データサイエンティストの分類方法【6種類】

はじめまして、データサイエンティストのますみです!

これまでデータサイエンティストと名乗るからには、数学や機械学習の知識だけじゃなくて、システム開発のスキルもビジネス課題を解決する力も必要だと思っていました。

正しいと思う一方で、これは狭義の定義であり、広義のデータサイエンティストはもう少し多様な仕事の仕方があるのではないかと思いました。

そこで、この記事では実際に私の見解としての分類を整理してみました。

「自分がどのデータサイエンティストか?」「どのデータサイエンティストを目指したいか?」などを念頭に入れて読んでいただけますと幸いです。

分類結果

(広義の意味での)データサイエンティストの業務には様々な業務があり、6種類のデータサイエンティストに分類されると私は考えます(あくまで個人の見解)。

  1. フルスタック系
  2. 機械学習エンジニア系
  3. データ基盤エンジニア系
  4. アナリスト系
  5. コンサルタント系
  6. リサーチャー系

(1) フルスタック系

  • 狭義のデータサイエンティスト。
  • データサイエンス力・データエンジニアリング力・ビジネス力の全てがバランス良く必要。
  • ただデータ分析をするのではなく、ビジネス的な価値創出にも貢献できる。

(2) 機械学習エンジニア系

  • 機械学習のモデル構築およびチューニングを行うデータサイエンティスト。
  • データサイエンス力・データエンジニアリング力の二つのスキルが特に必要。
  • 高い精度が求められるビジネス課題にアプローチすることが多い。
  • ビジネス的なドメイン知識が必要なこともある。

(3) データ基盤エンジニア系

  • データ分析をするための基盤を構築するデータサイエンティスト。
  • データエンジニアリング力が特に必要。
  • 現場によっては、各社のクラウドのサービスに関する深い理解が必要。

(4) アナリスト系

  • データ分析により、仮説検証や指標のトラッキングを行うことが多いデータサイエンティスト。
  • データサイエンス力・データエンジニアリング力・ビジネス力の全てがバランス良く必要。
  • データを収集するために関係各所へ能動的にコミュニケーションを取ることもある。
  • Tableau / Power BI / Google Looker StudioなどのBIツールに分析結果を可視化するシステムを作ることもある。
  • リクエストされた分析をこなすだけでなく、「ビジネスサイドが思いつかない検証仮説の提案」や「分析結果に対する解釈と改善提案」をする場合もある(ここまでできると「フルスタック系」や「コンサルタント系」と類似する)。

(5) コンサルタント系

  • 「検証するべき仮説」や「作るべきシステムや機能」などを提案できるデータサイエンティスト。
  • ビジネス力が特に必要(データサイエンス力とデータエンジニアリング力の知見の深さは提案の質に影響するため、あるとなお良い)。
  • コンサルティングファームにはこの系統の人が役職として上がりやすく、PMのような役割を担うこともある。
  • フリーランスとして活動している場合、提案活動も時としてする必要があるため、この系統に含まれることがある。

(6) リサーチャー系

  • 従来手法では簡単に解けない問題に試行錯誤するデータサイエンティスト。
  • データサイエンス力が特に必要。
  • 機械学習モデルの予測結果を高精度にしたり、新規のビジネス課題を解決するための概念実証研究をしたりする。

学習ロードマップ

自分のタイプに合った学習ロードマップを知りたい方は、こちらをご覧ください。

データサイエンティストの学習ロードマップ【まとめ】

おすすめ本

自分のタイプに合ったおすすめ本を知りたい方は、こちらをご覧ください。

データサイエンティストのおすすめ本【まとめ】

最後に

最後まで読んでくださり、ありがとうございました!
いかがだったでしょうか?

この記事を通して、少しでもあなたの学びに役立てば幸いです!

おまけ

毎月10人限定ですが、若手エンジニア向けに「キャリア相談」に乗る機会を設けています。

もしも「誰かに今の悩みを聞いて欲しい」という方がいれば、気軽にお申し込みください◎

コメントを残す

メールアドレスが公開されることはありません。 が付いている欄は必須項目です

CAPTCHA