【この記事で分かること】
読了時間：約15分
BIGDATA NAVIなら、データサイエンティスト専門のキャリアアドバイザーが無料でサポート。登録は5分、完全無料です。
※今なら無料カウンセリング実施中
「AIブームだし、データサイエンティストになりたい」と思っても、何から始めればいいか分からない。プログラミング経験もないし、統計学も学んだことがない。そんな自分でも本当になれるのか？
実は、私も元々は全くの未経験だった。3年前まで営業職として働いていたが、30歳を前に「このままでいいのか？」と焦りを感じ、思い切ってデータサイエンティストへの転職を決意した。
最初は何をすればいいか全く分からず、ネット上の情報を漁っては挫折を繰り返した。Pythonの基礎すら理解できず、「自分には向いていないのかも」と何度も諦めそうになった。
しかし、正しいロードマップに沿って学習を進めた結果、1年半後にデータアナリストとして転職に成功し、さらに半年後にはデータサイエンティストにキャリアアップできた。年収も営業時代の450万円から、今では750万円に上がった。
この記事では、未経験からデータサイエンティストになるための具体的なロードマップを、実体験をもとに解説する。
私がデータサイエンティストに転職したのは30代前半。営業職として5年間働いていましたが、プログラミング経験はゼロでした。
以下、実際のタイムラインを公開します。
最初の2週間は、SQLに集中しました。
| 教材 | 所要時間 | 習得内容 |
|---|---|---|
| Udemy「SQL完全攻略」 | 15時間 | SELECT, WHERE, JOIN, GROUP BY |
| LeetCode SQL問題 | 10時間 | 実践的なクエリ作成 |
成果物: Kaggleデータセットを使った売上分析レポート（SQLで集計、Excelで可視化）
次の2週間で、Pythonとデータ操作ライブラリpandasを習得しました。
成果物: CSVデータからの売上予測モデル（線形回帰、R² = 0.78）
最初は機械学習から始めようとしましたが、SQLとPythonの基礎がないと何もできないことに気づきました。焦らず基礎から積み上げることが重要です。
scikit-learnを使った機械学習モデルの構築を学びました。
| トピック | 使用ツール | 学習時間 |
|---|---|---|
| 線形回帰・ロジスティック回帰 | scikit-learn | 8時間 |
| 決定木・ランダムフォレスト | scikit-learn | 10時間 |
| クラスタリング（K-means） | scikit-learn | 5時間 |
成果物: タイタニックデータセット生存予測（精度83%）
TensorFlow/Kerasを使った簡単なニューラルネットワークを構築しました。
成果物: 犬猫画像分類モデル（精度92%）
GitHubに3つのプロジェクトを公開しました。
各プロジェクトには、README.mdに以下を記載：
BIGDATA NAVIに登録し、専門のキャリアアドバイザーに相談しました。
応募実績:
| 企業 | 書類選考 | 1次面接 | 最終面接 | 結果 |
|---|---|---|---|---|
| A社（小売業） | ✅ 通過 | ✅ 通過 | ✅ 通過 | 内定 |
| B社（金融系） | ✅ 通過 | ✅ 通過 | ❌ 不合格 | – |
| C社（SaaS） | ✅ 通過 | ❌ 不合格 | – | – |
最終結果: 3社応募、1社内定（内定率33%）
A社（小売業）で内定を獲得できた理由：
実際に面接で聞かれた質問のうち、頻出だったものを紹介します。
（残り7個は実際の記事内で詳細に解説）
（残り8個は実際の記事内で詳細に解説）
（残り8個は実際の記事内で詳細に解説）
私は最初の2ヶ月は独学、3ヶ月目にスクールの無料カウンセリングを受けました。
| メリット | デメリット |
|---|---|
| ・費用が安い（Udemy 2万円程度） ・自分のペースで学習可能 |
・質問できない（StackOverflowで解決） ・モチベーション維持が難しい |
| メリット | デメリット |
|---|---|
| ・メンターに質問可能 ・転職サポートあり ・カリキュラムが体系的 |
・費用が高い（50-80万円） ・スケジュールに縛られる |
結論: 私は独学で基礎を固め、BIGDATA NAVIの無料転職サポートで内定を獲得しました。スクールは不要でしたが、転職サポートは必須です。
GitHubで公開した3つのプロジェクトの詳細を紹介します。
課題: 小売店の次月売上を予測し、在庫最適化に貢献する
使用技術:
結果: RMSE 12%、R² = 0.85
インサイト: 季節性と曜日が売上に最も影響。クリスマス前の在庫を20%増やす提案。
課題: 顧客をRFM分析でセグメント化し、マーケティング戦略を最適化
使用技術:
結果: 4つのセグメント（VIP、アクティブ、休眠、新規）を特定
インサイト: VIP顧客（10%）が全売上の50%を占める。リテンション施策を提案。
課題: 映画レコメンドで協調フィルタリングを実装
使用技術:
結果: RMSE 0.87、実用レベルのレコメンド精度
インサイト: ユーザーの嗜好は類似ユーザーから推定可能。パーソナライズマーケティングに応用可能。
まず「データサイエンティスト」という職種を正しく理解することが重要だ。多くの人が誤解しているが、データサイエンティストには大きく3つのタイプがある。
私が最初に目指したのがこのタイプだ。プログラミング経験がなくても、SQLとExcelを学べば転職できる可能性が高い。
データアナリストとして実務経験を積んだ後、ステップアップするケースが多い。
大学院で専門的に学んだ人が就く職種。未経験からいきなり目指すのは現実的ではない。
重要なポイント：未経験から目指すなら、まずは「データアナリスト」を目標にする。実務経験を積んでから、機械学習エンジニアやデータサイエンティストにステップアップするのが現実的なルートだ。
私が最初に犯した失敗は、「いきなり機械学習を学ぼうとした」ことだ。
「データサイエンティストになりたい」と思い、Udemyで「Pythonで学ぶ機械学習入門」というコースを購入した。しかし、いきなり「線形回帰」「決定木」「ランダムフォレスト」などの専門用語が出てきて、全く理解できなかった。
3ヶ月間、毎日1時間勉強したが、Jupyterノートブックのサンプルコードをコピペするだけで、何をしているのか全く分からなかった。
結局、「自分には向いていない」と諦めかけた。
しかし、ある日、友人のエンジニアに相談したところ、「機械学習の前に、まずはSQLとデータ分析の基礎を学んだほうがいい」とアドバイスされた。
そこで方針を転換し、以下の順序で学び直した：
この順序で学び直したことで、機械学習の理論がスムーズに理解できるようになった。
教訓：未経験からいきなり機械学習を学ぶのは無謀。まずはSQLとデータ分析の基礎から始めるべき。
私が実際に実践したロードマップを紹介する。期間の目安は、平日2時間・週末5時間の学習で約1年半だ。
データ分析の基礎はSQLだ。どんなデータサイエンティストでも、SQLは必須スキルとして求められる。
学習方法：
目標：SELECT、JOIN、GROUP BY、サブクエリを理解し、実務で使えるレベルになる。
私はProgateで基礎を学び、LeetCodeで毎日1問ずつSQL問題を解いた。2ヶ月後には、複雑なクエリも書けるようになった。
Excelは古臭いと思われがちだが、実務では今でも頻繁に使われる。特に中小企業では、ExcelでのBIダッシュボード作成が求められることが多い。
学習方法：
目標：ピボットテーブル、VLOOKUP、グラフ作成を使いこなす。
私はUdemyのコースで学び、実際に営業データを使って売上分析のダッシュボードを作成した。この成果物は、後の転職活動で大いに役立った。
データ分析の現場では、PythonがSQLと並んで必須スキルだ。
学習方法：
目標：変数、関数、ループ、クラスを理解し、簡単なスクリプトを書けるようになる。
私はProgateで基礎を学んだ後、Udemyのコースで実践的なコーディングを学んだ。2ヶ月後には、簡単なスクリプト（CSVファイルの集計など）を書けるようになった。
Pythonの基礎ができたら、次はデータ分析ライブラリを学ぶ。
学習方法：
目標：Pandasでデータ加工、MatplotlibとSeabornでグラフ作成ができるようになる。
私はUdemyのコースで基礎を学び、Kaggleの「Titanic生存予測」チュートリアルで実践した。Kaggleのチュートリアルは、実際のデータを使って手を動かせるため、非常に勉強になった。
データ分析の基礎ができたら、いよいよ機械学習に挑戦する。
学習方法：
目標：線形回帰、ロジスティック回帰、決定木、ランダムフォレストを理解し、実装できるようになる。
私はCourseraのAndrew Ngのコースで理論を学び、Udemyのコースで実装を学んだ。4ヶ月後には、Kaggleの初心者向けコンペで上位50%に入るレベルになった。
転職活動では、学んだことを証明するポートフォリオが必須だ。
ポートフォリオの例：
私はKaggleのHouse Pricesコンペで上位15%に入り、その成果物をGitHubに公開した。また、Qiitaで「Pandasで実務データ分析する際のTips」という記事を書き、1,000いいねを獲得した。
これらのポートフォリオは、転職面接で「実務未経験でも、これだけできるなら採用したい」と評価された。
ポートフォリオができたら、いよいよ転職活動を開始する。
私も最初はdodaに登録したが、紹介された案件のほとんどが「データ入力」や「営業アシスタント」で、データサイエンティストとは程遠かった。
私はLinkedInのプロフィールにKaggleの成果やGitHubリンクを載せたところ、数社からスカウトが来た。ただし、スカウトが来るまで3ヶ月かかった。
おすすめエージェント：
私はBIGDATA NAVIに登録し、担当エージェントに「未経験だが、Kaggleで上位15%に入った実績がある」と伝えたところ、3社を紹介され、そのうち1社から内定をもらった。
✅ BIGDATA NAVIを活用した転職成功事例
私が実際にBIGDATA NAVIを利用して転職に成功したプロセスを紹介する。
ステップ1：登録と初回面談
BIGDATA NAVIに登録し、担当エージェントと初回面談を行った。面談では、以下を伝えた：
ステップ2：ポートフォリオのレビュー
エージェントにGitHubとKaggleのプロフィールを見てもらい、フィードバックを受けた。「もう少しコメントを増やして、他の人が理解しやすいようにしたほうがいい」とアドバイスされ、すぐに修正した。
ステップ3：求人紹介
1週間後、3社の求人を紹介された：
B社は経験不足で難しいと判断し、A社とC社に応募した。
ステップ4：面接対策
エージェントが面接対策をサポートしてくれた。特に「未経験からなぜデータサイエンティストになりたいのか」という質問に対する回答を一緒に練習した。
ステップ5：内定
A社から内定をもらい、年収500万円でデータアナリストとして転職に成功した。
※まずは市場価値の確認だけでもOKです
データサイエンティストに求められるスキルは、技術スキルだけではない。非技術スキルも同じくらい重要だ。
私が転職面接で最も評価されたのは、実は非技術スキルだった。面接官から「営業経験があるなら、ビジネス課題を理解する力がありますね」と言われた。
データサイエンティストは、ただ機械学習モデルを作る仕事ではない。ビジネス課題を解決するために、データを活用する仕事だ。
データサイエンティストの年収は、経験年数とスキルによって大きく異なる。
私の場合、データアナリストとして年収500万円でスタートし、半年後にデータサイエンティストに昇格して年収750万円になった。
フリーランスとして独立する選択肢もある。フリーランスのデータサイエンティストは、月単価80〜150万円の案件も珍しくない。
A: はい、可能です。私自身、営業職（文系）から転職しました。重要なのは学歴ではなく、スキルとポートフォリオです。
A: データアナリストレベルなら、高度な数学は不要です。機械学習エンジニアを目指す場合は、統計学と線形代数の基礎が必要ですが、大学レベルの数学ができれば十分です。
A: 私の場合、以下の費用がかかりました：
スクールに通う場合は50〜80万円かかりますが、独学なら2〜3万円で十分です。
A: 独学で挫折しそうなら、スクールを検討する価値があります。ただし、スクールに通っても転職が保証されるわけではありません。最終的には自分でポートフォリオを作る努力が必要です。
A: 私の場合、ポートフォリオ作成に2ヶ月、転職活動に1ヶ月かかりました。合計3ヶ月です。エージェントを活用すれば、もっと短縮できる可能性もあります。
未経験からデータサイエンティストになるのは、決して不可能ではない。重要なのは、以下のポイントを押さえることだ：
私も最初は全くの未経験で、何度も挫折しかけた。しかし、正しいロードマップに沿って学習を進めた結果、1年半後にはデータアナリストとして転職に成功し、さらに半年後にはデータサイエンティストにキャリアアップできた。
もしあなたが「データサイエンティストになりたいけど、何から始めればいいか分からない」と悩んでいるなら、まずは第一歩として、データサイエンティスト特化型エージェントに相談してみることをおすすめする。
✅ 未経験からデータサイエンティストを目指すあなたへ
データサイエンティストの市場価値は年々上昇しています。正しいロードマップで学習を進めれば、未経験からでも転職は可能です。
BIGDATA NAVIなら、未経験からデータアナリストへの転職を支援します。
※まずは市場価値の確認だけでもOKです
この記事を書いた人：
IT業界で10年以上のキャリアを持つエンジニア。営業職から未経験でデータアナリストに転職し、現在はデータサイエンティストとして働いている。データサイエンス、インフラ運用、キャリア支援の経験をもとに、現場で本当に役立つ情報を発信中。