こんにちは、IT・AI領域の転職支援を27年続けているキープレイヤーズの高野秀敏です。
「データサイエンティストに転職したい」「年収は本当に上がるのか」「生成AIが出てきた今から目指して間に合うのか」——2026年に入ってから、この3つの質問をセットでいただくことが本当に増えました。
最初に結論をお伝えします。データサイエンティストの求人は今も強いですが、「Pythonで分析ができる人」の価値は確実に下がり、「事業の問いを立てて、AIも使いながら意思決定まで持っていける人」の価値が上がっています。年収も同じで、公的統計の平均は約570万円台ですが、事業会社のリードクラスやHead of Dataになると1,500万円を超えるケースは珍しくありません。平均と上位層の差がとても大きい職種です。
本記事では、私が面談でお会いしてきた方々の実例と、2026年11月時点の公開データをもとに、年収の実態、必要なスキル、未経験からのルート、失敗パターンまでを整理しました。
- データサイエンティストの仕事内容と、データアナリスト・MLエンジニア・データエンジニアとの違い
- 年収相場（公的統計・転職者調査・経験レベル別・企業ステージ別）
- 生成AI時代に評価が上がったスキル、下がったスキル
- 未経験から目指す3つのルートと、転職の6ステップ
- メリット・デメリット、向いている人・向いていない人
- 年代別の戦略、よくある失敗パターン、FAQ
結論：データサイエンティスト転職の全体像（早見表）
まず全体像を一枚にまとめます。細かい話はこの後で順番に説明します。
| 項目 | 2026年の実態 | 高野のコメント |
|---|---|---|
| 平均年収 | 573万円（job tag・令和6年）／転職者の平均624万円・中央値600万円（Geekly調べ） | 平均は「分析担当」も含むため低めに出る。事業会社のリードは1,000万円超が普通 |
| 上位層の年収 | Head of Data・VP of Dataで1,500〜2,500万円＋SO | 年収を決めるのは技術力より「任される範囲」 |
| 人材の需給 | DX人材が不足している企業は85.1%（IPA「DX動向2025」） | 「誰でもいい」ではなく、事業に効く人の取り合い |
| 未経験の入りやすさ | 完全未経験でのDS職採用は減少。データアナリスト経由が主流 | 「いきなりDS」より「分析職→DS」の2段階が現実的 |
| 評価が上がったスキル | 課題設定、因果推論・実験設計、LLMの評価・運用、データ基盤の理解 | モデルを作れるだけの人は生成AIと競合する |
| 評価が下がったスキル | 定型的な集計・可視化、ライブラリを呼ぶだけのモデル構築 | AIで代替しやすい作業ほど単価が下がる |
2026年のデータサイエンティスト市場の現実
まず市場を数字で見ます。旧版の記事では「有効求人倍率2.83倍」「5年で求人7.5倍」といった数字を載せていましたが、一次情報で出典を確認できなかったため、今回は確認できたデータだけに差し替えました。
| 指標 | データ | 出典・注意点 |
|---|---|---|
| データサイエンティストの年収 | 573万円 | 厚労省 job tag（令和6年賃金構造基本統計調査ベース）。職業分類単位の数字で、DSだけの実測ではない |
| 転職者の年収 | 平均624万円・中央値600万円 | Geekly が IT転職者118名に実施（2024年2月〜2026年1月）。事業会社が最も高い |
| DX人材の不足 | 不足していると答えた企業 85.1% | IPA「DX動向2025」（2025年6月公表）。米独より著しく高い |
| 不足している人材の類型 | ビジネスアーキテクト 41.9%、データサイエンティスト 19.1% | IPA「DX動向2024」。DSは2番目に不足している類型 |
| IT人材全体の不足 | 2030年に最大約79万人 | 経産省の2016年推計。IT人材全体の数字で、DS単独ではない |
数字から読み取れるのは、「DX人材全体が足りない中で、データサイエンティストは特に足りない職種のひとつ」だということです。ただ、面談の現場で感じるのは、足りないのは「事業の課題からデータで解く問いを作れる人」であって、「Kaggleで上位を取れる人」ではないということです。IPAの調査で1位が「ビジネスアーキテクト」なのも、同じことを言っていると私は見ています。
また、2025年12月にはデータサイエンティスト協会がスキルチェックリストの最新版（Ver.6）を公開し、データサイエンティストの役割を「分析」から「価値創造」へと広げる方向性を打ち出しました。同じ月にIPAも「ITSS+ データサイエンス領域」のタスクリストを改訂し、AIエージェントやAIガバナンスを加えています。業界の定義そのものが「分析する人」から「AIも使って価値を出す人」へ動いていると捉えてください。
データサイエンティストとは｜仕事内容を分解する
データサイエンティストは「データから事業の価値を生み出す専門家」です。実際の業務は次の5つに分かれます。
- ビジネス課題の言語化：事業部門と話し、データで解くべき問いを決める（例：「解約率を下げたい」を「解約の3か月前に出る行動の変化は何か」に変える）
- データ収集・整備：必要なデータの場所を確認し、抽出・クレンジング・結合する
- 分析・モデリング：統計分析、機械学習モデルの構築、A/Bテストの設計と検証
- 可視化・報告：ダッシュボードを作り、経営層や現場に提言する
- 本番運用・改善：モデルのデプロイ、精度の監視、継続的な改善（2026年はここにLLMの評価・運用が加わった）
実務の時間配分でいうと、「分析・モデリング」は全体の2〜3割で、残りはほとんどが問いの設計とデータ整備と説明です。ここを知らずに入って「思っていた仕事と違う」となる方が毎年います。
類似職種との違い（比較表）
| 職種 | 主な役割 | 年収相場の目安 | 向いている人 |
|---|---|---|---|
| データサイエンティスト | 課題設定→分析・モデル→意思決定への提言 | 600〜1,500万円 | 事業と技術の両方に関心がある |
| データアナリスト | 既存データの集計・可視化・示唆出し | 450〜900万円 | 数字で現場の改善を回したい |
| 機械学習（ML）エンジニア | モデルの開発と本番システム化、MLOps | 700〜1,800万円 | ソフトウェア開発が好き |
| データエンジニア | データ基盤・パイプラインの構築 | 700〜1,500万円 | 仕組みを作るのが好き |
| AIリサーチャー | 新しい手法・アルゴリズムの研究 | 900〜3,000万円 | 博士課程レベルの研究経験がある |
境界はあいまいで、企業によって役割の定義はかなり違います。「データサイエンティスト」という肩書きでも、実態は集計担当だったり、MLエンジニアに近かったりします。求人を見るときは肩書きではなく、職務内容（JD）と「入社後半年で期待される成果」を必ず確認してください。隣接職種についてはデータアナリスト転職ガイド、データエンジニア転職ガイド、AIエンジニア転職ガイドでそれぞれ詳しく書いています。
年収相場【2026年最新／経験別・企業ステージ別】
経験レベル別の年収レンジ
| 経験年数・レベル | 年収レンジ | 求められること |
|---|---|---|
| 未経験〜ジュニア（1年未満） | 400〜600万円 | SQL・Pythonで指示された分析を正確にこなす |
| ミドル（2〜4年） | 600〜900万円 | 自分で問いを立て、施策まで提案できる |
| シニア（5年以上） | 800〜1,300万円 | 難しいテーマを任せられ、事業KPIに責任を持つ |
| リード／マネージャー | 1,000〜1,800万円 | チームの設計・採用・育成、優先順位の判断 |
| Head of Data / VP of Data | 1,500〜2,500万円＋SO | データ戦略を経営と一緒に決める |
| CDO（チーフデータオフィサー） | 1,800〜3,000万円＋SO | 全社のデータ・AI活用の責任者 |
※当社の支援実績と公開求人をもとにした目安です。外資テック・外資コンサルは上振れします。
企業ステージ別の特徴
| 企業タイプ | 年収の傾向 | 得られる経験 | 注意点 |
|---|---|---|---|
| 大手事業会社（製造・金融・小売） | 安定。600〜1,200万円 | 整ったデータ、ドメイン知識 | 意思決定が遅く、PoC止まりになりやすい |
| 外資テック・外資コンサル | 高水準。1,500万円超も普通 | 大規模データ、グローバル基準 | 英語が前提。成果が出ないと厳しい |
| メガベンチャー | 800〜1,500万円＋SO | 大量のユーザーデータ、A/Bテスト文化 | 組織が大きく役割が細分化されている |
| シリーズB〜Cのスタートアップ | 基本給は大手と同等＋SO | 裁量が大きく、事業に直結 | データ基盤が未整備なことが多い |
| シリーズA以前 | 前職比70〜80%＋SO | 「一人目のデータ人材」として基盤から作る | 分析より基盤づくりと雑務が中心 |
年収だけで選ばず、「その会社で2〜3年後に何ができるようになっているか」で選ぶのが、長い目で見て一番年収が上がる選び方です。年収や報酬パッケージの考え方は年収・手取りガイドとベンチャーの年収相場で詳しく解説しています。
必要なスキル｜生成AI時代に「上がったもの」「下がったもの」
スキルの一覧を並べるだけなら他の記事でも読めるので、ここでは2024年以降の生成AIの普及で、採用側の評価がどう変わったかという観点で整理します。
| スキル領域 | 評価の変化 | 具体的な中身 |
|---|---|---|
| 課題設定・ビジネス翻訳 | 大きく上がった | 事業課題を分析課題に置き換え、結果を意思決定につなげる |
| 因果推論・実験設計 | 上がった | A/Bテスト設計、差分の差分法、傾向スコアなど「施策の効果を正しく測る」力 |
| LLMの活用・評価・運用 | 上がった | RAGの精度評価、プロンプトや出力の評価設計、コストと品質のバランス |
| データ基盤の理解 | 上がった | dbt・BigQuery・Snowflakeなど、データがどう作られているかを理解している |
| 統計・数学の基礎 | 変わらず重要 | 仮説検定、回帰、ベイズ統計。AIの出力の妥当性を判断するために必要 |
| Python・SQL | 必須だが差がつきにくい | コードはAIが書けるため、「読めて直せる」ことが前提条件に |
| 定型的な集計・可視化 | 下がった | BIツールと生成AIでかなりの部分を自動化できる |
1. 統計・数学
- 基礎統計（平均・分散・相関・仮説検定）
- 回帰分析・分散分析、ベイズ統計
- 線形代数・微積分（機械学習の仕組みを理解するために必要）
2. 機械学習・AI
- 教師あり学習（回帰、決定木、勾配ブースティングなど）、教師なし学習（クラスタリング、次元削減）
- ディープラーニング（CNN、Transformer）の基本
- 大規模言語モデル（LLM）の活用と評価、RAGの設計
- モデルの評価指標、過学習の対策、特徴量の設計
3. プログラミング・データ基盤
- Python：必須（pandas、NumPy、scikit-learn、PyTorch）
- SQL：必須（複雑なJOIN、ウィンドウ関数）
- Git、Docker、クラウド（AWS・GCP・Azure）の基本、dbtなどのデータ変換ツール
4. ビジネス力・コミュニケーション
- 事業の課題を分析の課題に翻訳する力
- 分析結果を「で、何をすればいいのか」まで落として伝える力
- 経営層とも現場とも話せる対話力、仮説思考
5. ドメイン知識
金融なら規制とリスク管理、医療なら疫学と薬事、製造なら品質管理といった業界の知識です。ドメイン知識×分析は、未経験の30代・40代が20代と差をつけられる最大の武器です。
データサイエンティストに転職するメリット・デメリット
| メリット | デメリット |
|---|---|
| 業界をまたいで通用するスキルが身につく | 学び続けないとすぐに古くなる（手法もツールも変化が速い） |
| 年収の上限が高く、リード以上で1,000万円超を狙える | 未経験の入口は年収が一時的に下がりやすい |
| 経営の意思決定に近いところで仕事ができる | 分析しても使われない「PoC止まり」の徒労がある |
| リモートワークや副業と相性がよい | 成果が数字で見えるぶん、評価がシビア |
| CDO・CTO・経営企画など出口が多い | 肩書きと実態のズレが大きく、会社選びを間違えやすい |
未経験から目指す3つのルート
| ルート | 期間の目安 | 年収への影響 | 向いている人 |
|---|---|---|---|
| ①周辺職種からの社内異動・キャリアチェンジ | 1.5〜3年 | 維持しやすい | 今の会社にデータ部門がある |
| ②スクール＋ポートフォリオ＋転職 | 1〜1.5年 | 一時的に下がりやすい（400〜500万円台） | 20代〜30代前半で学習時間を確保できる |
| ③大学院・社会人博士 | 2〜5年 | 長期投資。リサーチ職・外資への道が開ける | 研究志向が強い |
ルート1：周辺職種からのキャリアチェンジ（最も現実的）
営業・コンサル・マーケティング・経理・SEなどの仕事の中で、データを扱う業務を意識的に増やし、社内のデータ分析業務に異動・兼務する方法です。その後、データアナリストとして転職し、経験を積んでデータサイエンティストへ進みます。年収を保ったまま移れるのが最大の利点です。
面談で成功例としてよくお会いするのは、たとえばメーカーの営業企画にいた方が、社内の需要予測プロジェクトに自分から手を挙げて分析業務を兼務し、その実績を持ってEC企業などのデータアナリストに移り、数年後にデータサイエンティストへ職種を変える——という流れです。「社内で実績を1つ作ってから外に出る」のが一番再現性が高いと感じます。
ルート2：スクール＋ポートフォリオ＋転職
DataMix（データミックス）やAVILENなどのデータサイエンス系スクールで半年〜1年学び、Kaggleや自主分析でポートフォリオを作って、ジュニアのポジションに転職する方法です。スクール選びでは、カリキュラムより「修了生がどの会社に、どの職種で入っているか」を確認してください。
ルート3：大学院・社会人博士課程
情報科学・統計学・数理工学の大学院で研究経験を積み、研究寄りのデータサイエンティストやAIリサーチャーを目指す方法です。時間はかかりますが、外資テックや先端領域への道が開けます。
転職を成功させる6つのステップ
ステップ1：自分の軸を「ビジネス寄り・エンジニアリング寄り・研究寄り」から選ぶ
すべてを高いレベルで持つ人はまずいません。自分が一番楽しめる領域に振り切ったほうが、結果的に市場価値は上がります。
ステップ2：基礎学習（3〜6か月）
- 統計検定2級レベルの統計（統計検定はCBT方式で随時受験できます）
- Python＋pandas＋scikit-learn、中級レベルのSQL
- 機械学習の基本的なアルゴリズムの理解
- 生成AIの基礎として、G検定（JDLA、2026年は全6回予定）も選択肢
ステップ3：ポートフォリオ作成（3〜6か月）
- 業務での分析実績：現職で「データを使って成果が出た」事例を1つ作る（これが最強です）
- GitHub：分析プロジェクトを3〜5本。問いの設定→データ→手法→結論→次の打ち手まで書く
- Kaggle：メダルは分かりやすい指標。ただしメダルだけで採用は決まらない
- 技術ブログ：QiitaやZennで、なぜその手法を選んだかを言語化する
ステップ4：書類の準備
職務経歴書には、使った手法より「どんな問いに対して、どんな意思決定が変わり、数字がどう動いたか」を書きます。書き方はベンチャー転職の職務経歴書ガイドを参考にしてください。
ステップ5：エージェントと応募先の選定
データ職は肩書きと実態のズレが大きいので、企業の中まで知っているエージェントを使う価値が高い職種です。選び方は転職エージェントの選び方ガイドで詳しく書いています。
ステップ6：面接対策
- 技術面接（SQL、統計、機械学習の基礎）
- ケース面接（「この事業のKPIを改善するために、何を分析しますか」）
- 過去プロジェクトの深掘り（なぜその手法か、失敗したことは何か）
- 適性検査（SPIなど）が課される会社もあります。中途採用の適性検査の種類と対策は中途採用の適性検査ガイドにまとめました
エンジニア職全般の面接質問はWeb/ITエンジニア・PM面接質問ガイドも参考になります。
キャリアパス｜データサイエンティストの「その先」
1. マネジメント路線
リーダー→マネージャー→部長→VP of Data／CDO。年収1,500〜3,000万円。組織づくりと経営課題への関与が中心になります。
2. スペシャリスト路線
NLP、推薦システム、因果推論など特定領域のエキスパート。プリンシパルやリサーチサイエンティストとして年収1,500〜2,500万円。
3. 起業・独立路線
AI・データ分析の会社を起業したり、フリーランスとして複数社を支援したりする道です。私の知人にも、データサイエンティストから独立してAI受託の会社を立ち上げ、数年で大きく伸ばした方がいます。
4. CxO路線
CTO・CDO・CPOなどへの転身です。データドリブン経営の中心を担います。CTO転職ガイドやCXO転職ガイドも参考にしてください。
5. 経営企画・事業開発・プロダクト
分析力を経営や事業の意思決定に生かす道です。経営企画への転職ガイド、事業開発（BizDev）転職ガイド、プロダクトマネージャー転職ガイドもあわせて読んでみてください。コンサル出身でデータ領域に移りたい方はコンサルからの転職ガイドも役に立つはずです。
年代別の戦略
| 年代 | 勝ち筋 | 注意点 |
|---|---|---|
| 20代 | ポテンシャル採用でジュニア枠に入る。3〜5年で700〜1,000万円 | スクール修了だけで終わらせない |
| 30代 | 周辺職種での実績＋分析スキル。最大のボリュームゾーン | 年収を下げすぎない移り方を設計する |
| 40代 | ドメイン知識×分析。業界特化のDS・分析組織のマネージャー | 完全未経験のジュニア枠は厳しい |
| 50代 | マネジメント経験＋データ・AIの理解でCDO・データ戦略アドバイザー | 手を動かす職より、組織と戦略で勝負する |
年代ごとの転職の考え方は年齢別転職ガイドで全体像を、個別には20代のベンチャー転職ガイド、30代のベンチャー転職ガイド、40代からの未経験転職ガイド、45歳からの転職ガイドで解説しています。
データサイエンティストに向いている人・向いていない人
| 向いている人 | 向いていない人 |
|---|---|
| 数字から「なぜ？」を掘るのが好き | 決まった手順を正確にこなすことに喜びを感じる |
| 新しい手法やAIツールを自分で試し続けられる | 数学・統計に強い苦手意識がある |
| 事業にも技術にも関心がある | プログラミングに継続的に触れたくない |
| 経営層にも現場にも分かる言葉で説明できる | 分析が使われないと強いストレスを感じる |
| 正解のない問いに粘り強く向き合える | 抽象的な議論より具体的な作業を好む |
よくある失敗パターン5選
失敗1：スクールを出れば転職できると思い込む
スクールは入口にすぎません。採用側が見るのはポートフォリオと実務での成果です。修了後に手を止めてしまう方は、転職活動で苦戦します。
失敗2：技術だけを磨いてビジネス力を軽視する
「Pythonでモデルを作れます」だけでは採用されません。生成AIでコードが書ける今は、なおさらです。「課題に翻訳できる」「結果を意思決定につなげられる」力が同じくらい大事です。
失敗3：肩書きだけで会社を選び、集計担当になってしまう
「データサイエンティスト募集」に応募して入ってみたら、毎日Excelでレポートを作るだけだった——というご相談は本当に多いです。面接で「直近半年で一番インパクトのあった分析は何か」「分析結果で意思決定が変わった例は何か」を聞けば、ほぼ見抜けます。
失敗4：「一人目のデータ人材」を気軽に引き受ける
シード〜シリーズAで一人目として入ると、分析より先にデータ基盤づくりと社内調整が待っています。それ自体は良い経験ですが、相談できる先輩がいない環境でジュニアが入ると伸び悩みやすいのも事実です。ベンチャー転職でよくある後悔はベンチャー転職の失敗・後悔ガイドにまとめています。
失敗5：向いていないのに無理に目指す
数学が本当に苦手、プログラミングが続かない——そういう方が無理に目指すと苦しくなります。データアナリスト、BIエンジニア、分析企画のほうが合う方も多いです。
採用する企業側の方へ
逆の立場からも一言だけ。データサイエンティストの採用でうまくいっている会社は、「何を解いてほしいのか」を求人票に具体的に書いています。「AIを活用して事業を伸ばす」では優秀な人ほど応募しません。データ人材の採用の進め方はスタートアップ採用ガイドで解説しています。
FAQ｜データサイエンティスト転職のよくある質問
Q1. 文系出身でもなれますか？
なれます。実際に文系出身のデータサイエンティストはたくさんいます。ただ、統計・数学・プログラミングに最低6か月以上の学習時間を使えることが条件です。「文系だから無理」ではなく「学習時間を取れるか」の問題です。
Q2. 生成AIでデータサイエンティストの仕事はなくなりますか？
なくなりません。ただし中身は変わります。集計やコードを書く作業はAIに任せられる部分が増えた一方で、「何を分析すべきか」「AIの出力が正しいか」を判断できる人の価値は上がりました。生成AI領域そのものに行きたい方は生成AI・LLM業界の転職ガイドも参考にしてください。
Q3. 統計検定やG検定は必須ですか？
必須ではありませんが、未経験の方が「学習した証明」として出すには有効です。統計検定2級・準1級、G検定、E資格などが代表的です。資格そのものの考え方は転職に資格は本当に必要かでも書いています。
Q4. Kaggleのメダルはどのくらい評価されますか？
銀メダル以上ははっきり評価されます。ただし、それだけで決まることはなく、「業務の課題にどう当てはめたか」を話せるかどうかがセットで見られます。
Q5. 大手とベンチャー、どちらがいいですか？
目的次第です。整ったデータで基礎を固めたいなら大手、裁量と事業への近さを取りたいならベンチャーです。ベンチャーを検討するなら、まずベンチャー転職完全ガイドで全体像をつかんでください。
Q6. 副業から始めることはできますか？
できます。むしろ有効です。本業を続けながら副業で分析の実績を作り、転職時にポートフォリオとして出すパターンが増えています。
Q7. 年収はどのくらい上がりますか？
未経験で入るときは一時的に下がることがあります（400〜500万円台）。3〜5年で700〜1,000万円、シニアで1,200〜1,500万円が現実的なラインです。
Q8. データサイエンティストとMLエンジニア、どちらを目指すべきですか？
事業の課題と分析の両方を見たいならデータサイエンティスト、技術を深く掘りたいならMLエンジニアです。両方を経験する人も多いので、最初の選択でキャリアが固定されるわけではありません。
Q9. VPoEやCTOを目指すことはできますか？
できます。データ組織の責任者からVPoEやCTOに進む方もいます。VPoE転職ガイドもあわせて読んでみてください。
まとめ：「分析できる人」から「意思決定を変えられる人」へ
データサイエンティストは、2026年も需要の大きい職種です。ただ、生成AIの普及で、評価される人材像ははっきり変わりました。コードを書けることより、事業の問いを立て、AIも使いながら、経営や現場の意思決定を変えられることが問われています。
私が27年見てきた中で、データ職への転職に成功する方は例外なく「学ぶ→実務で使う→言語化して発信する」のサイクルを回し続けています。焦って資格を集めるより、今の仕事の中でデータを使った成果を1つ作るところから始めてみてください。
キープレイヤーズでは、データサイエンティスト・AI人材の転職支援に力を入れています。スタートアップから上場企業まで、経営陣と直接つながったうえでのご紹介が可能です。「今の経験でどこまで狙えるか」「どの会社なら集計担当で終わらないか」といった具体的なご相談も歓迎です。キープレイヤーズの高野秀敏までお気軽にご相談ください。
関連記事
※本記事の統計・調査データは2026年11月6日時点で確認できた公開情報に基づきます。年収レンジは当社の支援実績と公開求人をもとにした目安です。
