう決め、結果をどう判断に使ってもらったかを確認します。媒体のプロフィールと職務経歴書、公開している分析や論文があればそれも読み、分析の結果が使われた場面の記述を探します。テーマの決め方と手法の選び方は面接で確認します。カジュアル面談を設けるときは、分析に使えるデータの種類と量や、分析の結果の使われ方を具体的に伝える場にとどめ、選考の判断には加えません。書類の段階の判断を人によってぶらさないための表は、書類選考の判定表の作り方にまとめています。

選考を通して確認することの例

ここでは、選考を通して確認することを、マインド・姿勢と、経験・スキルの2つの領域に整理しました。担当してきた分析を題材に、本人が決めた部分と、周りと決めた部分を分けて話してもらいます。

マインド・姿勢では、これから分析と研究のどちらに時間を使いたいか、分析が使われなかったときにどう動くかを確認します。

質問の例

答えから確認すること

事業の判断を支える分析と、手法そのものを深める研究とでは、これからどちらに時間を使いたいですか

事業の分析と研究のどちらを志向するか

(面接で自社のデータの状態と、分析の結果を使う人を説明してから)この環境で、最初にどんな分析から取り組みたいですか

限られたデータから取り組む順を組み立てる考え方

分析の結果が事業の判断に使われなかった経験はありますか。そのあと、進め方の何を変えましたか

使われなかった分析から進め方を見直してきたか

経験・スキルでは、分析のテーマの決め方と手法の選び方を、次の5つの場面で確認します。

質問の例

答えから確認すること

最近の分析で、何を確かめようとしましたか。その内容は誰と、どう決めましたか

確かめる問いを関係者と決めてきたか

その分析で、より単純な方法で足りるかも含めて、どんな手法を検討し、何を理由に選びましたか

単純な方法も含めて手法を比べて選んだか

施策の効果を確かめるとき、A/Bテストと過去のデータの比較のどちらをどう選び、データの偏り(バイアス)にどう対処しましたか

実験ができない場面で、比較の条件をそろえる工夫(期間、対象の選び方)を説明できるか

分析の結果と事業の担当者の考えが食い違ったとき、どう進めましたか

結果の前提や限界を示したうえで、追加の検証を提案するなど、判断に使える形に進めたか

AIの出した集計と、自分で計算した結果が食い違ったことはありますか。どちらが正しいかを、どう確かめましたか(使っていない場合は、人どうしで集計が食い違ったときの確かめ方で構いません)

集計の条件や元のデータに立ち返って、食い違いの原因を説明できるか

答えの深さは、同席するデータ分析か機械学習の実務経験がある社員が評価します。

現場の同席と内定前の合意

選考のうち1回は、データ分析か機械学習の実務経験がある社員に同席してもらいます。データが専門でないエンジニアに頼む場合は、コードの書き方とデータの扱いに範囲を絞ります。同席を頼めるエンジニアも社内にいないときは、後の「社内にデータの経験者がいない場合の見極め」の節で紹介する進め方で、社外のデータサイエンティストに面接を依頼します。

面接の前に、人事が記入シートを用意し、同席する社員に共有しておきます。シートに載せる観点は2〜3個までにし、所見の欄を添えます。データサイエンティストでは、分析のテーマの決め方、手法の選び方の筋道、データの問題や結論に不利な事実の扱い方、結果の伝え方を観点に入れます。候補者が公開している分析や論文、コードがあれば、あわせて渡しておきます。

同席した社員から所見を書いたシートを受け取り、人事が次の選考に進めるかを決定します。最終面接では、直属の上長や経営が採用の可否を判断します。

内定の前には、任せる範囲と任せない範囲を候補者と合意しておきます。データの準備やモデルの運用をどこまで本人が持つかは、入社後に食い違いやすい点です。合意した業務の範囲は、求人票や労働条件通知書の記載と一致させます。

社内にデータの経験者がいない場合の見極め

分析の結果を使う側の責任者がいる場合は同席してもらい、分析のテーマの決め方と結果の伝え方に絞って確認します。手法の深さまで確認したいときは、社外のデータサイエンティストに1回だけ面接を依頼する方法もあります。

社外のデータサイエンティストとは、業務委託の契約と守秘の取り決めを先に結びます。お願いするのは手法の確かさについての所見までとし、合否は自社で判断します。同席の予定は候補者にも前もって伝え、渡す資料は選考に必要なものに絞ります。面接が済んだら、渡した資料は削除してもらうか、返却を受けます。

分析の結果を使う側の責任者を置いていない会社では、採用の進め方も代表や一人で人事を担う人が決定します。最初に、判断に迷っている事業の問いを2〜3個書き出し、どの問いに分析を使いたいかを決定します。問いが決まったら、手元のデータで分析が成り立つかを社外のデータサイエンティストに見てもらい、同じ人に面接への同席もお願いします。

データサイエンティストの採用でよくある質問

データサイエンティストとデータアナリストは別々に募集したほうがよいですか

予測モデルの開発や効果検証と、KPIを追って数字の変化の要因を調べる分析では、求める経験が異なります。評価の指標も異なり、データサイエンティストはモデルの精度や検証の設計で、データアナリストは分析が意思決定に使われたかで評価されることが多くあります。データサイエンティストとデータアナリストの求人に分けて出します。分ける場合は、データアナリストの求人に予測モデルの開発まで詰め込まないようにし、業務内容と労働条件をそれぞれの実態に合わせて書きます。

修士や博士の学位がない人は対象から外すべきですか

学位の有無だけで線を引く必要はありません。任せたい型にどの程度の手法の理解が必要かを、現場の担当者に確認したうえで判断します。事業の分析や効果の検証の型であれば、事業の現場で分析を重ね、結果を判断に使ってもらってきた経験のほうが、入社後の立ち上がりにつながることがあります。予測モデルの開発の型で、新しい手法を論文から読み解いて実装する場面が多い場合は、学位や研究の実績を必須に残す判断もあります。

1人目のデータサイエンティストにはどんな人が向いていますか

最初の1人は、分析の手法に加えて、事業の担当者と話して何を確かめるかを決め、結果を判断に使ってもらってきた経験がある人が向いていると思います。社内にデータの専門家がいない段階では、どの分析から取り組むかを本人に任せることになるためです。

統計が分からない採用担当でも見極められますか

手法の確かさは、統計が分からない採用担当には見極めが難しいと考えています。採用担当は、経歴の事実をもとに、スカウトを送るかと書類選考を通すかを判断します。

経歴の事実としては、分析や機械学習の実務の年数と、A/Bテストや効果検証を担当した記述の有無を基準にします。何を確かめるかを自分で決めてきたか、分析の結果が事業の判断に使われてきたかは、面接で聞き取ります。基準はデータ分析か機械学習の実務経験がある社員と合意し、手法の確かさは面接でその社員に確認してもらいます。そうした社員がいない場合は、面接を依頼する社外のデータサイエンティストと基準を合意します。

データサイエンティストの採用に困ったら

データサイエンティストの採用で手詰まりを感じたら、何に困っているかを先にはっきりさせます。専任の採用までの間に確かめたい問いがある場合は、外部に分析を頼む方法もあわせて考えます。

困っていること

まず見直すこと

参考になる記事・節

集計が中心の人ばかりから応募が来る

求人の仕事の中身が、データアナリストの仕事と区別できる形で書かれているか

この記事の「データサイエンティストに任せたい役割の企業ごとの違い」

人材紹介のエージェントから推薦が来ない

4つの役割の型のどれを任せるかと、分析の結果を使う人を担当者に伝えているか。学位を必須にしたままになっていないか

人材紹介エージェント編・契約と運用

スカウトを送っても返信が来ない

手法やツールの名前だけでなく、分析の使われ方とデータの状態を文面に書いているか

スカウト返信率の考え方

面接まで進んでも辞退される

データの準備やモデルの運用をどこまで本人が持つかを、内定前に合意できているか

この記事の「現場の同席と内定前の合意」

専任のデータサイエンティストがなかなか採用できない

採用できるまでの間、施策の効果の検証や需要の予測の試作を、業務委託の分析の専門家や分析を請け負う会社に任せられないか。任せる場合は、どの問いを確かめるかや、どのデータを外部に渡すか、分析の結果を受けて施策を続けるかといった判断を社内の誰が行うかと、採用した社員への引き継ぎの方法を先に決めているか

この記事の「データサイエンティストの採用が必要かどうかを判断する観点」

どこから見直すべきか迷うときは、お問い合わせからご相談ください。任せたい分析と求人の書き方を突き合わせながら、見直す順番を一緒に検討します。

この記事をシェア
永

永井涼平

HRdev代表

レバレジーズ、クラウドワークス等を経て2021年にHRdev創業。18年以上エンジニア採用の最前線に立ち、ログラス・MFS・SALESCORE等の支援実績を持つ。

こんな記事も読まれています