データサイエンティストは何をする？生成AI時代の役割と学習の始め方

データサイエンティストの仕事は、データから役立つ判断材料を作り、実際の仕事へつなげることです。問いを決め、データの意味を確かめ、分析やモデルを検証し、使える範囲と限界を説明します。生成AIがコードや説明文を作れても、この過程の確認を省けるわけではありません。

これから学ぶなら、最初に難しいAIモデルを作る必要はありません。「予約の取り消しは、いつ、どのくらい起きているのか」といった一つの問いを、集計とグラフで確かめるところから始められます。予測が必要になった段階で、簡単な比較方法と検証条件を用意してからモデルへ進みます。

原公開日：2024年9月17日 ／ 内容確認日：2026年9月30日

データサイエンティストと生成AIは、どう関係していますか？

生成AIは、データを扱う仕事の一部を支援する道具として使えます。例えば、集計方法の案、分析コードのたたき台、結果を説明する文章の初稿を作らせる使い方です。その出力を採用するかどうかは、元のデータと分析の目的に照らして確かめます。

一方、データ分析のすべてが生成AIではありません。件数の集計、統計的な検討、予測モデルの学習などには、それぞれの方法があります。「AIで調べた」と一括りにすると、何を行い、何が確認済みなのかが見えなくなります。

この表は本記事の実務上の整理です。生成AIに文章で「分析して」と頼んだだけでは、各作業が正しく行われた証拠にはなりません。ChatGPTの公式説明でも、誤った事実や存在しない引用を出力する可能性が示されています。OpenAI：ChatGPTの正確性について

2026年のデータサイエンティストには、どんな役割がありますか？

IPAの「DX推進スキル標準」ver.2.0では、データサイエンティストの役割を、データ・AIの活用戦略を担う「データビジネスストラテジスト」と、処理・解析・評価などの専門性を担う「データサイエンスプロフェッショナル」に区分しています。分析に加えて実装や運用、他の役割との連携も扱っています。IPA：DX推進スキル標準 ver.2.0、第3章 c

職場での職種名と、この区分が一対一で対応するとは限りません。仕事を探すときは「データサイエンティスト」という名前だけでなく、担当する作業を読みます。

• 何を改善するための分析なのか。
• 既存データの集計が中心か、予測モデルの開発まで含むか。
• データの収集や整備は、誰が担当するのか。
• 作ったものを運用する責任があるか。
• 関係者へ説明し、利用方法を決める仕事があるか。

「分析が得意」「業務の困りごとを言語化できる」「データを扱える状態へ整える」といった強みは、違う場面で役立ちます。すべての技術を同時に覚えるより、まず関わりたい作業を決め、その作業に必要な知識を増やす方針を本記事では勧めます。

実例：予約データから、どんな順番で考えればよいですか？

ここからは、架空の貸会議室の予約を例にします。実際の導入実績や改善率を示すものではありません。

相談は「急な取り消しで、準備した部屋が空いてしまう。AIで予測できないか」です。しかし、予測モデルを作る前に、取り消しの意味や数え方を確認する必要があります。

1．問いを、答えが確かめられる形にする

「取り消しを減らしたい」だけでは、分析の対象が広すぎます。まずは「当日取り消しが多い曜日はあるか」という問いに絞ります。

答えを受けて何を変えたいのかも決めます。例えば、案内を見直す材料にするのか、準備の順番を考える材料にするのか。曜日に違いがあっても、それだけで取り消しの原因が分かったことにはなりません。

2．一行が何を表すかを確認する

一つの予約が、変更のたびに複数行へ記録される仕組みなら、そのまま行数を数えると予約件数と一致しません。予約番号、変更履歴、人数の違いも見ます。

これは、分析のために決めた例の定義です。別の仕事なら、取り消しの扱いや日付の基準を変える必要があります。

3．件数と割合を分けて見る

取り消しの件数が多い曜日でも、予約自体が多いだけかもしれません。予約の件数と当日取り消しの件数を並べ、同じ条件で割合を確認します。

逆に、対象がごく少ない曜日は、一件の変化で割合が大きく変わります。割合だけを並べると、比較の材料が少ないことを見落とします。

生成AIへ説明を頼む場合は、集計結果に加えて、対象期間と各曜日の予約件数を渡します。個人を特定する情報を渡す必要はありません。「少ない件数では結論を強くしない」「原因は推測と分ける」と、説明の条件も伝えます。

4．結果と、まだ分からないことを一緒に報告する

報告書には「この期間、この定義では、どの曜日に何が見えたか」を書きます。理由を断定する前に、休業日、受付方法の変更、記録漏れなどを確認します。

案内文を変えるなら、その後の記録も同じ定義で確認します。季節や予約の種類が変われば、単純に前後の違いを案内文だけの効果とすることはできません。分析の結果から、次に確認すべき問いを作ります。

AIの予測精度は、どう確かめればいいですか？

予測は、すでに分かっている結果をうまく説明することと区別します。実際に使う時点で分からない情報が入っていないか、学習に使ったものと評価に使うものを分けているかを確認します。

予測するときには、まだ分からない情報がある

予約受付時に「この予約は当日取り消しになるか」を予測するなら、取り消した時刻や取り消し後に書かれた理由は入力に使えません。その情報は、受付時には存在しないからです。

検証の段階でそうした情報が入り込むと、現場では使えないのに成績だけが良く見えることがあります。これはデータ漏洩、英語では data leakage と呼ばれる問題の一例です。scikit-learnの公式文書も、予測時に利用できない情報を学習へ使う問題と、学習用・評価用データを適切に分ける必要性を説明しています。scikit-learn：Data leakage

難しいモデルの前に、比較対象を決める

新しいモデルだけを見ても、改善したかは分かりません。例えば、過去の全体傾向や曜日別の傾向を使う単純な方法と、同じ対象・条件で比較します。

また、間違いの種類にも違いがあります。「取り消す」と予測して、実際には来た予約と、「来る」と予測して、実際には取り消された予約では、その後の対応が変わります。一つの成績だけで採用を決めず、何を間違え、どう影響するかを見ます。

予約を自動で取り消したり、顧客への対応を変えたりする仕組みは、この学習例には含みません。そうした利用には、別途、目的、説明、権限、例外時の対応を検討します。

初心者は、何から学べばいいですか？

本記事で勧める順番は、問いとデータの意味、集計、説明、必要に応じたプログラミングと統計、予測の評価です。これは学習計画の提案で、採用や資格合格を保証する標準コースではありません。

最初は、説明できる小さな集計を作る

表計算で、日付の扱い、同じ記録の重複、空欄、件数と割合を確認します。小さな架空データなら、結果を手でも確かめられます。グラフを作ったら「何を対象にし、何を数えたか」を文章で添えます。

分析コードを生成AIへ頼む場合も、自分で確認できる規模に絞ります。実際に実行した結果を見て、集計条件と一致しているかを確認します。出力されたコードの見た目だけで、正しく集計できたと判断しません。

作業に応じて、PythonやSQLを学ぶ

何度も同じ集計を行うなら、プログラムで処理する価値があります。多くの記録をデータベースから取り出す仕事なら、SQLの理解が必要になる場面もあります。先に必要な作業を決め、道具を選びます。

Python、R、SQL、深層学習のライブラリをすべて同時に習得する、という計画にする必要はありません。使う予定のない技術を並べるより、最初の成果物を完成させ、説明できるようにします。

予測へ進むときは、統計と検証を一緒に学ぶ

平均とばらつき、割合の分母、対象の偏り、相関と原因の違いなどは、分析の説明に関わります。予測モデルでは、データの分け方や評価方法も必要です。

AIに「なぜこの方法なのか」「別の条件ではどう変わるか」と説明を求める使い方はできます。ただし、その説明も学習資料や実行結果と照合します。分からないまま専門用語を増やすより、一つの条件を変えたときに結果がどう変わるかを確かめます。

学習の成果を、仕事の説明へどうつなげますか？

「AIを使った」だけでは、担当できる仕事が伝わりません。小さな分析でも、次の内容を残すと、考えた過程が見えます。

1. 答えたい問いと、その答えを使う場面。
2. データの出所、利用条件、一行の意味。
3. 整理や集計で決めた条件。
4. 実行した方法と、確かめた結果。
5. 結果から言えること、まだ言えないこと。
6. 次に確認する問いや、利用する際の注意点。

公開するなら、公開してよい架空データや利用条件が明確なデータを使います。顧客情報を隠したつもりでも、細かな日時や内容の組み合わせで対象が分かる場合があります。実務の記録を、そのまま学習成果として公開しないようにします。

AIが作った文章と、自分が実行して確認した内容も区別します。「作れる」と書く範囲は、実際に説明し、確認できる範囲に合わせます。

よくある質問

生成AIがあれば、データサイエンティストは不要になりますか？

一部の作業を支援できることから、職種全体が不要になるとは言えません。何を分析するか、データが目的に合うか、結果が現場で使えるかを確認する作業があります。仕事の変化は、実際の担当作業ごとに考える必要があります。

数学が得意でないと、始められませんか？

学び始めることはできます。まず件数、割合、グラフを、自分の言葉で説明できるようにします。統計的な判断や専門的なモデル開発へ進むなら、その内容に必要な数学を学びます。「数学は不要」と一律には言えません。

生成AIへ表を渡せば、正しい分析になりますか？

保証されません。表の意味、対象期間、重複、欠けた値、実際に行われた処理を確認します。答えの数値だけでなく、元の記録と集計条件をたどれることが大切です。

高い精度のモデルなら、自動で判断させてよいですか？

精度だけでは決められません。評価した条件と実際の利用条件、間違いの影響、例外時の扱いを確認します。集計や予測の試作と、顧客や業務へ自動で働きかける運用は、検討する範囲が違います。

どの資格を取れば、仕事にできますか？

資格だけで仕事を保証するものではありません。希望する仕事の募集内容を読み、必要な知識と成果物を考えます。試験の名称、受験条件、出題範囲は変わるため、受験を決めるときに公式情報を確認します。

関連記事と相談

基礎学習の組み立ては文系からAIを仕事に活かす学び方、小さなコードの作成と検証は生成AIでプログラミングを始める手順で扱います。

ＨＴサポートワークスでは、仕事の情報がどこにあり、何を確かめたいのかから相談を進めます。集計や業務フローの整理については、相談フォームから困っている作業をお聞かせください。

更新について

2026年9月30日に、過去の予測中心の内容を、現在の役割と学習・検証の手順へ再構成しました。原公開日と既存URLは維持しています。製品の料金、特定企業の削減額、モデルの性能を一律に示す数値は掲載していません。