データアナリストを目指すには｜他の職種からのキャリアチェンジ

他の職種からデータアナリストを目指すルートは一つではありません。マーケティングや営業企画、エンジニア、BIやレポートの担当、経理・経営企画、コンサルなど、どこから来ても生かせる経験があります。共通して足りなくなりやすいのは、「自分でデータを取り出し、その数字が正しいと説明できる経験」と「依頼の目的を聞き直して判断に届けた経験」の片方です。

そのため、フリーランスとしていきなり分析の案件に入るより、今の職種のまま自分でデータを扱う場面を増やし、集計やレポートの仕事を経て、分析のテーマを任される立場に近づくのが現実的です。この記事では、出発点ごとに生かせる経験と足りない部分、その埋め方を整理します。独立の手順はデータアナリストがフリーランスになるにはで扱っています。

データアナリストに求められることを先に押さえる

どのルートから目指すにしても、データアナリストの案件で問われるのは次の3つです。

1. 正しい数字を出す：SQLでデータを取り出し、粒度や重複を確かめ、数字の正しさを説明できる
2. 数字の意味をそろえる：指標の定義を確かめ、関係者が同じ意味で数字を読めるようにする
3. 判断に届ける：依頼の目的を聞き直し、結果を「何をすべきか」が分かる形で返す

職種によって、このうちどれを既に持っていて、どれが足りないかが違います。スキルの中身はデータアナリストに求められるスキルをご覧ください。

出発点ごとの生かせる経験と足りない部分

マーケティング・営業企画から目指す

施策を企画し、その結果を気にしてきた経験は、データアナリストが答えるべき問いを知っているという意味で大きな強みです。足りなくなりやすいのは、分析担当に頼んでいた集計を自分でやる力です。

埋め方：今の仕事で見ている指標を、自分でSQLを書いて出し直してみます。社内の分析担当が出した数字と同じになるかを照らし合わせると、粒度や定義の違いに気づく練習になります。マーケティングの経験を生かす別の道はマーケティングコンサルタントを目指すにはでも整理しています。

エンジニアから目指す

データの構造が分かり、SQLにも慣れている点は強みです。一方、「その数字で何を決めるのか」という事業の側の問いに慣れていないと、正しくても使われない集計を返しがちです。

埋め方：社内の事業部門からの集計の依頼を引き受け、依頼の目的を聞き直してから答える経験を重ねます。データの基盤づくりに関心が強ければ、データエンジニアやBIエンジニアの道もあります。違いはBIエンジニアを目指すにはをご覧ください。

BI・レポート担当から目指す

定例レポートやダッシュボードを作ってきた経験は、データの置き場所と主な指標を知っているという意味で、データアナリストの仕事の土台になります。足りないのは、決まった数字の外側の問いに答える経験です。

埋め方：レポートの数字が動いたときに、「なぜ動いたか」を自分から調べて報告します。原因を切り分けた経験は、分析のテーマを任されるための材料になります。

経理・経営企画から目指す

数字の厳密さと、予算と実績の差を経営層に説明してきた経験は、データアナリストとして信頼される下地になります。足りなくなりやすいのは、大量の明細データを扱う力です。

埋め方：表計算で集計していた数字を、明細のデータからSQLで出せるようにします。会計の数字と事業のデータの数字がずれる理由（計上の時点、返品やキャンセルの扱い）を説明できると、強みがそのまま生きます。

コンサルから目指す

論点を整理し、仮説を立てて検証する考え方は、分析の進め方そのものです。足りないのは、自分で手を動かして集計する速さと、データの細かな癖への注意です。

埋め方：分析のプロジェクトで、資料づくりだけでなく集計の作業まで自分で担う機会をつくります。

足りない部分を埋めるときの順番

どのルートでも、次の順で進めると無理がありません。

1. 自分でデータを取り出す：今の仕事で見ている数字を、自分でSQLを書いて出す。最初は社内の既存の数字と合うかを確かめる
2. 依頼に答える：小さな集計の依頼を引き受け、目的を聞き直してから返す
3. 集計やレポートの案件で経験を積む：定例レポートや依頼対応の比重が大きい案件から入り、データ環境に慣れる
4. 分析のテーマを任される：契約の更新や次の案件のたびに、施策の検証や指標の整理など、問いから考える仕事の比重を増やす
5. 経験を書ける形で残す：扱った指標、出した数字、使われた判断をメモに残し、スキルシートに移す

スキルシートでは、分析担当の肩書きがなくても、自分で扱った数字の範囲を正確に書けば、分析に近い経験として伝わります。書き方はデータアナリストのスキルシートの記事をご覧ください。

資格は、統計やデータの扱いを体系的に学ぶ手段として役立ちます。統計の知識は統計検定の記事、データを扱う基礎はデータサイエンティスト検定の記事で扱っています。ただ、資格だけで分析の案件に入るのは難しく、実務の裏付けとして組み合わせる考え方をおすすめします。

面談で確かめられやすいこと

他の職種からデータアナリストの案件に応募すると、面談では「本当に自分で数字を出せるか」と「依頼の意図をくめるか」を確かめる質問が増えます。たとえば、どんなテーブルを結合して何を出したか、集計の結果が想定と違ったときに何を確かめたか、依頼の目的が分からなかったときにどう聞き直したか、といった問いです。

ここで大切なのは、元の職種の言葉のまま話さないことです。マーケティングの出身なら施策の話を「どの指標で効果を見て、どう判断したか」に、エンジニアの出身なら技術の話を「その集計で誰の何が決まったか」に置き換えて話すと、データアナリストの仕事に結び付けて受け止めてもらいやすくなります。

年代によって選びやすいルート

20代後半から30代前半は、集計やレポートの仕事から入り、段階を踏んで分析のテーマを任されるルートがとりやすい時期です。手を動かす量の多い案件で、データ環境と指標の扱いに慣れることができます。

30代後半以降は、これまでの職種で積んだ業務の知識を分析の役割に結び付けることが大切です。マーケティングの出身なら施策の効果の検証、経理・経営企画の出身なら経営の数字の整理といったように、強みが生きる型を選ぶと移りやすくなります。年代ごとの期待はデータアナリストは40代・50代でもフリーランスで働けるかで整理しています。

よくある質問

IT業界での経験がなくてもデータアナリストを目指せますか？

小売や金融など、IT以外の業界で数字を見て判断してきた経験は、指標の理解や業務を踏まえた分析で生かせます。ただ、SQLで自分でデータを取り出す力は案件で確かめられやすいため、まず今の仕事のデータで集計を練習し、会社員のうちに分析に近い役割を経験するのが現実的です。

データアナリストとデータサイエンティストのどちらを目指すか迷っています。

データアナリストは事業の数字を正しく出して判断につなげる役割、データサイエンティストは統計や機械学習のモデルを作って予測や最適化に使う役割が中心です。事業の判断に近い場所で働きたければデータアナリスト、モデルづくりに関心が強ければデータサイエンティストが向いています。違いはデータサイエンティストを目指すにはをご覧ください。

Pythonは先に覚えたほうがよいですか？

データアナリストの案件では、まずSQLで正しい数字を出せることが重く見られます。Pythonは、繰り返しの集計や統計の処理を効率よく進める道具として役立ちますが、SQLと指標の理解を先に固めてから学ぶ順番をおすすめします。