キャリア

2019/07/30

データサイエンティストとデータアナリストの違い、背景、今後の動向

データ分析に関連する職種として「データサイエンティスト」と「データアナリスト」があります。これら2つの職業は業務区分や定義があいまいで混同されやすく、エンジニア職種である「データエンジニア」とも業務内容が重なる場合もあり仕事探しや転職では注意が必要です。

今回の記事では、データサイエンティストとデータアナリストの違いを中心に解説します。他のデータサイエンス関連の職種や求人需要、今後の動向についてもみていきましょう。

データサイエンティストとデータアナリストの仕事の違い、職業上の区分

データサイエンティストは、統計学、数学、情報科学(コンピュータサイエンス)といった高度な知識を活用してデータを駆使する職種です。ビジネスに関する知識とともに研究者のような探求心が求められます。機械学習やディープラーニングなどAIに関連する職種としても注目度が高まっています。データサイエンティストには統計解析のほか、データベースやクラウドなどのIT知識、ビジネス・マーケティングなどさまざまな分野のスキルが要求されるため誰にでもすぐになれるような職業ではありません。しかし、その分需要も高く、もらえる収入もかなりのものとなり、目指す人も多い職種です。

一方で、データアナリストはどのような仕事でしょうか。一言でいえばデータ分析をメインで行うアナリティクスの専門職種です。意思決定者や事業部門がデータをもとにした合理的判断を下せるようにサポートします。具体的には、企業が保有するデータを分析して、事業改善の切り口を発見したり、広告やマーケティング施策の効果検証、分析結果をもとに消費者の行動やニーズを導き出すといった業務を行います。つまり、ビジネス上の課題解決やサービス改善など具体的な目的に対して、日々データ分析に取り組む職業であり、その点ではデータサイエンティストよりも仕事がイメージしやすいといえるでしょう。

データアナリストとデータサイエンティストは両方ともデータや統計に関連する職業です。その仕事範囲は重複する領域も多く、よく混同される要因となっています。特にWeb業界では、もともとアクセスログの解析を行うWebアナリストやグロースハッカーといった職業もあり、専門的なデータ分析の担当者のみならず、マーケティングやコンサルタントの一環でデータ分析をしている担当者のこともデータアナリストとみなすことがあります。会社により職務定義や名称はさまざまですし、その人がどんな分野を扱っているかによっても分析の方法が異なってくるため、個々の求人内容や募集要件に沿ってどのような仕事内容かを判断していくことが大切です。

関連記事 データサイエンティストとは?仕事と年収、適性・スキル、転職・独立まで徹底解説 データアナリストとは?仕事内容から必要スキル、就職・転職の方法まで徹底解説

データエンジニア、データアーキテクトとの違い

データサイエンティストと混同されやすい職種として、データアナリストのほかにデータエンジニア、データアーキテクトなどの職種があります。データサイエンティスト・データアナリストが分析をメインで担当するのに対して、これらのエンジニア職種はデータに関するエンジニアリングやデータベース周りの設計・構築、分析環境などのインフラを担当します。

データエンジニアは、データを収集・蓄積・利用するための分析基盤の設計・開発や保守・管理、データを管理・統合するうえで必要なシステム開発に携わります。課題を把握した上で、どうしたらその課題を解決できるのかを導き出し、その解決法に合わせてデータ環境を整えていくのが主な仕事です。

一方で、データアーキテクトもデータを取り扱う点は同じですが、そのデータをもとにビジネスなどに利益をもたらす洞察、知見を導き出す上流業務が仕事となり、分析したデータをどう使っていくかがポイントとなります。データサイエンティストとデータアナリストがデータ分析に重きを置いているのに対し、データエンジニアとデータアーキテクトは技術的な課題の解決に重きが置かれています。

アクチュアリーとの違い

アクチュアリーは保険や保証などの金融分野で、統計学や確率論にもとづいた数学的なやり方を使って、不確定なことを予測したり推察したりする仕事のことです。具体的にいうと、保険に関する資料などを集めて、死亡率や事故率、及び、天候や国の景気など、あらゆるデータを分析して、将来起こるかもしれないことを確率論や統計学を使って予測するのです。また、日本では「保険数理士」と呼ばれることもあり、保険・年金の正しい掛け金・支払い金を決める仕事をしたりします。データサイエンティストやデータアナリストに比べて、数学的な手法を駆使するのが特徴です。

データサイエンティストとデータアナリストの役割の違い

ここまでは、仕事内容の違いや関連職種について説明しました。以下では、一見よく似ている「データサイエンティスト」と「データアナリスト」のそれぞれの役割の違いについて見ていきましょう。

データサイエンティスト

データサイエンティストの業務範囲は広く、データ取得蓄積やモデルの構築、検証など多岐にわたります。ですから、得意なジャンルは人によってさまざまです。

データサイエンティストの役割は主に3つあり、1つ目は、「データを分析する環境の構築」です。分析データを集めるためには、そのためのバッチを構築し、運用していく必要があります。さらに、そうして得たデータを蓄積していくために、DB環境も構築していかなくてはいけません。同時に、集められ蓄積されたデータを抜き出すためにデータ操作環境、BIツールも構築する必要があるなど、環境構築もデータサイエンティストの立派な仕事の1つです。会社によっては基盤やインフラ構築の仕事は「データエンジニア」の仕事とされることも多いです。

2つ目は、「データの分析・レポーティング」です。ここでいう分析とは、仮説検証型や知識発見型などのやり方を使い、データをもとにビジネスにおける課題・発想を見つけることを指します。そして、レポーティングというのは、KPIをビジュアル化していくことです。この、データの分析・レポーティングの仕事はデータアナリストも担当する業務であるため、混同されやすいポイントとなっています。

3つ目は、「ビッグデータを活用し、事業に利益をもたらす」ことです。これがデータサイエンティストの一番重要な役割です。ビジネスに与える影響度を推し量りながら、抽象度の高い課題に取り組むため一般的な分析や統計の知識だけでなく、ビジネスやマーケティングに関する能力が要求される仕事です。そのうえで、データから規則性を見出し、利益を出せるかどうかが腕の見せ所になります。

データアナリスト

データアナリストは、最初に目標を定め、どのように分析をするかを決めた後、データを加工・整形、集計をするなどおおよその仕事の流れが決まっており、データサイエンティストほど業務領域は広くありません。より現場に近くデータ分析の実務に取り組む仕事内容といえるでしょう。

データアナリストには2種類あり、「コンサル型」と「エンジニア型」があります。コンサル型は、主にマーケティング会社の他にもコンサルティングファーム、あるいはデータアナリストの専門部隊を率いているような企業で働いている分析担当者のことです。一方、エンジニア型は、ソーシャルゲームプラットフォーマーやWebポータルサイト運営会社、あるいは自社メディア運営会社などで働いています。

データサイエンス職種の生まれた背景

データサイエンスというのは、元々は統計学が基盤にあり、その歴史は古いです。1960年代に汎用コンピュータでのデジタルデータの収集・利用が開始され、1980年代には、リレーショナルデータベースやSQLが登場し、データウェアハウスの利用が始まりました。1990年代に入りコンピュータの計算能力が向上することで「データマイニング」の研究が活発になります。その後、2000年代以降のインターネットの普及によるデータ量の増大、安価な計算リソースの登場によりデータ分析が一般化し職業として「データアナリスト」が生まれました。

さらに、2010年代に突入すると、技術がさらに進み、ビジネスでのデータの重要性が認識されるなか統計学者への注目が高まりました。このタイミングで、データ分析をもとに解決策を導く、「データサイエンティスト」が誕生していきます。ディープラーニング技術をきっかけとしたAIブームもあり人気職種として定着しました。

データアナリストやデータサイエンティストに必要なスキル

それでは、続いてはデータアナリストやデータサイエンティストに必要なスキルについて見ていきましょう。また、データアナリストからデータサイエンティストになるためにはどのようなスキルが必要になるのかについても紹介します。

データアナリストに必要なスキル

データアナリストはコンサル型なのかエンジニア型なのかによっても、必要なスキルが変わってきます。コンサル型に必要となるのは、分析する力やロジカル思考、マーケティング知見、仮説を立てる力などです。また、普段からさまざまなことに対して疑問を持てているかも重要です。エンジニア型は、Spark、Bigquery、HadoopやMapReduce、Java、そして、統計解析や時系列解析などコンサル型よりはデータハンドリングやエンジニアリング能力が求められています。規則性などを見つけるのが得意な人にも向いているといえます。

データアナリストからデータサイエンティストになるために必要なスキル

データサイエンティストは、前述したように業務の幅が広いため、求められるものも多いです。統計数理や分析ツール、データ加工を始め、プログラミングのスキルや課題を解決する力なども要求されます。単純に統計学の知識だけを持っていればいいというわけではないのです。

データアナリストからデータサイエンティストになるためには、まずその業務領域の違いを理解する必要があり、より高度な仕事をこなすことになるのでスキルの幅も広げなくてはいけません。データを分析してそこから規則性などを見つけていくことがデータサイエンティストの仕事の核となります。そのため、機械学習やデータベース、クラウドなどのITスキルは必須です。それらのスキルを身につけたうえで事業に利益をもたらすためのビジネススキルの習得に励みましょう。

データサイエンティストを目指す勉強法、採用のポイント、就職・転職した後に

データサイエンティストとデータアナリストを取り巻く環境、今後の動向

データサイエンティストとデータアナリストを取り巻く環境は時代が進むに連れて少しずつ変化を続けています。果たしてこれからどんな時代になっていくのでしょうか。今後の動向について見ていきましょう。

データ分析職の求人マーケット動向

データサイエンティストやデータアナリストなどの分析職は人手が不足しており、求人が増加中のジャンルです。今後も数年にわたりますます求人が増えていくことが予想されます。大手の転職サイトなどでも、データサイエンティストの項目が追加されました。実務経験者のニーズは常にあり、もらえる給与も高い状態で安定しています。人手不足のため未経験からでも転職は可能な状況です。ただし、データアナリストやデータサイエンティストへ転職をしたい場合、実務経験はなくとも統計学や数学の知識は必須になります。そのため、大学や大学院で情報科学や機械学習を学び、R、Pythonなどの知識を持っていればうまくいくことも多いです。

とはいえ、AIなどのテクノロジーが進化し続ければ、データサイエンティストやデータアナリストの仕事は失われていく可能性もあります。特にデータサイエンティストのモデリング業務はMLaaSやAutoMLといったAIサービスにより自動化され、より狭き門となっていく可能性があります。機械により代替できてしまう仕事だけでなく、より専門的なスキルを持っていないとこの職種で生き残るのは難しいといえます。例えば、課題がどこにあるのかを特定する能力やどのようにAIが精度を出しやすいデータを用意するかといった思考力などがこれにあたります。

とはいえ、データサイエンティストやデータアナリストなどの分析職を求めている業界は多いです、IT/Web業界、金融、製造業、医療といった分野のほか、アパレル業界や広告代理店、総合商社などがあり、今後も大量のデータを保有するさまざまな企業で求められるでしょう。

機械学習関連の需要が高く、コーディングスキルが必須

AIの進化は留まることを知らず、これからますます人間の仕事に介入してくることは間違いないでしょう。それに比例して、機械学習関連の仕事の需要が高まりつつあります。機械学習というのは、人間の持つ知能や学習能力を機械に持たせ、自分で判断を下せるようにする方法のことです。また、最もオーソドックスな学習方法の「教師あり学習」や正解がないままデータ判断をおこなう「教師なし学習」、正解を与えて将来の価値を広げる「強化学習」の3種類の学習法に分類されます。

これまでプログラミングを自身では行わなかったデータアナリストも、機械学習におけるコーディング知識やプログラミングスキルを今のうちに身に着けておくと、将来役に立つでしょう。他にも、微分積分や線形代数などの数学的知識、アルゴリズムに関する知識も必要となってきます。勉強をする際には、インターネットのサイトや本で調べたり、セミナーに参加したりといった方法がありますから、自分に合ったやり方を見つけていきましょう。

今後は、特定業界の知識や高い専門性が求められる

AIが発達してきているということは、今まで当たり前に人間がおこなっていた仕事が、将来AIに取って代わられる可能性があるということです。そうなったときに困らないように今からできることは、AIにはできないことを身に着けておくことでしょう。例えばそれが、データサイエンティストやデータアナリストのような専門的な知識やスキルが求められる仕事になるわけです。とはいえ、これらの仕事をしていても中途半端な能力しかなければ、淘汰されてしまうので安心はできません。専門性の高い仕事ができるかどうかがますます要求されるような時代になっていくことでしょう。

関連記事Related Posts