はじめに
データサイエンティストとしてのキャリアに興味はあるものの、
「何から学べばよいのか分からない」
「今の業務は将来につながっているのか不安」
と感じている学生や若手エンジニアの方も多いのではないでしょうか。
このブログの執筆者である私自身が、その一人でした。
学生時代には統計やデータサイエンス分野を勉強。
その経験から、データサイエンティストを志望し、Avintonに入社。
しかし、入社後すぐには分析業務を専門で担当することはできませんでした。
それでも、地道に努力を続け、現在はデータサイエンス業務に従事できています。
そして、遠回りに見えたこれまでの経験が、現在の仕事の大きな土台になっています。
「データサイエンティストのキャリアを築くまでに、どのような学習や業務経験が役立ったのか」
本記事では、私自身のキャリアパスとともに、この観点について紹介します。
学生時代に学んでいたこと
大学では統計やデータ分析の基礎を学びました。
特に、データをもとに仮説を立て、検証するプロセスに面白さを感じていました。
ただし当時は、具体的な実務でのイメージを持っていたわけではありません。
分析手法そのものへの関心が先行しており、以下の点は曖昧な理解でした。
- 現場で何が求められるか
- 分析結果がどのように意思決定につながるのか
しかし、分析の基礎が現在の業務の土台になっていることは間違いありません。
ここで身についたこと
最初に担当した業務での学び
消毒用光化学照射装置のデモンストレーションに向けた開発。
それが、私が社会人になって最初に担当した業務でした。
装置の挙動確認や条件整理など、ハードウェアやシステム寄りの業務が中心でした。
一見すると、データサイエンスとは距離のある仕事だと思います。
しかし、この経験は無駄ではありませんでした。
なぜなら、「データがどのような環境や制約の中で生まれるのか」を強く意識するようになったからです。
現場では、データは最初から綺麗な形で取得できるわけではありません。
装置のセンサーがわずかにズレるだけで数値が大きく変わることもあります。
そうした状況でデータと向き合い、原因を切り分ける経験を積むことができました。
だからこそ、現在はデータに疑問を抱いた際に
「モデルが悪いのではなく、まず現場で何が起きたのか」
と考える癖が身についたと感じています。
ここで身についたこと
2つ目のプロジェクトでの学び
ネットワーク最適化業務を支援するツールの開発。
これが、私が次に担当した業務です。
この業務では、ターミナル操作や各種コマンド、コードを書く機会が増えました。
そのため、システムを扱う基礎体力が鍛えられました。
当時は、「本当にデータサイエンティストに近づいているのだろうか」と不安になることもありました。
しかし、この経験も無駄ではありませんでした。
「データを自分で加工し、検証し、形にする」。
これらの力が、その後の分析業務に直結する重要な基礎になっています。
ここで身についたこと
- Python基礎データ処理・成型
- デスクトップアプリ・業務ツール開発方法
- Python３エンジニア認定データ分析試験の学習内容
そして、データサイエンティストのキャリアへ
入社以降、会社との面談の場でデータサイエンス領域への関心を継続して伝えていました。
それと並行して、学習や業務改善を重ねていました。
そんなある日、取引先企業でデータサイエンスのポジションに空きが出ました。
データサイエンス領域への挑戦意欲。
開発業務での経験。
これら2つが十分にあると評価いただき、私に声をかけていただきました。
こうして、念願だったデータサイエンス業務に携わることができています。
もちろん、偶然の要素もあったと思います。
しかし、チャンスをつかめたのは、これまでの経験や準備があったからこそ。
また、準備している人を後押しする組織の文化にも非常に助けられました。
開発経験は今も活き続けている
現在でも、日々の業務の中で簡単な自動化ツールを作成する場面があります。
- データの前処理
- 定型レポート作成
- 検証作業
自動化ツールを自作することで、効率が大きく変わる業務は少なくありません。
そんな時に、ターミナル操作やスクリプト作成の経験が活きています。
過去の経験が「分析に集中するための環境を整える力」として、今の私を支えています。
現在使用している主な技術
- 言語：Python、SQL
- 分析・可視化：Python, Tableau, Excel
- 機械学習：scikit-learn
- データ処理：CSV・Pythonによるログデータ加工、SQLによる抽出
- 環境・分析基盤：GBQ, Snowflake, Databricks, Redshift
- 支援ツール：Linux, Git, Confluence
これから学ぶ人へのおすすめ学習ステップ
「勉強することはわかっているが、その優先順位が分からない」
そう感じられている方もいらっしゃるかもしれません。
そこで、ここで私の経験を踏まえた学習ステップを紹介します。
以下が、私自身が「この順番で学ぶと理解が深まりやすい」と感じた順番です。
これからデータサイエンスを学ぶ方の参考になれば幸いです。
- 統計の基礎（平均・分散・検定・回帰など）
- Linux／Pythonによるデータ操作の基礎
- SQLやDS検定を通じた業務との接続
- コミュニケーション力・抽象化力の強化
参考：自己学習用サイトと資格
- 統計学
- 可視化ツール
- DS検定
- G検定
- Avinton Academy(当社自作の学習コンテンツ)
データサイエンティストに本当に必要なのは？
実務を通して最も重要だと感じているのは、コミュニケーション能力です。
データサイエンティストは、データを見るだけの仕事ではありません。
人と人の間に立ち、データを翻訳する役割が求められます。
つまり、以下の点が分析能力以上に重要と言っても過言ではありません。
- 分析の目的や前提を関係者とすり合わせること
- 分析結果を相手の立場に合わせて伝えること
おすすめの本
- 外資系コンサルのスライド作成術（スライドの作り方）
- 具体と抽象（立ち位置によって見えているものが違うことが理解できる本）
おわりに
データサイエンティストへの道は、必ずしも一直線ではありません。
一見遠回りに思える経験が、後から効いてくることもあります。
今取り組んでいる学習や業務は、決して無駄ではありません。
それをどう次につなげるかを考え続けることが大切です。
「たとえ今は違う現場であっても、コツコツ成長しよう。」
「データサイエンティストへのキャリアはいつか必ず開ける。」
そう感じてもらえたら嬉しいです。
Avintonでは、経験の有無を問わず、エンジニアとして成長したい方を募集しています。
▼採用情報はこちら
https://avinton.com/careers/
