データサイエンティストはやめとけ？実測データで見る理由と後悔しない判断基準

「データサイエンティストを目指したいけれど、『やめとけ』という声を見て不安になった」という方も多いでしょう。

検索すると「虚業」「飽和した」「つらいだけ」といった強い言葉が並び、挑戦する前から迷いが生まれてしまうこともあるはずです。ただ、こうした声には実態を反映している部分と、伝聞が誇張されて広がった部分が混ざっています。

そこで本記事では、

• データサイエンティストが「やめとけ」と言われる理由を実測データで確認する方法
• 実際に後悔した人に共通する3つの特徴
• 生成AIの普及で「やめとけ」の理由がどう変わったか
• 後悔しないために目指す前に確認したい3つのこと

についてわかりやすく解説します。データサイエンティストを目指すか迷っている方は、ぜひ最後までご覧ください。

「不安の中身を確かめたうえで、体系的に学んで挑戦したい」という方は、Craft Collegeへご相談ください。

⇨Craft Collegeの詳細はこちら

なぜ「データサイエンティスト やめとけ」と検索されるのか

まず、この言葉がどこで生まれ、どんな人が検索しているのかを整理します。ここを押さえると、後半で扱うデータの読み方が変わります。

SNS・知恵袋で見かける「虚業」「飽和」といった強い表現

SNSやQ&Aサイトでは、データサイエンティストに対して「虚業」「もう飽和している」「分析なんて誰でもできる」といった強い言葉が使われることがあります。こうした表現が目に入ると、職種そのものに問題があるように感じられます。

ただし、こうした投稿の多くは次のいずれかです。

• 実際に働いていて特定の職場環境に不満を持っている人の声
• 職種を経験していない人が、伝聞や一部の記事をもとに書いた意見
• 数年前の市場環境（過度なブームと期待値のズレ）を前提にした古い意見

重要なのは、強い言葉そのものではなく、その裏にある具体的な理由がいま自分にも当てはまるかどうかです。

検索している人の多くは、まだ目指す前の不安段階にいる

「データサイエンティスト やめとけ」と検索する人は、大きく2種類に分かれます。

1. これから目指すかどうかを決めたい人（進路・転職を検討中）
2. すでに働いていて、つらいと感じている人

本記事は主に1の方に向けて、判断材料を客観的なデータで示す構成にしています。2の方にとっても、感じているつらさが職種によるものか、いまの環境によるものかを切り分ける手がかりになるはずです。

データサイエンティストが「やめとけ」と言われる理由をデータで確認する

検索背景を整理したところで、ここからは「やめとけ」と言われる理由が実態としてどの程度あるのかを、業界団体の調査データで確認します。

参照するのは、データサイエンティスト協会が一般（個人）会員を対象に実施した2024年調査です（調査期間2024年11月20日〜12月11日、有効回答313人、2025年4月11日発表。出典：データサイエンティスト協会「一般（個人）会員向けに2024年調査を実施」）。現役のデータサイエンティスト本人が答えた調査であるため、外から見た印象ではなく内側の実感を確認できます。

調査項目	2024年調査の結果	補足
業務満足度	37%	前年から9ポイント低下
将来性を感じる割合	78%	高い水準だが過去5年で最も低い
将来性を感じる割合（10代・20代）	90%	若年層ほど高い
将来性を感じる割合（30代）	71%	年代が上がると低下

この表から読み取れるのは、「将来性はある」と考えている人が8割近くいる一方で、日々の業務への満足度はその半分程度にとどまっているというギャップです。以下、項目ごとに見ていきます。

なお、この調査を読むときに押さえておきたい前提が2つあります。1つ目は、回答者がデータサイエンティスト協会の一般（個人）会員であることです。協会に自ら登録するほど職種への関心が高い人の声なので、業界で働く人全体の平均とは少しずれている可能性があります。2つ目は、有効回答が313人という規模であることです。年代別に分けると1つの層あたりの人数はさらに少なくなるため、数ポイントの差を細かく比べるより、「満足度は低め」「将来性の実感は高め」「年代で差がある」という大きな傾向として読むのが適切です。

業務満足度は37%。前年から9ポイント急落している

業務満足度が37%という数字は、決して高いとは言えません。しかも前年から9ポイント下がっており、現場の実感が短期間で悪化したことを示しています。

背景として考えられるのは、AI関連業務の広がりによって求められる範囲が急速に広がったことです。従来の分析業務に加えて、生成AIの検証や社内展開の相談まで担当が広がり、業務量と学習負担が増えた現場は少なくありません。「つらい」と表現される感覚の多くは、この負荷の増え方と関係しています。

将来性を感じる人は78%。ただし過去5年で最低水準

一方で、将来性については78%が肯定的です。職種の需要そのものが失われていると考えている人は、現役層の中では少数派だと分かります。

ただし、この78%も過去5年でもっとも低い水準です。「なくなる仕事ではないが、以前ほど楽観できない」という現場感覚が数字に表れていると読めます。AIによる代替そのものの論点は、別記事で詳しく扱っています。参照記事：データサイエンティストはAIの発展でなくなるのか

10代・20代90%、30代71%。年代が上がるほど下がる将来性への実感

同じ調査では、年代による差もはっきり出ています。10代・20代では90%が将来性を感じているのに対し、30代では71%まで下がります。

この差は、「入り口で不安になる人」よりも「数年働いたあとに実感が薄れる人」の方が多いことを示唆しています。つまり「やめとけ」という声は、目指す前の人が言っているというより、一定期間働いた人の実感から出てきている可能性があるということです。だからこそ、入る前にどんな環境を選ぶかが重要になります。

理由の中心は「地道な前処理」「学び続ける負担」「責任の重さ」の3つ

調査結果と各種の体験談を突き合わせると、「やめとけ」と言われる理由は次の3つに集約できます。

• 地道な前処理作業が多い：欠損値の補完、表記ゆれの統一、複数システムのデータ結合など、華やかさとは遠い作業が続く
• 学び続ける負担が大きい：統計・機械学習に加えて、生成AIやLLMなど新しい技術が次々に登場する
• 責任の重さ：分析結果が経営判断や施策の根拠になるため、精度と説明責任が求められる

いずれも事実として存在する負担です。次章では、この負担が誰にとっても等しくつらいのか、それとも特定の条件下で後悔につながりやすいのかを見ていきます。

データサイエンティストで後悔する人に共通する3つの特徴

前章で挙げた3つの負担は、職種としての性質です。ただ、同じ負担があっても後悔する人としない人に分かれます。ここでは、後悔したという声に共通する特徴を3つ整理します。

特徴1：求人票で聞いていた役割と、実際の業務が違う環境にいる

「データ分析」という求人票の言葉は、実際にはかなり幅があります。機械学習モデルの開発を想定して入社したのに、実務のほとんどが集計表の作成と報告資料づくりだった、というギャップは後悔の代表的な原因です。

例えば、社内にデータ基盤が整っていない企業では、分析よりも先にデータを集める・整える作業から始める必要があります。この状態自体は珍しくありませんが、事前に説明がないまま配属されると「話が違う」と感じやすくなります。

ギャップが生まれやすいのは、同じ「データサイエンティスト」という職名でも、企業によって中身が大きく異なるためです。集計と可視化を中心に現場の問いに答える仕事、データを集めて使える形に整える基盤づくりの仕事、予測モデルを作って業務システムに組み込む仕事は、求められる技術も1日の過ごし方も別物です。求人票では、これらがまとめて「データ分析」と書かれることがあります。

特に注意したいのが、社内で初めてのデータ人材として採用されるケースです。相談相手がいないまま、データの所在を調べるところから、上司への説明、ツールの選定までを1人で担うことになりやすく、分析に使える時間が想像より大幅に少なくなります。この状況は成長の機会にもなりますが、入社前に知っていたかどうかで受け止め方が大きく変わります。

特徴2：地道な前処理作業そのものが苦にならないタイプではない

前処理はデータサイエンティストの業務の中で大きな比重を占めます。この作業を「品質を作り込む工程」と捉えられる人は苦になりにくい一方、成果が目に見えにくい作業にストレスを感じる人には負担が続きます。

これは能力の問題ではなく相性の問題です。向き不向きの詳しい判断軸は、以下の記事で整理しています。参照記事：データサイエンティストに向いている人の特徴5選

特徴3：分析結果を意思決定に使ってもらえず、徒労感が積み重なっている

丁寧に分析しても、結果が施策に反映されず報告書で終わってしまう職場があります。この状態が続くと、業務そのものへのやりがいを感じにくくなります。

分析結果が使われない原因は、分析の質よりも進め方にあることが多いです。よく見られるのは次のような状況です。

• 「何か面白いことが分からないか」という依頼から始まり、どの判断に使うのかが決まっていない
• 結果を受け取って施策を決める立場の人が、分析の途中に一度も関わっていない
• 報告のタイミングが、予算や計画を決める時期より後になっている

こうした状況は、担当者1人の努力では変えにくい一方で、「分析を始める前に、誰が何を決めるために使うのかを確認する」という進め方を職場として持っているかどうかで大きく変わります。後悔した人の声を読むと、職種そのものより、この進め方がない職場で消耗したという話が多く見られます。

3つの特徴のうち、特徴1と特徴3は職場環境に起因し、特徴2は本人の適性に起因します。この切り分けが判断のポイントです。

要因の種類	該当する特徴	対処の方向性
環境要因	特徴1（役割のギャップ）・特徴3（結果が使われない）	転職・部署異動で改善できる余地が大きい
適性要因	特徴2（地道な作業への耐性）	目指す前に小さく試して見極める

「やめとけ」と言われる理由の多くは、職種そのものではなく配属先の環境に起因しています。 つまり、環境の見極め方を知っていれば避けられる後悔が相当あるということです。

すでにデータサイエンティストとして働いていてつらいと感じている方は、自分のつらさを上の表に当てはめてみてください。役割のギャップや結果が使われないことがつらさの中心なら、転職を考える前に、上司と「分析に充てる時間の割合」や「分析結果を使う会議への同席」を相談する余地があります。社内で改善が見込めない場合でも、つらさの原因が環境だと分かっていれば、次の職場を選ぶときに何を確かめればよいかが明確になります。反対に、前処理や検証の作業そのものが苦痛という場合は、データアナリストやデータ活用の企画職など、手を動かす比重が異なる隣接職種へ軸をずらすという選択肢も検討できます。

生成AIの普及でデータサイエンティストの「やめとけ」理由はどう変わったか

環境要因が大きいと分かったところで、次はその環境自体の変化を見ていきます。「データサイエンティストはいらない」という声の背景にあった前提は、生成AIの普及によって動き始めています。

前処理の自動化が進み、「作業の8割が地味」という前提が崩れ始めている

「業務の8割は地味な前処理」という表現は、この職種を語るときによく引き合いに出されてきました。ただ、生成AIやLLMを使った支援ツールが実務に入ってきたことで、この比率は変わりつつあります。

具体的に変わってきた点は次のとおりです。

• 表記ゆれの統一や簡単な欠損値処理を、自然言語の指示で下書きできるようになった
• 探索的なデータ可視化のコードを、ゼロから書かずに叩き台を得られるようになった
• 分析結果を説明する文章の初稿を自動生成し、報告資料の作成時間を短縮できるようになった

一方で変わっていない点もあります。

• どのデータを使うかという設計判断
• 出力された処理が業務の前提に合っているかの検証
• 分析結果を意思決定につなげる合意形成

求められる力は「作業をこなす力」から「AIの出力を判断する力」に移っている

上記の変化をまとめると、負担の中心が「手を動かす量」から「判断の質」へ移動していると言えます。生成AIが出した処理をそのまま使うと、業務の前提と食い違ったまま分析が進んでしまうためです。

例えば、売上データの空欄を埋める処理を生成AIに頼むと、列の平均値で埋めるコードがすぐに返ってくることがあります。コードとしては正しく動きますが、その店舗がその日休業していたのであれば、空欄に入るべき値は平均ではなく0です。反対に、システム障害で記録が抜けただけなら、その日を集計から外す方が適切かもしれません。どちらが正しいかは、データの外にある業務の事情を知らなければ判断できません。

このように、作業の手間は減っても、「この処理はこの業務にとって正しいか」を確かめる責任は人に残ります。前処理がつらいという理由で迷っている方にとって、この変化は負担が軽くなる面と、確認する目を持つことが求められる面の両方を持っています。

リベルクラフトが企業のデータ活用を支援する中でも、経営層とデータ担当者の間で「何をどこまでAIに任せるか」の期待値を握れている組織ほど、担当者が孤立せず成果を出せている傾向があります。逆に、期待値のすり合わせがないまま導入だけ進んだ組織では、担当者が「何をやっても評価されない」と感じやすくなります。

つまり、これから目指す人にとって重要なのは、地味な作業への耐性だけではなく、AIの出力を業務文脈で判断できる力を身につけられる環境を選べるかどうかです。

ここまでデータサイエンティストの実態について解説しましたが、「やめとけと言われる理由の一部は変わりつつあると分かったが、独学でその変化についていけるのか、何から手をつければいいか分からない」という方は、Craft Collegeへご相談ください。

Craft CollegeのDS COURSEでは、Pythonでのデータ分析・機械学習の基礎から、生成AI・LLMを業務で使うための実装までを体系的に学べます。前処理の自動化を前提に、AIの出力が現場の前提に合っているかを判断する力まで、現役データサイエンティストの1on1伴走で実務課題を通じて身につけられます。

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の詳細はこちら

データサイエンティストで後悔しないために、目指す前に確認したい3つのこと

職種の実態を最新の状態で把握できたところで、最後に読者自身の判断に落とし込みます。以下の3つを目指す前に確認しておくと、後悔の大きな原因を先回りして避けられます。1つ目は環境要因への備え、2つ目と3つ目は適性要因の見極めにあたります。

1. 求人票・面接で「役割」と「相談できる体制」を確認する

特徴1・特徴3の環境要因を避けるための確認です。求人票の「データ分析」という言葉だけで判断せず、面接やカジュアル面談で次の点を具体的に聞きます。

• 入社後1年間、業務時間の何割が分析で、何割がデータ整備や報告資料作成になるか
• 分析結果が実際に施策へ反映された直近の事例はあるか
• 分析の方針を相談できる先輩・上司が社内にいるか（一人目のデータ人材として採用される場合は特に重要）

「分析結果が施策に反映された事例」を具体的に答えられる企業は、分析を意思決定に使う文化がある可能性が高いと判断できます。

回答の聞き分け方の目安も押さえておきましょう。例えば「需要予測の結果を使って、翌月の仕入れ量を決めるようになった」のように、分析の中身と変わった判断がセットで語られれば良い兆候です。一方で「いろいろ活用しています」「これから本格化します」といった抽象的な答えしか出てこない場合は、分析結果の使い道がまだ決まっていない可能性があります。それ自体が悪いわけではありませんが、立ち上げ期の職場で役割を自分で作っていく覚悟が必要だと理解したうえで判断してください。

面接で直接聞きにくい場合は、カジュアル面談で現場の社員と話す機会をもらうのも有効です。実際に働く人の1週間の過ごし方を聞くと、求人票の文面より正確に業務の中身をつかめます。

2. 地道な前処理作業への耐性を、小さく試してから判断する

特徴2の適性要因は、想像ではなく実際に手を動かして確かめる方が確実です。次の順で試すと、数週間で感触を掴めます。

1. 公開データセット（政府統計や Kaggle など）を1つ選び、Excelでも扱える規模のものから始める
2. 欠損値・表記ゆれ・重複を自分で洗い出し、整えてから集計する
3. その作業を数回繰り返し、退屈に感じるか、品質が上がる感覚を楽しめるかを振り返る

題材は、政府統計の総合窓口であるe-Statで公開されている統計表のように、自分の関心に近いテーマを選ぶと続けやすくなります。整ったデータより、列の名前が分かりにくい、単位が混ざっているといった少し扱いにくいデータの方が、実務の前処理に近い感覚を得られます。

振り返りでは、「退屈だったか」だけでなく、「どこに時間がかかり、どう工夫したら早くなったか」を書き出してみてください。工夫すること自体を面白いと感じられるなら、前処理が中心の時期も乗り越えやすいタイプです。

この段階で強い苦痛を感じる場合は、データアナリストやデータエンジニアなど、隣接職種の方が合う可能性もあります。

3. 向いている人の特徴に、自分がどれだけ当てはまるか確認する

最後に、適性を項目単位で確認します。データサイエンティストに向いている人には、数字を根拠に考えることが好き、地道な検証を苦にしない、関係者と対話しながら課題を定義できる、といった共通点があります。

すべてに当てはまる必要はありませんが、「向いていない人」の特徴に多く当てはまる場合は、学び方の工夫で補えるかどうかを先に検討すると安全です。詳細なチェック項目は以下で確認できます。参照記事：データサイエンティストに向いている人の特徴5選

なお、未経験から目指す場合の具体的な学習順序は、こちらで整理しています。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

まとめ

この記事では、データサイエンティストが「やめとけ」と言われる理由と、その実態について解説しました。

• 業務満足度は37%（前年比9ポイント低下）で、日々の業務への負担感は実在する
• 一方で将来性を感じる現役層は78%おり、職種の需要が失われているわけではない
• 将来性への実感は10代・20代で90%、30代で71%と年代差があり、環境選びが実感を左右する
• 後悔の原因は、役割のギャップ・前処理への耐性・分析結果が使われないことの3つ
• このうち2つは環境要因であり、求人票と面接での確認によって避けられる余地が大きい
• 生成AIの普及で前処理の負担は変わりつつあり、求められる力は作業量から判断の質へ移っている

「やめとけ」という言葉をそのまま受け取るのではなく、理由ごとに自分の状況と照らし合わせて判断してみてください。年収やキャリアの広がりから検討したい方は、以下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の年収はいくら？
• 参照記事：データサイエンティストの将来性が高い3つの理由

データサイエンティストを目指すなら「Craft College」へ

ここまで、データサイエンティストが「やめとけ」と言われる理由の実態と、後悔しないための判断基準を解説してきました。「挑戦したい気持ちは固まったが、独学で実務レベルまで到達できるか不安」と感じた方も多いのではないでしょうか。

リベルクラフトが運営するCraft Collegeでは、そうした不安に応えるため、Pythonでのデータ分析・機械学習の基礎から、生成AI・LLMを使った実装までを、現役データサイエンティストの伴走のもとで学べるDS COURSEを提供しています。学習内容は実務課題ベースで、手を動かす作業だけでなく、分析結果をどう意思決定につなげるかまで扱います。

以下のような方におすすめです。

• 独学で何から手をつければよいか分からない方
• 実務で通用するレベルまでデータ分析スキルを身につけたい方
• 給付金制度を活用して学習コストを抑えたい方

⇨Craft Collegeの詳細はこちら