データサイエンティストのスキルを5領域で整理。ver.6改訂と伸ばす順番まで

「データサイエンティストに必要なスキルを調べたけれど、項目が多すぎて結局何から学べばいいのか分からない」という方も多いでしょう。

データサイエンティスト協会が公開しているスキルチェックリストは、2025年11月の改訂で845項目まで拡大しました。項目を1つずつ眺めても、自分に足りないものと、後回しでよいものの区別はつきません。

そこで本記事では、

・データサイエンティストのスキル体系がver.6でどう変わったか

・5つのスキル領域それぞれの具体的な中身

・自分のスキルレベルを4段階で診断する方法

・どの領域から伸ばすべきかという学習の優先順位

を解説します。これからデータサイエンティストを目指す方、すでに実務に就いていて次に伸ばすべき領域を決めたい方は、ぜひ最後までご覧ください。

「独学でスキルを体系的に積み上げられるか不安」という方は、Craft Collegeの講座もご検討ください。

⇨Craft College データサイエンティスト養成講座の詳細はこちら

データサイエンティスト スキルの全体像。旧3分類からver.6の5領域へ

データサイエンティストのスキルは長らく3つの分類で語られてきましたが、2025年11月の改訂でこの前提が変わりました。まず、旧来の枠組みと最新の枠組みを対比して押さえます。

従来の3分類（データサイエンス力・データエンジニアリング力・ビジネス力）

データサイエンティスト協会は2014年から、データサイエンティストに求められるスキルを次の3つに分類してきました。

• データサイエンス力：統計学や機械学習を使って、データから意味のある情報を取り出す力
• データエンジニアリング力：分析の設計を、実際に動くシステムとして実装・運用する力
• ビジネス力：業務課題を理解し、分析結果を意思決定や施策につなげる力

この3分類は多くの求人票や学習教材の下敷きになっており、現在もWeb上の解説記事の大半はこの枠組みで書かれています。ただし、最新版ではこの構成が見直されています。

2025年11月、データサイエンティスト協会がスキル定義を「価値創造力」へ刷新した理由

データサイエンティスト協会のスキル定義委員会は、2025年11月25日に開催した「データサイエンティスト協会12thシンポジウム」で、スキルチェックリストの第6版（ver.6）を公開しました。2023年公開のver.5を全面的に見直したもので、チェック項目は650項目から845項目へ拡大しています（出典：データサイエンティスト協会プレスリリース）。

改訂の中心は、「ビジネス力」を「価値創造力」へ刷新した点です。協会は改訂のポイントとして、データサイエンティストが分析者から価値創造リーダーへ変わるという方針を示しています。分析結果を提出するところまでが仕事だった時代から、事業や組織の変革そのものを設計する役割へと、期待される範囲が広がったという整理です。

あわせて、複数の領域にまたがる「融合」と、全領域に共通する土台としての「基盤」が独立した領域として設けられ、全体は5領域構成になりました。

旧（ver.5まで）	新（ver.6）	主な変化
データサイエンス力	データサイエンス力	生成AI・非構造化データ処理の項目が拡充
データエンジニアリング力	データエンジニアリング力	AIエンジニアリング（生成AI・AIシステム運用）が独立
ビジネス力	価値創造力	構想・探索から適用・進化まで、事業変革の設計に踏み込む内容へ刷新
（3分類に内包）	融合	AIエージェント・マルチモーダルAI・IoT・ガバナンスなど、領域横断のテーマを独立させた
（明示区分なし）	基盤	論理的思考・行動規範・ITセキュリティなど、全領域に共通する土台を明示

この表から読み取れるのは、追加された領域がいずれも「単独の分析スキルでは扱えない範囲」だという点です。データサイエンティストのスキルセットという言葉が指す範囲が、分析技術の外側へ広がったと理解しておくとよいでしょう。

なお、データサイエンティストという職種そのものの定義や仕事内容については、参照記事：データサイエンスとは。身近な例・仕事内容・学び方まで初心者向けに解説もあわせてご覧ください。

データサイエンティストに必要な5つのスキル領域を具体的に解説する

ここまでで5領域という骨格を確認しました。次に、それぞれの領域が実際にどのようなスキルを含んでいるのかを見ていきます。以下は、協会がGitHubで公開しているCSV版スキルチェックリスト（出典：The-Japan-DataScientist-Society/skills-checklist）に収録されている分類に基づいています。

データサイエンス力（統計・機械学習・データ可視化）

5領域のなかで最も項目数が多く、データサイエンティストの中核を占める領域です。含まれる主な区分は次のとおりです。

• 基礎技術：数学的理解、科学的解析の基礎
• データ課題解決：アプローチ設計、データの理解・検証
• 解析技術：データ準備、モデル化、モデル利活用、データ可視化、オペレーションズリサーチ
• 非構造化データ処理：テキスト・画像・音声など定型でないデータの扱い
• AI活用：生成にかかわる技術

統計と機械学習の知識だけでなく、「どう課題を切り出し、どのデータで検証するか」という設計側の項目が独立している点が特徴です。

項目の中身を見ると、学ぶ順番の手がかりも得られます。この領域で見習いレベル（★）の必須スキルとされている48項目のうち、半数の24項目は「数学的理解」と「科学的解析の基礎」に属しています。ベクトルや行列の計算、平均・中央値・最頻値の違い、相関関係と因果関係の違いといった内容です。機械学習の手法名を覚える前に、この数学と統計の土台が問われる構成だと理解しておくと、教材選びで迷いにくくなります。

データエンジニアリング力（プログラミング・クラウド・AIシステム運用）

分析の構想を、動くシステムとして形にする領域です。区分は次の3系統に整理されています。

• データエンジニアリング：データ収集、データ構造、データ蓄積、データ加工、データ共有、環境構築
• ITエンジニアリング：プログラミング、ITセキュリティ
• AIエンジニアリング：生成AI、AIシステム運用

ver.6では、生成AIとAIシステム運用がAIエンジニアリングとして明確に区分されました。モデルを作って終わりではなく、運用して品質を保ち続けるまでが守備範囲だという位置づけです。

見習いレベルの必須項目には、SQLの各種JOINや集計関数、CASE文を使ったクエリの記述、ER図を読んでテーブル間の関係を理解すること、学習済みの予測モデルをWeb APIで呼び出して結果を使うことなどが並んでいます。クラウド基盤を一から設計する力よりも先に、手元のデータを正しく取り出して加工できるかが問われていると読み取れます。

価値創造力（旧ビジネス力。課題再定義・意味設計・社会実装・ガバナンス）

刷新の中心となった領域です。内容は事業の企画から定着までを4段階で追う構成になっています。

• 構想・探索：課題の再定義、意味構造設計、社会インパクト設計、技術・社会潮流の洞察
• 設計：事業・モデル設計、システム・AI設計、組織・人・PJ設計、ガバナンス・倫理設計
• 構築・運用：データ整備、開発・評価、継続運用・改善、定着と横展開
• 適用・進化：効果測定・改善、制度・文化改革、スケーリング・進化

例えば「課題の再定義」は、依頼された分析テーマをそのまま受け取るのではなく、事業として解くべき問いに立て直す力を指します。旧ビジネス力が「業務理解とコミュニケーション」に寄っていたのに対し、ver.6では組織を動かして成果を定着させるところまでが対象になっています。

この領域は、他の領域と書き方が異なります。他の領域が「〇〇ができる」という個別のチェック項目を並べているのに対し、価値創造力は51のスキルそれぞれについて、★から★★★までの3段階の到達状態を文章で定義しています。たとえば「課題の再定義」に含まれる「未充足ニーズの洞察」は、次のように段階が書き分けられています。

• ★：顕在化した課題を整理し、既存の枠組みで説明できる
• ★★：潜在ニーズや構造的問題を特定し、新たな課題を設定できる
• ★★★：社会的・文化的文脈を含めた本質課題を再定義し、新しい焦点を提示できる

自己診断では、項目の有無を確認するのではなく、3つの記述のうち自分の実務に最も近いものを選ぶ使い方になります。依頼された課題を整理して説明できていれば★、依頼の背後にある問題を見つけて別の課題を提案した経験があれば★★、という判断です。

融合スキル群（AIエージェント・マルチモーダル・IoT・ガバナンス）

複数領域にまたがる新しいテーマを集めた領域です。主な区分は次のとおりです。

• AI実装・運用：AIエージェント、マルチモーダルAI、IoT、ロボティクス、ナレッジ活用、オントロジー、インターフェース、AIシステム管理
• ガバナンス：AIガバナンス、データガバナンス

AIエージェントの項目では、業務をエージェントに任せる領域と通常のLLM利用で足りる領域を区別する判断や、MCP（Model Context Protocol）などのプロトコルを理解した連携設計が求められる水準として挙げられています。生成AI以降に登場した実務課題が、そのまま項目に落とし込まれた領域だといえるでしょう。

もう1つ押さえておきたいのは、融合スキル群の125項目には見習いレベル（★）の項目がないという点です。すべてが★★か★★★で、内訳は★★が47項目、★★★が78項目です。つまり、この領域は未経験者が最初に学ぶ範囲ではなく、他の領域で独り立ちした人が次に取り組む範囲として置かれていると読み取れます。AIエージェントの話題が目立つからといって、ここから学習を始める必要はありません。

基盤スキル（論理的思考・行動規範・ITセキュリティなどの土台）

全領域に共通する土台として独立した領域です。

• 論理的思考：MECE、構造化能力、言語化能力
• 行動規範：データ・AI倫理、コンプライアンス、ビジネスマインド
• データ理解：ビジネス観点での理解、統計情報への正しい理解、意味合いの抽出
• 課題の定義：KPI設計
• ITセキュリティ：攻撃と防御手法
• 生成AI：生成AI活用の基礎

項目数としては最も少ない領域ですが、ここが弱いと他の4領域の成果が業務で使われないまま終わります。データサイエンティストのスキルセットを積み上げるときの土台として扱ってください。

自分のスキルレベルを4段階で診断する方法

各領域の中身が分かったところで、次は自分が今どのレベルにいるのかを判定します。データサイエンティスト協会はスキルレベルを4段階で定義しており、スキルチェックリストの各項目にも★の数でレベルが付与されています。

見習いから業界を代表するレベルまでの4段階

• ★ 見習いレベル（Assistant Data Scientist）：指示のもとで作業を担当できる段階
• ★★ 独り立ちレベル（Associate Data Scientist）：定型的な案件を一人で完遂できる段階
• ★★★ 棟梁レベル（Full Data Scientist）：チームを率いて非定型の案件を設計・遂行できる段階
• ★★★★ 業界を代表するレベル（Senior Data Scientist）：業界全体に影響を与える成果を出せる段階

スキルチェックリストで★が付与されているのは見習いレベルから棟梁レベルまでで、業界を代表するレベルはチェックリストによる判定の対象外という構成です。まずは独り立ちレベル、次に棟梁レベルという順で目標を置くのが現実的でしょう。

5領域×4段階のマトリクスで、強み・弱みの位置を把握する

データサイエンティストのスキルレベルは、5領域すべてが同じ高さになるわけではありません。実務では「データサイエンス力は独り立ち、価値創造力は見習い」のように、領域ごとに凹凸が出ます。

そこで、次のように5領域を縦軸、4段階を横軸に取って自分の位置を書き込んでみてください。

スキル領域	見習い	独り立ち	棟梁	業界を代表する
データサイエンス力
データエンジニアリング力
価値創造力
融合スキル群
基盤スキル

この表を埋めると、伸ばすべき領域が1つか2つに絞り込まれます。すべてが見習いレベルという方は基盤スキルとデータサイエンス力から、実務経験がある方は最も評価につながる領域から着手する、という判断ができるようになります。

スキルチェックリスト845項目を、全部見ずに使う考え方

845項目という数を前にすると、全部を確認しなければならないように感じるかもしれません。ただ、チェックリストは網羅して暗記するための教材ではなく、目指す役割から逆算して見るべき範囲を絞り込むための道具です。

まず、845項目が領域とレベルにどう分かれているかを確認します。協会がGitHubで公開しているCSV版の件数を数えると、次のとおりです。価値創造力は51のスキルに3段階の定義があるため、51×3＝153項目として数えています。

スキル領域	★	★★	★★★	合計
データサイエンス力	108	157	89	354
データエンジニアリング力	58	81	41	180
価値創造力	51	51	51	153
融合スキル群	0	47	78	125
基盤スキル	21	9	3	33
合計	238	345	262	845

データサイエンス力が全体の4割強を占め、見習いレベル（★）の項目は全体の3割弱にとどまります。はじめから全項目に目を通そうとすると、大半の時間を今の自分には関係の薄い★★★の項目に使うことになります。

そこで、次の2段階で範囲を絞ります。1段階目は、目指す役割に応じて入口の領域を決めることです。

• 分析中心の役割を目指すなら、データサイエンス力と基盤スキルから
• 実装中心の役割を目指すなら、データエンジニアリング力と融合スキル群から
• 推進・企画中心の役割を目指すなら、価値創造力と基盤スキルから

2段階目は、チェックリストの「必須スキル」欄に印（◯）が付いた項目だけを見ることです。この印は、そのレベルで必須とされる項目に付いています。★と★★の必須項目に絞ると、分析中心なら90項目（データサイエンス力71、基盤スキル19）、実装中心なら37項目（データエンジニアリング力29、融合スキル群8）、推進・企画中心なら51項目（価値創造力32、基盤スキル19）まで減ります。

この範囲を確認し終えてから、同じ領域の必須でない項目、次に隣接する領域へと広げていけば、845項目に振り回されずに済みます。つまり、自分が目指す役割を先に決めた人ほど、スキルチェックリストは使いやすい道具になるということです。Web上で一覧を見たい場合は、協会のスキルチェックリストビューアーも使えます。

ここまでデータサイエンティストのスキル体系と自己診断の方法を解説しましたが、「足りない領域は分かったものの、5つの領域を独学で体系的に埋められるか不安」という方は、Craft Collegeの講座をご検討ください。

Craft Collegeのデータサイエンティスト養成講座では、統計・プログラミングの基礎から生成AI・LLMの活用まで、ver.6が定める5領域を体系的なカリキュラムでカバーしています。ただ動画を見て終わりではなく、現役データサイエンティストとの回数無制限の1on1で、自分の弱い領域だけを重点的に埋められる設計です。専門実践教育訓練給付制度の対象講座のため、条件を満たせば受講料の一部が給付されます。

以下のリンクからまずは詳細をチェックしてみてください。

⇨Craft College データサイエンティスト養成講座の詳細はこちら

データサイエンティストのスキルを伸ばす学習の優先順位

自分のレベルと弱い領域が分かったところで、それをどの順番で埋めていくかという話に進みます。5領域を同時に学ぼうとすると教材が膨大になり、途中で止まりやすくなります。実務経験を起点に、次の4ステップで進めるのが現実的です。

1. 今の実務経験を、5領域のどこに当てはまるか棚卸しする

最初に行うのは、新しい学習ではなく現在地の確認です。今の業務で扱っているデータ、使っているツール、関わっている意思決定を書き出し、5領域のどこに該当するかを振り分けます。

• 営業企画で売上データを集計している方は、基盤スキルの「データ理解」と価値創造力の「課題の再定義」に近い経験を持っています
• 情報システム部門でデータ基盤を運用している方は、データエンジニアリング力の「データ蓄積」「環境構築」に該当する経験があります

未経験からの転向を考えている方も、現職の業務知識は価値創造力の土台になります。ゼロから積み上げると考えず、既にある経験を5領域の地図に置き直すところから始めてください。

2. 最も評価につながる領域を1つ決めて、基盤を固める

次に、伸ばす領域を1つに絞ります。判断基準は「今の職場または志望先で、成果として認識されやすいか」です。

分析人材の採用では、統計と機械学習の基礎（データサイエンス力）とSQL・Pythonの実装力（データエンジニアリング力）が最初の足切りになりやすい傾向があります。まずはこのどちらかを独り立ちレベルまで引き上げ、面接や職務経歴書で説明できる状態を作るのが近道です。

この段階では、独学の教材と実務の課題を並行させると定着が早まります。学習手順の詳細は参照記事：未経験からデータサイエンティストを目指すロードマップ。実例も交えながら学習方法を解説でも解説しています。

3. 隣接する領域に、実務の課題を教材にして広げる

1つの領域が独り立ちレベルに届いたら、隣接する領域へ広げます。ここで教材を新しく買い足すのではなく、実務で発生している課題をそのまま教材にするのが効率的です。

• 分析モデルを作れるようになった方は、それを定期実行する仕組みに載せる（データエンジニアリング力へ）
• 基盤の運用ができている方は、そのデータで解くべき事業課題を自分で定義してみる（価値創造力へ）
• 生成AIを業務で使っている方は、AIエージェントやガバナンスの項目に当たってみる（融合スキル群へ）

隣接領域へ広げる段階が、独り立ちレベルから棟梁レベルへの分岐点になります。

4. 資格・成果物で、身につけたスキルを証明する

最後に、身につけたスキルを外から確認できる形にします。手段は資格とポートフォリオの2つです。

資格は学習範囲が定義されているため、独学の抜け漏れを埋める用途に向いています。ポートフォリオは、実際に手を動かせることを示す用途に向いています。転職を視野に入れている方は、参照記事：データサイエンティストの年収はいくら？年収を上げる3つの方法も解説もあわせてご覧ください。

つまり、5領域を均等に埋めようとせず「棚卸し→1領域を固める→隣接領域へ広げる→証明する」の順で進めるほうが、途中で止まりにくいということです。

データサイエンティストのスキル証明に役立つ資格

学習の優先順位が決まったところで、身につけたスキルをどう対外的に証明するかという話に進みます。5つの領域それぞれに対応する資格を整理すると、次のようになります。

スキル領域	対応する主な資格	証明できる範囲
データサイエンス力	統計検定2級・準1級、データサイエンティスト検定リテラシーレベル	統計の基礎知識、分析の基本的な考え方
データエンジニアリング力	Python 3 エンジニア認定基礎試験、基本情報技術者試験、データベーススペシャリスト試験	プログラミング、データベース、IT基礎
融合スキル群・AI領域	G検定、E資格	機械学習・ディープラーニングの知識と実装
価値創造力・基盤スキル	データサイエンティスト検定、各種PM系資格	課題設定、プロジェクト推進の知識

この表から分かるとおり、価値創造力を直接証明する資格は限られています。この領域は資格よりも、実際に事業課題を定義して成果につなげた経験を職務経歴書で示すほうが伝わりやすい部分です。

資格は「スキルの証明」であって「スキルそのもの」ではない

資格取得を先に据えて学習計画を立てると、試験範囲の暗記が目的化しやすくなります。前章の4ステップで言えば、資格はステップ4に置くものです。

• ステップ2で固めた領域の資格を、力試しとして受ける
• ステップ3で広げた領域の資格を、抜け漏れ確認として受ける

この順番であれば、資格の学習が実務の理解を補強する形になります。データサイエンティストになるまでの全体的な進め方は、参照記事：未経験からデータサイエンティストになるには？3つのルートと学習ロードマップでも解説しています。

まとめ

本記事では、データサイエンティストに必要なスキルをver.6の体系で整理しました。要点は次のとおりです。

• データサイエンティスト協会は2025年11月25日にスキルチェックリストver.6を公開し、チェック項目は650項目から845項目に拡大した
• 旧来の3分類は見直され、データサイエンス力・データエンジニアリング力・価値創造力・融合スキル群・基盤スキルの5領域構成になった
• 最大の変更は「ビジネス力」から「価値創造力」への刷新で、分析者から価値創造リーダーへという役割の変化を反映している
• 自分の位置は、5領域×4段階（見習い・独り立ち・棟梁・業界を代表する）のマトリクスで把握できる
• 学習は5領域を同時に進めず、「実務経験の棚卸し→1領域を固める→隣接領域へ広げる→資格・成果物で証明する」の順で進めると定着しやすい

スキルチェックリストの845項目は、網羅するための一覧ではなく、目指す役割から逆算して見る範囲を絞り込むための道具です。まずは自分の実務経験を5領域の地図に置き直すところから始めてみてください。

データサイエンティストのスキルを体系的に身につけるなら「Craft College」

ここまで読んで、「進め方は分かったが、独学で5領域を埋めきれるだろうか」と感じた方も多いのではないでしょうか？独学でつまずきやすいのは、教材選びよりも「今の自分に必要な範囲が分からない」という点です。

Craft Collegeでは、データサイエンティスト養成講座を提供しています。統計・プログラミングの基礎から機械学習、生成AI・LLMの活用まで、ver.6が定める5領域を体系的なカリキュラムでカバーし、現役のデータサイエンティストが1on1で伴走します。

こんな方に向いています。

• 独学で教材を買ったものの、どこから手をつければよいか分からなくなった方
• 実務経験はあるが、5領域のどこが弱いのかを客観的に指摘してほしい方
• 未経験から転職を目指していて、ポートフォリオまで含めて相談したい方
• 専門実践教育訓練給付制度を使って、受講料の負担を抑えたい方

⇨Craft College データサイエンティスト養成講座の詳細はこちら