データサイエンティスト転職の実態。必要スキルと転職活動の進め方を解説

「データサイエンティストに転職したいが、今の自分のスキルで通用するのか分からない」という方も多いでしょう。求人は増えていると聞く一方で、「供給過多でもう厳しい」という声も目に入り、判断がつきにくい状況です。

そこで本記事では、

• データサイエンティスト転職市場の実態（人材不足と供給過多、それぞれの根拠）
• 転職で求められるスキル・実務経験と、評価されるポートフォリオの見せ方
• 転職エージェントの使い方から、転職後の年収・キャリアパスまで

を解説します。未経験・異業種からのキャリアチェンジを考えている方も、ぜひ最後までご覧ください。

「データサイエンティストを目指したいが、何をどの順番で学べばよいか分からない」という方は、Craft Collegeをご検討ください。

⇨Craft Collegeの詳細はこちら

データサイエンティスト転職とは。今の市場の実態

データサイエンティストを目指す転職理由として多いのは、「データを扱う仕事に将来性を感じた」「現職で触れている分析業務を、より専門的に深めたい」といったものです。ただ、いざ調べ始めると「人材不足で売り手市場」という情報と「供給過多で厳しい」という情報が同時に目に入ります。転職活動の進め方を考える前に、この2つの声がどこから来ているのかを整理します。

人材不足と供給過多、相反する2つの声の根拠

一見矛盾する2つの主張ですが、実は見ている対象が異なります。

主張	主な根拠	実際に指している対象
人材不足・売り手市場	DX・生成AI関連の投資拡大により分析人材の求人数が増加し、求人倍率も上昇傾向にある	実務経験を持つ即戦力層
供給過多・厳しい	未経験可の求人に応募が集中し、書類選考の通過率が下がっている	スクール修了直後などの実務未経験層

この表から読み取れるのは、転職市場が「実務経験のあるデータサイエンティストは足りない一方で、実務未経験の応募者は余っている」という二層構造になっていることです。「データサイエンティスト 供給過多」という言葉が指しているのは市場全体の話ではなく、主に後者の層で起きている競争の激化です。

公的な調査も、この見方を裏づけています。IPA（情報処理推進機構）の「DX動向2026」によると、DXを推進する人材の量が「大幅に不足している」「やや不足している」と答えた企業は、2025年度の調査で合わせて85.5%にのぼります。一方で「大幅に不足している」だけを見ると、2023年度の62.1%から2024年度は58.5%、2025年度は50.1%へと下がっており、報告書は「やや解消傾向にある」と整理しています。

人材類型別に見ると、2024年に公表された分析「DX動向2024 深刻化するDXを推進する人材不足と課題」では、「大幅に不足している」の割合が最も高いのはビジネスアーキテクト、次いでデータサイエンティストでした。企業の不足感は依然として強いものの、誰でも採用される局面は過ぎつつあると読むのが妥当です。企業が足りないと感じているのは、データを使って業務や事業を変えられる人材であり、学習を終えたばかりの応募者ではありません。

そのため、転職の難易度は市場全体の景気ではなく、自分がどちらの層に立っているかで決まります。実務経験がない状態からの転職では「経験の代わりに何を提示できるか」が勝負どころになり、この点は後述するポートフォリオの章で詳しく扱います。

転職市場でいま評価されるデータサイエンティスト像

求められる人材像も、この数年で変化しています。生成AIツールの普及により、データを集計して可視化するだけの作業は自動化が進みました。その結果、企業が中途採用で求めるのは、ビジネス上の課題を「データで解ける問い」に翻訳し、分析結果の意味を解釈して意思決定につなげられる人材へと移っています。

正社員求人の傾向としても、「モデルを作れる人」より「事業部門と会話しながら分析テーマを設定できる人」を求める記載が目立ちます。求人票に「事業課題のヒアリング」「施策への落とし込み」といった言葉が並んでいる場合、企業が期待しているのは技術力だけではありません。

なお、業務委託の案件を単発で受ける働き方については、正社員転職とは求められるものが変わります。独立を視野に入れている方は、以下の記事もあわせてご覧ください。

参照記事：データサイエンティスト未経験からフリーランスを目指す学習方法を5ステップ徹底解説

データサイエンティストへの転職で求められるスキル・実務経験

市場の実態が分かったところで、次に評価される側の基準を具体的に見ていきます。中途採用の選考で確認されるのは、大きく「スキル」「実務経験」「資格」の3点です。

必須スキル（統計・機械学習・プログラミング・SQL）

データサイエンティストの転職で土台になるスキルは、次の4つに整理できます。

• 統計学の基礎：平均や分散といった記述統計に加え、仮説検定や回帰分析の考え方。分析結果が「偶然かどうか」を判断するために使います
• 機械学習の基礎：教師あり学習・教師なし学習の違い、代表的なアルゴリズムの特性と使い分け。手法の名前を知っているだけでなく、なぜその手法を選んだかを説明できる状態が求められます
• プログラミング（Python）：pandasによるデータ加工、scikit-learnによるモデル構築が中心です
• SQL：社内のデータベースから必要なデータを抽出する場面で日常的に使います。実務では機械学習より使用頻度が高い場合も少なくありません

意外に思われるかもしれませんが、選考で差がつきやすいのはSQLとデータ加工です。分析業務の時間の多くはデータの抽出と前処理に費やされるため、ここが自走できるかどうかを面接で確認されます。

実務経験がどこまで問われるか。未経験者と経験者で異なる基準

データサイエンティストの中途採用では、実務経験の有無で評価の軸が変わります。

実務経験者の場合は、担当した分析が事業にどう効いたかが問われます。「解約予測モデルを作った」ではなく、「解約予測モデルを作り、上位10%の顧客にアプローチした結果、解約率がどう変化したか」まで語れるかどうかが分かれ目です。

一方、実務未経験の場合は、経験の代わりに次の3点で判断されます。

1. データを扱う周辺業務の経験（Excelでの集計、BIツールでのレポート作成、業務システムのデータ設計など）
2. 学習の到達度（何を、どこまで、どのくらいの期間で習得したか）
3. 自主制作した分析の質（後述するポートフォリオ）

現職がSE・企画職・アナリストなどの場合、1に当てはまる経験を持っている方は多くいます。「未経験だから何もない」と考えず、現職の業務のうちデータに触れた部分を職務経歴書で具体的に書き出すことが、書類選考を通過する第一歩になります。

書き方のコツは、業務名ではなく「目的、使ったデータ、行った処理、結果がどう使われたか」の4点で書くことです。たとえば「月次の売上レポートを作成」とだけ書くと、集計作業をしていたことしか伝わりません。これを「商品別の売れ行きを把握するため、販売管理システムから月次データを抽出してExcelのピボットテーブルで集計し、前年同月比で落ち込んだ商品の一覧を会議資料に載せて在庫の見直しにつなげた」と書き直すと、抽出、加工、解釈、意思決定への接続という分析業務の流れを経験していることが伝わります。

実績を大きく見せる必要はありません。実際に行った範囲を、分析の工程に沿って言葉にするだけで、選考で評価できる材料になります。

転職で評価される資格

資格そのものが内定を決めるわけではありませんが、学習の到達度を客観的に示す材料として機能します。転職活動でよく挙がるのは次の3つです。

資格	主催	転職活動での位置づけ
統計検定（2級・準1級）	日本統計学会（公式サイト）	統計の基礎理解を示す。2級が実務の入口、準1級で応用範囲が広がる
G検定	日本ディープラーニング協会（公式サイト）	AI・ディープラーニングの全体像を理解していることを示す
E資格	日本ディープラーニング協会（公式サイト）	実装レベルの理解を示す。認定講座の修了が受験条件

表に挙げた資格のうち、実務未経験から転職を目指す場合は統計検定2級とG検定の組み合わせが取り組みやすい構成です。ただし、資格の欄が埋まっていても分析実績が何もない状態では選考は通りにくいため、資格取得と並行してポートフォリオを準備することをおすすめします。

未経験・異業種からデータサイエンティストへ転職する3つのルート

評価基準が分かったところで、そこに至る現実的な道筋を確認します。未経験・異業種からデータサイエンティストへ転職するルートは、大きく3つに分かれます。

1. 独学で学びながら副業・複業案件で実績を作る

書籍やオンライン教材で学習しつつ、小規模な分析案件を副業として受け、実績を積み上げるルートです。費用を抑えられる一方、学習の順番を自分で設計する必要があり、途中で何を優先すべきか分からなくなりやすい点が難所になります。

2. スクールで体系的に学んでから転職する

カリキュラムに沿って統計・機械学習・実装を順番に学び、修了制作を実績として転職活動に臨むルートです。学習の順番と到達度が担保される反面、費用と一定の学習時間の確保が前提になります。

3. 社内異動でデータ関連業務から実績を積む

現職の社内でデータ分析に関わる部署や業務へ異動し、実務経験を得てから転職するルートです。実務経験を「業務として」積める点が最も強く、遠回りに見えて結果的に最短になる場合があります。異動の機会があるかどうかは会社次第という制約はあります。

3つのルートを比較すると、次のようになります。

ルート	費用	実務実績の作りやすさ	向いている人
独学＋副業案件	低い	案件を獲得できれば高い	学習計画を自分で設計でき、時間の融通が利く人
スクール	高い	修了制作を実績にできる	学習の順番に迷いたくない人、期限を決めて進めたい人
社内異動	ほぼ不要	最も高い	現職にデータ関連部署があり、異動の余地がある人

どのルートを選ぶ場合でも、学習内容そのものの進め方は共通します。未経験からの学習ロードマップは以下の記事で詳しく解説していますので、あわせてご覧ください。

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

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

データサイエンティストの転職で評価されるポートフォリオ・実績の見せ方

ルートを選んだあとは、実際の転職活動で何を提示するかという問題が残ります。ここは競合記事でも情報が薄くなりやすく、実務未経験からの転職では合否を分ける部分です。

書類選考・面接で企業が見ているポイント

採用担当者がポートフォリオを見るとき、確認しているのはコードの美しさではありません。次の4点です。

• 課題設定：誰のどんな困りごとを、なぜその分析で解こうとしたのか
• データの扱い：データをどこから取得し、どう前処理したのか。欠損や外れ値への対応も含みます
• 手法選択の理由：なぜその手法を選んだのか。精度が高いからではなく、課題に合っているかを説明できるか
• 結果の解釈：出た数字を業務上どう解釈し、次に何を提案するのか

裏を返すと、有名なデータセットを使ってチュートリアル通りにモデルを作っただけの成果物は評価されにくいということです。精度99%と書かれていても、その分析が何のためのものか説明できなければ、選考では判断材料になりません。

ポートフォリオに入れるべき3つの要素

上記を踏まえると、ポートフォリオに入れるべき要素は次の3つに整理できます。

1. 課題と仮説を書いた冒頭のまとめ：分析の目的、立てた仮説、結論を最初に1画面で示します。採用担当者が最初に読む部分です
2. 前処理を含む分析プロセス：使ったデータの出所、前処理の内容、手法選択の理由を、コードとあわせて残します
3. 結果の解釈と次のアクション：数字の意味と、その結果を受けて次に何をすべきかの提案を書きます

題材は身近なもので構いません。自治体の公開データを使った地域課題の分析や、現職の業務を模したデータでの需要予測など、課題設定が自分の言葉になっているもののほうが、面接で深掘りされたときに答えられます。

面接でポートフォリオを見せると、次のような深掘りの質問が続くことが多くあります。

• なぜこのデータを選んだのか。ほかに使えるデータはなかったか
• 評価指標に何を使い、なぜその指標を選んだのか
• 精度が出なかった場合、次に何を試すつもりだったか
• この結果を業務で使うとしたら、誰がどう使うのか

これらは、前述した4つの確認ポイントを質問の形にしたものです。ポートフォリオの末尾に「試したが効かなかったこと」「時間があれば次にやること」を書き残しておくと、そのまま回答の準備になります。うまくいかなかった試行を隠す必要はありません。なぜうまくいかなかったと考えたかを説明できるほうが、入社後の仕事の進め方を面接官が想像しやすくなります。

つまり、ポートフォリオは「技術力の証明」ではなく「課題を解く思考プロセスの証明」として作るのが、転職活動では有効です。

ここまでデータサイエンティストの転職で評価される実績の見せ方を解説しましたが、「面接で見せられる実績が今の自分には無い」という方は、Craft Collegeをご検討ください。

Craft Collegeでは、現役のデータサイエンティストが伴走しながら、統計・機械学習の理論と実装を実務レベルまで指導しています。講義を受けるだけでなく、実データを使った分析課題に取り組むため、転職活動でそのまま提示できる実績が手元に残ります。

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の詳細はこちら

データサイエンティストの転職活動の進め方（エージェント・求人サイトの使い方）

実績の見せ方が固まったところで、実際に動き出す段階の実務知識を確認します。データサイエンティストの転職活動では、転職エージェント・求人サイト・直接応募を使い分けるのが基本です。

転職エージェントを使うメリットと選び方

転職エージェントを使う利点は、求人票からは読み取れない情報が得られる点にあります。

• 分析組織の成熟度（分析専任チームがあるのか、情報システム部門の一部なのか）
• 実際に任される業務範囲（モデル構築中心か、データ基盤の整備からか）
• 選考で重視されるポイントと、過去の通過者の傾向

データサイエンティストの求人は、同じ職種名でも企業によって業務内容の幅が大きく異なります。データ基盤の構築が中心の求人もあれば、事業部門と並走して施策を設計する求人もあり、この違いは求人票の文面だけでは判別しにくいのが実情です。

ただ、求人票を読む段階でも、ある程度の見当はつけられます。業務内容の欄に並ぶ言葉から、次の3つのどれに近いかを判断します。

業務の中心	求人票に出やすい言葉	経歴を活かしやすい人
データ基盤の整備	データパイプライン、DWH、ETL、クラウド環境の構築	SE、インフラエンジニア
モデルの構築	機械学習モデルの開発、精度改善、特徴量の設計	研究職、ソフトウェアエンジニア
事業部門との伴走	事業課題のヒアリング、KPI設計、施策への落とし込み、効果検証	企画職、マーケティング職

DWHはデータを分析用にまとめて保管するデータベース、ETLはデータを抽出して加工し、保管先へ書き込む処理を指します。自分の経歴が活きる行を先に決め、その言葉が並ぶ求人から応募すると、職務経歴書で経験と業務内容を結びつけやすくなります。判断がつかない求人は、エージェントに分析組織の成熟度や実際に任される業務範囲を確認してから応募を決めます。

エージェントを選ぶ際は、IT・データ職の求人を専門に扱っているかを確認します。総合型のエージェントは求人数が多い一方、担当者が分析職の実務を理解していない場合、求人の推薦がミスマッチになりやすくなります。専門型と総合型を1社ずつ併用し、求人の量と質のバランスを取る進め方が現実的です。

求人サイト・直接応募との使い分け

求人サイトは、市場にどのような求人があるかを自分で把握する目的に向いています。応募前の情報収集として、求められるスキル要件の相場感をつかむために使うと効果的です。

直接応募は、志望度の高い企業が明確にある場合の選択肢になります。エージェント経由と比べて企業側の採用コストが下がるため、選考で有利に働く場合があります。ただし、職務経歴書の作成や面接対策は、支援なしで自分で進めなければなりません。

3つの使い分けをまとめると、次のようになります。

• エージェント：非公開求人へのアクセスと選考対策の支援を得たい場合
• 求人サイト：市場の相場感を把握し、自分のペースで比較検討したい場合
• 直接応募：志望企業が明確で、自分で選考対策を進められる場合

データサイエンティスト転職後の年収・キャリアパス

転職活動の進め方が分かったところで、転職後の見通しを確認します。

年収相場の目安

厚生労働省の職業情報提供サイト「job tag」では、データサイエンティストの平均年収は約573万円と示されています（job tag）。日本全体の平均給与を上回る水準ですが、この数値は経験年数や業界によって大きく変動します。

未経験からの転職では、初年度は現職の年収から横ばい、あるいは一時的に下がるケースもあります。実務経験を2〜3年積んだ段階で市場価値が上がり、そこから年収が伸びていく形が一般的です。年代別・業界別の詳しい相場は以下の記事で解説しています。

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

転職後に広がるキャリアパス

データサイエンティストとして経験を積んだあとのキャリアは、一本道ではありません。

• スペシャリスト：機械学習エンジニア・MLOpsエンジニア（MLOpsとは、機械学習モデルを本番環境で安定運用する仕組みづくりを指します）として、技術を深める方向
• マネジメント：分析チームのリーダー・データ組織の責任者として、組織と人を動かす方向
• 事業側：プロダクトマネージャー・事業企画として、分析の知見を事業判断に活かす方向

いずれの方向に進む場合も、共通して効いてくるのは「課題をデータで解ける問いに変換する力」です。転職時点でこの力を意識して実績を作っておくと、その後のキャリアの選択肢が広がります。

データサイエンティストへの転職で失敗しないための注意点

年収とキャリアパスを踏まえたうえで、転職を決断する前の最終チェックとして注意点を確認します。

転職してから後悔しがちなポイント

転職後のミスマッチは、次のようなパターンで起こりがちです。

• 業務内容のギャップ：分析業務を期待して入社したが、実際はデータ集計とレポート作成が大半だった
• データ基盤が未整備：分析以前に、データが社内に散在していて使える状態になっていなかった
• 分析結果が使われない：レポートを出しても意思決定に反映される仕組みがなく、成果を実感しにくい
• 評価制度との不一致：分析の成果が数値目標に結びつきにくく、社内評価につながらない

これらは選考時に確認することで、ある程度は避けられます。面接では「直近1年でチームが取り組んだ分析テーマ」「その結果が実際にどの施策に反映されたか」を質問すると、組織の実態が見えてきます。

「供給過多だから厳しい」という声とどう向き合うか

冒頭で整理したとおり、供給過多と言われているのは実務未経験層に応募が集中している状況を指しています。したがって、この声への向き合い方は「市場に参入するかどうか」ではなく、どうやって未経験層の枠から抜けるかという問題として捉えるのが実際的です。

具体的には、次の3つのいずれかで抜け出す道があります。

1. 現職でデータに触れる業務を担当し、職務経歴書に書ける実績にする
2. 課題設定から結果の解釈まで語れるポートフォリオを1本仕上げる
3. データ基盤やSQLなど、応募者が手薄になりやすい領域のスキルを押さえる

いずれも短期間で終わるものではありませんが、応募者の多くが「学習しただけ」で止まっている以上、ここを越えるだけで選考の通過率は変わってきます。

まとめ

本記事の要点は次のとおりです。

• データサイエンティストの転職市場は、実務経験者が不足する一方で実務未経験者の応募が集中する二層構造になっている
• 中途採用で評価されるのは技術力だけでなく、事業課題をデータで解ける問いに変換できる力
• 未経験・異業種からのルートは、独学＋副業案件・スクール・社内異動の3つ
• ポートフォリオは技術力ではなく「課題を解く思考プロセス」を示すものとして作る
• 転職エージェントは専門型と総合型を併用し、求人サイト・直接応募と使い分ける
• 転職後のキャリアはスペシャリスト・マネジメント・事業側の3方向に広がる

まず着手すべきは、現職の業務のうちデータに触れた経験を書き出すことと、課題設定から語れるポートフォリオを1本仕上げることです。

データサイエンティストへのキャリアチェンジは「Craft College」へ

ここまで読んで、「転職活動で見せられる実績を、独学だけで作りきれるだろうか」と感じた方も多いのではないでしょうか？

Craft Collegeでは、現役のデータサイエンティストが伴走しながら、統計・機械学習の理論から実務レベルの実装までを体系的に指導しています。実データを使った分析課題に取り組むため、修了時には転職活動でそのまま提示できる実績が手元に残ります。

• 学習の順番が分からず、独学が続かなかった
• 資格は取ったが、面接で話せる分析実績がない
• 異業種から、期限を決めてキャリアチェンジしたい

こうしたニーズをお持ちの方に適した講座です。

⇨Craft Collegeの詳細はこちら