【完全ガイド】データサイエンティストの仕事内容と必要スキル・年収

データサイエンティストって、結局どんな仕事？Pythonでモデルを作れれば十分？

答えはNO。モデルは“手段”で、価値は意思決定が変わったときに生まれます。

本記事では、現場の仕事フローから必須スキル、年収レンジ、ポートフォリオの作り方、面接対策、6ヶ月ロードマップまで、初学者にもわかる形で体系化します。

この記事でわかること

• 要件定義→実装→レポート→運用までの仕事の全体像
• 評価される**T字スキル（深さ×広さ）**の作り方
• 日本市場の年収レンジと上振れ/下振れ要因
• 業界別の実務例と“見せるべき成果物”
• 6ヶ月ロードマップと“今日やること”チェックリスト

まず押さえるべき3つの誤解

• 誤解1：Kaggle入賞＝即戦力
  現実：実務の7割はSQL/ETL/説明責任。集計・データ整形・再現性の担保が日々の大部分を占めます。
• 誤解2：モデル精度が高ければOK
  現実：価値は導入速度 × 意思決定の改善幅で決まる。0.5%の精度向上より、1クリックで意思決定が動く設計が効くことも。
• 誤解3：ツール列挙でアピールできる
  現実：評価されるのは再現性（Git/テスト/CI）と保守性。誰が動かしても壊れにくい仕組みを作る力。

解決策：学び方を“業務再現”に寄せること（要件→実装→レポート→運用）。そのまま面接の証拠になります。

仕事内容の全体像（CRISP-DM × 実務）

日々の仕事は以下を反復します。各ステップで「成果物」があるのがポイント。

1. 事業課題の定義
   仮説・KPI・成功条件をOne-pagerに落とし込みます。
   成果物：課題定義書（目的・背景・KPI・制約）
2. データ収集・整形（SQL/ETL）
   スキーマ把握、抽出、前処理、特徴量基盤の作成。
   成果物：ETLスクリプト、整形済みテーブル
3. 探索・仮説検証（EDA）
   欠損/異常、相関、可視化で仮説を絞り込み。
   成果物：Notebook、図（凡例・注釈付き）
4. モデル化（ベースライン→改善）
   ベースライン→交差検証（CV±std）→過学習対策→評価。
   成果物：train.py、evaluate.py、学習ログ
5. 打ち手設計（意思決定への翻訳）
   閾値設計、A/B施策、運用ルール（例：スコア>0.8→SMS）。
   成果物：施策設計書、意思決定フロー
6. 導入・監視（運用）
   バッチ化/CI、再学習、監視ダッシュボード・アラート。
   成果物：監視指標、アラート設計、運用Runbook

1日のタイムライン例：08:45 朝会 → 09:00 SQL抽出 → 11:00 可視化レビュー → 13:00 事業MTG → 15:00 モデルCV → 17:00 PR作成 → 18:00 施策メモ共有

役割タイプと“主戦場”

• Biz-DS（ビジネス寄り）：要件定義、KPI設計、ダッシュボード、A/Bテスト。
• ML-DS（モデル寄り）：特徴量・学習・評価・チューニング、軽めのMLOps。
• 実務ではDA/DEと重なり合うのが普通。柔軟に行き来します。

必須スキルのT字図（深さ×広さ）

縦（深さ）：Python／SQL／統計・機械学習／可視化・説明
横（広さ）：Git/テスト/CI、クラウド、BI、業界知識

ハードスキル（必須）

• Python：pandas、numpy、scikit-learn、可視化（matplotlib/seaborn/plotly）

• SQL：SELECT、JOIN、集計、ウィンドウ関数（時系列/リテンションに必須）

• 統計・評価：PR-AUC／ROC／MAE／RMSE、交差検証（CV）

• 機械学習：回帰/分類のベースライン、特徴量設計、ハイパラ探索

• 可視化：図の選択・注釈・配色の原則、**“伝わる1枚”**の作り方

• 再現性：Git、pytest、Makefile、GitHub Actions（CI）

ソフトスキル（差が出る）

• 課題分解と指標設計（KPI→目的関数へ落とす）

• 説明力（非エンジニアに届く言葉・図解）

• プロジェクト運営（KPT、ステークホルダー調整、レビュー文化）

補足：初学者は**“ベースライン→小刻み改善→意思決定への翻訳”の順で。精度と価値の二兎**を追いましょう。

年収レンジの目安（日本市場）

業界別“実務例”と評価される成果物

構成：

• README.md（目的/KPI/データ/再現手順/結果/限界/次アクション）
• Makefile（コマンドの標準化）
• tests/（pytest）
• ci.yml（GitHub Actions）

指標：CV±std、分類はPR-AUC、回帰はMAE、そして意思決定への翻訳（閾値・在庫・価格）

レビュー運用：Issue/PRテンプレ、差し戻し率の可視化

参考：スクール課題は「完成品」より再現性×運用×説明を重視して評価されます。

面接でよく聞かれる質問（抜粋）

• 課題定義：ビジネスKPIをモデルの目的関数に落とした事例は？
• データ：欠損・外れ値の扱いと根拠は？
• 評価：なぜPR-AUC（またはMAE）？CV設計は？
• リーク対策：どのように防いだ？
• 意思決定：モデルの閾値はどう決めた？施策運用は？
• 可視化：伝わる図とは？禁じ手は？
• 運用：再現性、Git/テスト/CIは？

6ヶ月で到達する学習ロードマップ（週10時間想定）

• 1–2ヶ月：Python基礎／pandas／SQL／可視化
  到達点：CSV→整形→図解→簡単な集計の一連ができる
• 3–4ヶ月：モデル基礎／評価／ハイパラ、小さな需要予測
  到達点：ベースライン→CV→改善→評価の流れが説明できる
• 5–6ヶ月：業務再現PF、README／CI／pytest、面接LT
  到達点：再現手順どおり動くPF＋10分LTで説明可能

スクール選びの提案（伴走レビューで“実務化”を最短に）

質問初動とレビュー（差し戻し）が速い環境は、学習→実務化までのTime-to-Valueを短縮します。
無料カウンセリング/体験でサンプル課題とレビュー基準を見せてもらいましょう。

TechAcademy データサイエンスコース（受講料：174,600円～ ※更に割引あり）

TechAcademy 無料相談

株式会社キカガク AI人材長期育成コース（受講料：237,600円~）

キカガク 無料相談

読者タイプ別の“勝ち筋”

• 社会人（転職）：Git/pytest/CIの証跡と面接LTを最短で作る。
• 副業目的：Excel自動化×レポート→単価×稼働のシミュで回収設計
• 主婦/夫（在宅）：非同期SLAが強い伴走を選び、詰まり時間を最小化

今日のチェックリスト（30分）

1. 職種マップを決める（Biz-DS/ML-DSどちらに寄せるか）。
2. PFテーマを1本選ぶ（需要予測／解約／異常検知／レポート自動化）。
3. 土台作り：README雛形＋Makefile＋testsを作成。
4. 無料相談を2校予約し、サンプル課題とレビュー基準を文面でもらう。

README雛形（コピペ可）と使い方解説

以下は*顧客解約予測（業務再現PF）"のREADMEテンプレです。各セクションの狙いも解説します。

# 顧客解約予測（業務再現PF）


## 目的/KPI
- 解約率の低減（KPI: PR-AUC, Lift@Top10%）


## データ
- 疑似データ生成スクリプト／データ辞書


## 再現手順
- python -m pip install -r requirements.txt
- make all （features→train→evaluate→report）


## 結果/打ち手
- 閾値0.7でRecall 0.6 → CS架電対象に設定


## 限界/次の一手
- データ粒度、セグメントの追加、実運用でのリードタイム

解説（初学者向け）

• 目的/KPI：モデルの存在理由。PR-AUCは不均衡データに強い指標。Lift@Top10%は施策の濃淡設計に直結。
• データ：疑似データでも生成スクリプトを残すと再現性が担保されます。データ辞書は型・粒度・欠損の仕様書。
• 再現手順：pip installで依存を揃え、make allで一連の流れを1コマンド化。CIに載せやすく、面接でも高評価。
• 結果/打ち手：閾値→具体アクション（CS架電など）まで落とすと、“意思決定職”としての実力が伝わる。
• 限界/次の一手：完璧である必要はありません。現状の限界と改善案を明記すると、実務の考え方を示せます。

この記事から次に読むべきもの