データアナリストとは？
ビジネスの意思決定をデータで支援する職種です。「KPIが先月から下がっている原因を探る」「このキャンペーンは本当に効いたのか」「どのユーザー層が離脱しているのか」——そういった問いに対して、データを使って答えを出すのが仕事です。
データサイエンティスト・BIアナリストとの違い
混同されがちな3職種を整理すると、こうなります。
| 職種 | 主な問い | 軸足 | 代表スキル |
|---|---|---|---|
| データアナリスト | 今何が起きているか | ビジネス寄り | SQL、BIツール、統計基礎 |
| データサイエンティスト | これからどうなるか | 統計・機械学習寄り | Python/R、機械学習、統計モデリング |
| BIアナリスト | データ基盤・ダッシュボードを整備する | 基盤構築寄り | BIツール設計、ETL、DWH |
データアナリストは「ビジネス課題を起点に、データを使って洞察を出す人」です。機械学習を使って予測モデルを作るのはデータサイエンティストの領域で、データアナリストに必須ではありません。
1日の仕事の流れ
| 時間帯 | 業務内容 |
|---|---|
| 9:00〜10:00 | チームMTG・前日レポートの確認 |
| 10:00〜11:00 | ビジネス部門から依頼受領・分析要件のヒアリング |
| 11:00〜12:00 | SQLでデータ抽出・クレンジング |
| 13:00〜15:00 | 分析・可視化・仮説検証 |
| 15:00〜16:30 | ダッシュボード更新・レポート作成 |
| 16:30〜18:00 | 分析結果のプレゼン・フィードバック対応 |
業務時間の内訳は「データ収集・前処理：30〜40%」「分析・仮説検証：30%」「レポーティング・コミュニケーション：30〜40%」というのが実態です。「分析だけやっていれば良い」という仕事ではなく、結果を人に伝えることが仕事の半分を占めます。
必要なスキル
SQL（最重要・必須）
単純なSELECT文ではなく、JOIN・集計関数・サブクエリ・ウィンドウ関数を実務レベルで書けることが求められます。採用選考でSQLテストを課す企業も多いです。
Python / R（あると差別化）
データ操作（pandas）・可視化（matplotlib/seaborn）が使える中級レベルが求められるケースが増えています。機械学習は必須ではありませんが、あると選択肢が広がります。
BIツール（Tableau / Power BI / Looker Studio）
ダッシュボードを作って非エンジニアに伝える道具として必須です。コーディングは不要ですが、SQLとの連携知識があると高度な分析が可能になります。
統計の基礎
仮説検定・回帰分析・相関分析の概念は理解しておく必要があります。A/Bテストの設計・解釈ができるかどうかは採用の場でよく確認されます。
ビジネス理解・コミュニケーション
「何を分析すべきか」を自分で設定できるかどうかが、上位職との差です。分析結果を経営層・非技術者向けにわかりやすく翻訳するプレゼン力も必須です。
業界別の仕事の違い
どの業界のデータアナリストになるかで、仕事の内容はかなり変わります。
IT・Web・SaaS ユーザーの行動ログ・LTV・解約率など、プロダクト改善に直結した分析が中心。BigQuery・Looker・GA4が多用される。A/Bテスト設計への関与も多い。
EC・小売 購買履歴・在庫・売れ筋分析による仕入れ最適化。RFM分析・顧客セグメンテーションなどCRM領域が多い。
広告・アドテク 広告効果測定・ROI最適化・アトリビューション分析が中心。大量データの処理速度が重視される。
金融 信用スコア分析・不正取引検知・リスク管理モデルが多い。精度・再現性の要求水準が高く、コンプライアンス制約も多い。
コンサルティング 複数業種を横断して経験できる。分析より「提案書・プレゼン」のアウトプットが重視される。スピードが速い。
よく使うツール・環境
| カテゴリ | ツール |
|---|---|
| BIツール | Tableau、Power BI、Looker Studio |
| クラウドDB | BigQuery、Amazon Redshift、Snowflake |
| 分析・プログラミング | Python（pandas・matplotlib）、R、Jupyter Notebook |
| データパイプライン | dbt、Airflow、Fivetran |
| アクセス解析 | Google Analytics 4（GA4）、Adobe Analytics |
| ドキュメント | Notion、Confluence |
年収レンジ
| 区分 | 年収目安 |
|---|---|
| 未経験・第二新卒入社時 | 400〜500万円 |
| 実務経験3〜5年 | 600〜800万円 |
| シニア・スペシャリスト | 800〜1,000万円 |
| 外資系・金融・ハイクラス | 1,000万円超 |
| フリーランス（月70〜100万円） | 年収840〜1,200万円相当 |
求人ボックス掲載平均は約699〜721万円。Morgan McKinleyの東京データでは600〜900万円が主要レンジです。転職時の平均想定年収は823万円（2023〜2025年実績）と高水準で推移しています。
キャリアパス
| 方向性 | 具体的なキャリア |
|---|---|
| スペシャリスト | データサイエンティスト・データエンジニア・MLエンジニア |
| マネジメント | 分析チームリーダー・マネージャー・CDO（チーフデータオフィサー） |
| コンサル・独立 | データコンサルタント・フリーランス・SaaS型サービスの創業 |
| 他職種転換 | グロースマネージャー・マーケティングアナリスト |
転職市場・需要
IDC Japan予測で国内ビッグデータ・アナリティクス市場は2027年に約3兆5,400億円規模（年平均成長率14.3%）。有効求人倍率は約2.77倍で、求職者1人に対して2.77件の求人が存在する状態です。今後5年間で求人数が年平均15%以上の成長が見込まれており、需要は高まっています。
未経験からの入り方（6ヶ月ロードマップ）
- 統計・SQL基礎（1〜2ヶ月）：ProgateやUdemyでSQL文法を習得。統計検定2級レベルを目指す
- ツール実践（2〜3ヶ月）：実データでSQL練習。Looker Studioで可視化を体験
- Python基礎（並行して）：pandasによるデータ操作・matplotlibによる可視化
- ポートフォリオ作成（3〜4ヶ月目）：Kaggleや政府統計オープンデータで分析→GitHubやNotionで公開
- 資格取得：Google データアナリティクス認定、Microsoft Power BI Data Analyst Associateなど
- 転職活動：教育制度が整った企業・社内異動でデータ職種に移れる企業を狙う
文系出身者でも独学でなれる事例は多いですが、実務未経験での直接転職は競争が激しいです。30代以上であれば「業界知識×データ分析」の掛け合わせが差別化のポイントになります。
こんな人に向いている
- 数字やデータと長時間向き合うことが苦にならない
- 几帳面で細かい作業・品質へのこだわりがある
- 「何を分析すべきか」を自分で考えて設定できる
- 分析結果を相手に合わせて説明することが得意
ぶっちゃけ、しんどいのはここ
データの収集・クレンジング（前処理）に時間の3〜4割が取られます。「きれいなデータを分析する」より「汚いデータをきれいにする」作業のほうが多いというのが現場の実態です。また、分析結果を出しても「だから何？」と言われることもあり、ビジネス課題との接続が常に求められます。