データサイエンティスト

一言でいうと

データの分析を通じて事業の意思決定を支える職種で、数字を出すだけでなく、何を判断すべきかまで示すところに責任があります。

この職種の出自と登場時期

職種名としての data scientist は、2008年に DJ Patil と Jeff Hammerbacher が使い始めたものとされています。統計解析だけでも、ソフトウェア開発だけでも説明できない仕事に、既存の職種名が当てはまらなかったことが理由です。

広く知られるようになったのは2012年10月です。Harvard Business Review が「Data Scientist: The Sexiest Job of the 21st Century」を掲載し、この職種を「大量のデータから価値を引き出す、稀少で高度な人材」として紹介しました。以降、企業のデータ活用を語る文脈でこの職種名が使われるようになります。

国内では2013年に一般社団法人データサイエンティスト協会が設立され、ビジネス力・データサイエンス力・データエンジニアリング力の3つでスキルを定義しました。ただしこの3領域を1人で高水準に満たす人材は少なく、実務では機械学習エンジニア・データエンジニア・アナリティクスエンジニアへ役割が分かれていきました。現在の求人票では、分析と示唆の提示に軸足を置く職種として使われる例が中心です。

ミッション

問われるのは、分析の結果として事業の判断が変わったかどうかです。精度の高いモデルを作ることでも、きれいなレポートを出すことでもなく、意思決定に使われたかで評価されます。

そのため、課題設定の段階から関わります。何を分析するかが決まってから呼ばれる形では、分析の前提そのものがずれていても気づけません。

主な業務範囲

• 課題の定式化。事業側の問いを、データで検証できる形に置き換える
• 探索的なデータ分析。分布と関係性を確認し、仮説を立てて検証する
• モデルの構築。予測・分類・推薦などのモデルを作り、精度と解釈性のバランスを取る
• 効果検証。A/Bテストや準実験の設計を行い、施策の効果を測る
• 結果の説明。分析の前提と限界を含めて、意思決定者に伝わる形にまとめる

求められる能力

前提になるのは、統計学の基礎、SQL、Python または R による分析、そして機械学習の手法の理解です。加えて、因果推論と実験計画の知識を要件に挙げる求人が増えました。相関を因果と取り違えた分析は、事業判断を誤らせます。

決め手になるのは、事業を理解して問いを立てられるかどうかです。依頼された集計を返すだけの働き方では、この職種の価値が出ません。分析の限界を正直に伝える姿勢も、実務では重く見られます。

この職種に就く人のキャリア経路

入口は研究職・データアナリスト・コンサルティングに分かれます。大学院で統計や機械学習を扱った人が新卒で入る経路と、事業側の分析担当から移る経路の両方があります。

実装側を深めて機械学習エンジニアになるか、データ組織のマネージャーに就くかが代表的です。プロダクトマネージャーや事業企画へ移り、意思決定に近づく人もいます。

隣接職種との違い

採用担当の見極めポイント

• 求人票では、分析の結果が誰にどう使われるかを書いてください。意思決定の経路が示されていない求人には、事業志向の候補者が集まりません
• 職務経歴書では、分析が施策や判断につながった事例を確認してください。手法の一覧だけでは、この職種の中心部分を判断できません
• 分析基盤の整備状況を伝えてください。データが整っていない環境では、業務時間の大半が前処理になります

求人・市場の傾向

母集団は一定の厚みがありますが、経験の幅が広く、集計中心の層と統計・機械学習まで扱う層が同じ職種名で並びます。データアナリストと同じカテゴリに入る媒体が多いので、件数は条件を分けて確認してください。

扱うデータの領域と、期待する分析の深さを明示してください。集計中心か推論まで求めるかで、応募する層が入れ替わります。

関連キーワード

統計解析 / 因果推論 / A/Bテスト / Python / 機械学習 / データサイエンティスト協会 / 効果検証 / 探索的データ分析