データアナリストからデータサイエンティストへの転職｜移行ステップ
最終更新: 2026年6月 | ビジネス理解とSQLの土台を活かして機械学習側へ広げる
「示唆出しの先にある予測・最適化に踏み込みたい」「機械学習を武器にしたい」という動機で、データアナリストからデータサイエンティストへ移る人がいます。SQLとビジネス理解という土台を活かせる一方、統計・機械学習という新しい学習が必要です。本記事は「どう転職活動を進めるか」に特化し、スキルギャップの可視化・在職中の学習ステップ・職務経歴書の書き換え例を解説します。
データ調査時点: 2026年6月 ｜ 出典: 厚生労働省 job tag（データサイエンティスト）、レバテック公表 年代別平均年収（2025年）、doda 2024年度決定年収レポート（パーソルキャリア）
求人数・年収などの数値は調査時点の公開情報に基づきます。最新の情報は各サービスの公式サイトをご確認ください。 当サイトの評価基準は記事制作ポリシーをご覧ください。
結論：土台は強い。鍵は統計と機械学習の証明
- ・SQL・ビジネス理解・可視化はそのまま活きる。課題をモデルに翻訳する力に直結する。
- ・ギャップが大きいのは「機械学習」と「統計・数理」。自作の予測モデルが決め手になる。
- ・職務経歴書は『集計・可視化した』から『課題を予測問題に定義し成果につなげた』へ書き換える。
スキルギャップ比較表（データアナリスト vs データサイエンティスト）
現職とのギャップを可視化し、「そのまま活きる力」と「埋めるべき力」を切り分けます。◎＝十分／○＝経験あり／△＝補強が必要、の目安です。
| 比較軸 | データアナリスト（現職） | データサイエンティスト（転職先） | ギャップ |
|---|---|---|---|
| SQL・データ抽出 | ◎ 集計・可視化の主業務 | ○ 前提スキルとして活きる | 活用 |
| ビジネス課題の理解 | ◎ 指標設計・示唆出しが得意 | ◎ 課題を予測問題に翻訳する力に直結 | 活用 |
| 統計・数理 | ○ 記述統計・基本的な検定 | ◎ 推測統計・確率モデルの理解が必要 | 中 |
| 機械学習 | △ 触れる機会が限定的 | ◎ モデル構築・評価・改善が中核 | 大 |
| Python（分析〜実装） | ○ pandas等での集計は経験あり | ◎ scikit-learn等でのモデリングまで | 中 |
| 実験設計・評価 | ○ A/Bテストの集計経験 | ◎ 検証設計とモデル評価指標の理解 | 中 |
必要スキルの身につけ方
統計・数理の土台を固める
推測統計、確率分布、回帰、仮説検定などをアナリストの実務知識の上に積み増します。記述統計どまりだった部分を、モデルの前提を説明できる水準まで引き上げます。
Pythonで機械学習を実装する
scikit-learnで回帰・分類・クラスタリングを一通り実装し、前処理・特徴量設計・交差検証・評価指標（精度/再現率/AUC等）まで扱えるようにします。pandasの集計経験はそのまま土台になります。
業務課題をモデルで解いてみる
現職で扱うデータを題材に、離反予測・需要予測など『示唆出し』から一歩進んだ予測モデルを試作します。ビジネス理解という強みを活かし、課題設定から評価までを通しで経験します。
再現可能な分析・MLOpsの基礎
Notebookだけでなく、コードのバージョン管理、パイプライン化、モデルの再現性を意識します。分析を『一度きり』から『運用できる形』に近づけると、サイエンティストとしての評価が上がります。
移行ステップ（在職中にできる準備）
統計・機械学習の学習を伴うため期間が長くなりやすい転職です。在職中に少しずつ進める前提で、目安スケジュールを示します。
現在地の棚卸しと学習計画
アナリストとして培ったSQL・ビジネス理解・可視化を棚卸しし、統計と機械学習の不足分を特定します。目指すのが分析寄りのDSか、ML実装寄りのDSかで学習比重を決めます。
統計・MLの学習とモデル制作
統計の学び直しと並行し、実データで予測モデルを1〜2本作ってGitHubに公開します。Kaggle等のコンペで評価指標を意識した取り組みを経験するのも有効です。
職務経歴書をDS文脈へ
『集計して可視化した』から『課題を予測問題に定義し、モデルで成果につなげた』へ表現を転換します（後述のBefore/After参照）。
応募と社内異動の検討
在職中にデータ分析チームから機械学習案件へ関わる社内異動も有力な選択肢です。外部応募と並行し、ポジションと条件を固めてから動きます。
職務経歴書での見せ方（Before/After例文）
アナリストの職務経歴書は「集計・可視化・レポート」が中心になりがちですが、DS選考では「課題をどう予測問題に定義し、モデルで成果につなげたか」を語る形が刺さります。書き換え例を示します。
Before（集計・可視化の羅列）
サービスの利用データをSQLで集計し、ダッシュボードを作成。KPIの推移を可視化し、定例会議で報告。施策のA/Bテスト結果を集計してレポートにまとめた。
After（課題定義とモデルを主語に）
利用データの分析から離反リスクの高いユーザー群を特定する課題を設定し、個人開発としてPythonで離反予測モデルを構築（前処理・特徴量設計・交差検証・評価指標まで実施）。ビジネス理解を活かして説明可能な特徴量を選定し、示唆を施策提案に接続した。GitHubでコードを公開。
※データ・数値は実績に置き換えてください。型は職務経歴書の書き方ガイドとポートフォリオの作り方を参照。
年収の考え方
相場の基準として、厚生労働省 job tag のデータサイエンティストの平均年収は546.7万円・平均年齢38.5歳（令和7年賃金構造基本統計調査ベース）です。アナリストからDSへ専門性を高めることで、より高いレンジを狙える可能性がありますが、提示額は採用ポジション・等級で決まります。
転職者全体では、doda（パーソルキャリア）の2024年度決定年収レポート（2025年5月公表）でIT・通信の平均決定年収が469万円（2023年度）→486万円（2024年度）と推移し、約6割が年収アップを実現しています。機械学習スキルの希少性は高い一方、求人によって求める深さの幅が大きいため、複数社のオファーを比較して市場感をつかみましょう。
活動で使うエージェント
レバテックキャリア
IT/Web特化で技術理解のあるアドバイザーが在籍。データ分析・機械学習系の求人要件をすり合わせやすい。
ビズリーチ
ハイクラス・スカウト型。データサイエンティスト求人のスカウトを通じて、自分のスキルセットの市場評価を把握できます。
リクルートエージェント（IT）
国内最大級の求人数。事業会社からコンサルまでデータ職の求人が幅広く、選択肢を確保しやすい。
30代・40代の進め方
30代・40代でDSへ移る場合、アナリストとして培ったビジネス理解とドメイン知識が大きな武器になります。データ職は「課題を解いて意思決定につなげる力」が重視されるため、若手の技術力一辺倒とは違う価値を出せます。技術は自作モデルで補えば、年齢のハンデを埋められます。
一方で、統計・機械学習という新しい学習を時間が限られる中で進める必要があります。現職にデータ／機械学習チームがあるなら社内で機械学習案件に関わるルートも有力です。年収の見通しは30代の年収相場・40代の年収相場も参考にしてください。
よくある質問
Q. データアナリストからデータサイエンティストへの転職は可能？▾
Q. アナリストとサイエンティストの違いは？▾
Q. 数学・統計はどこまで必要？▾
Q. 機械学習の経験がなくても応募できる？▾
Q. ビジネス理解はサイエンティストでも活きる？▾
Q. 30代・40代からでも目指せる？▾
Q. 社内異動と転職、どちらがよい？▾
データサイエンティスト転職を無料で相談
アナリスト経験を活かせるデータサイエンス求人をプロが提案します。
おすすめエージェントランキングを見る