データサイエンティストの年収相場｜評価を分ける3つの役割と未経験からの現実

データサイエンティストの年収は、職種名ではなく、分析で事業の判断を変える役割か、モデルを本番で動かす役割か、研究に近い役割かで分かれます。同じ職種名の求人でも、仕事が定型のレポート作成に寄っていれば、提示額は伸びにくくなります。

職種全体の中での位置は職種別の年収で確認できます。データエンジニアとの比較に関心がある場合はデータサイエンティストとデータエンジニアの年収を参照してください。この記事ではデータサイエンティスト単独の相場と、評価の決まり方を説明します。

公的統計に職種名はないので、広い区分で読む

結論として、データサイエンティストの平均年収を示す公的統計はありません。賃金構造基本統計調査の職種区分に含まれないためです。そのため、より広い職種の統計から大まかな位置を確かめます。

公的統計で参考になるのは、職種の区分です。

年収換算額は月額と賞与から当サイトが算出した概算です。データサイエンティストがどの区分に含まれるかは、会社の回答によって変わるので、この表から直接の相場は読めません。使えるのは「ITの中でも、設計や判断に近い仕事のほうが高く出る」という向きの確認までです。

3つの役割で評価の基準が違う

データサイエンティストという名前の仕事は、実態として3つに分かれます。どの役割かで、提示額の上限と評価の基準が変わります。

事業分析型は、事業に直結するので評価されやすい一方、定型のレポート作成に流れると伸びません。具体例として、毎週の売上レポートを自動化しただけでは評価は上がりにくいですが、「値引き施策に効果がないことを検証で示し、施策を止めて利益を改善した」のなら、判断を変えた実績になります。

機械学習実装型は、ソフトウェアの実装力が問われるため、提示額の水準が上がりやすい傾向があります。本番で動かす経験が希少だからです（機械学習・AIエンジニアの年収）。研究開発型は、対応できる人が限られる反面、求人の数も少なく、会社の研究投資に左右されます（R&Dエンジニアの年収）。

注意点として、応募した役割と実際の仕事がずれている求人があります。面接で「直近の業務の時間配分」を聞くと、どの役割なのかが分かります。

企業タイプで見る推定レンジ

当サイトの診断モデルで、実務3〜5年・東京・スキル中位の条件を企業タイプ別に見ると次のとおりです。

データサイエンティスト専用の係数ではなく、エンジニア全体の推定です。ただ、データの職種では同じ会社の中でも配属の影響が大きいことに注意してください。分析の成果が売上に結びつきやすい事業の部署か、コストセンターとして見られる部署かで、評価の余地が変わるためです。

具体例として、広告や金融、ECのように、数字の改善が直接売上につながる事業では、データの仕事の価値を説明しやすくなります。一方、社内の報告資料を作る部署に配属されると、同じ技術でも効果を示しにくくなります。業界の差は広告・マーケティング業界のエンジニアの年収でも扱っています。

経験年数で見た場合は、次の目安になります。

例外として、受託型の分析会社では、顧客から得る単価が給与の原資になるので、企業タイプの差がより強く出ます。分析の高い技術を持っていても、商流の下にいれば上限があります。

未経験から目指す現実的な経路

未経験から直接データサイエンティストに採用されるのは、狭い道です。経験者向けの求人では、業務で分析やモデルを活用した実績が前提になるからです。講座や資格だけでは、この実績の代わりになりにくいのが実情です。

現実的な経路は3つあります。1つ目は、現職の業務の中でデータを使った改善を始めることです。営業や企画の担当者が自分の領域の数字を分析し、施策の判断を変えた例は、業務の理解と結びついた実績になります。2つ目は、データアナリストから入ることです（データアナリストの年収）。3つ目は、エンジニアとしてデータ基盤を担当し、そこから分析やモデルの領域に広げることです（データエンジニアの年収）。

経路によって年収の下がり方が変わります。社会人経験のある人が未経験で職種を変える場合、一時的に年収が下がることがあります（30代未経験でエンジニアに転職する）。現職の業務知識を活かせる業界で動くほうが、下げ幅を抑えやすくなります。

注意点として、ポートフォリオとして公開データの分析コンテストを示す場合、それだけで評価されることは少なくなっています。データの準備、問いの設定、事業の判断までを自分で行った経験のほうが説得力があります。

評価される成果の書き方

データの職種の成果は、使った手法ではなく、判断がどう変わったかで書きます。評価する側は手法の高度さより、事業の結果を知りたいからです。

強い書き方に共通するのは、判断、比較の方法、結果の3つが含まれていることです。特に、効果がなかったことを示した経験は、組織にとって価値があります。無駄な投資を止められるからです。

数字を書くときは、守秘義務の範囲を確認します。金額を出せない場合は、割合や変化の方向で説明します。また、モデルの精度だけを書くと、実際の業務に効いたのかが伝わりません。職務経歴書の全体の作り方は職務経歴書の書き分けを参照してください。

例外として、研究開発型の求人では論文や特許、手法の新規性が評価の中心になります。応募先の役割に合わせて、成果の見せ方を変えてください。

生成AIでどの仕事が変わるか

生成AIの普及で、データの仕事の中身は変わりつつあります。将来の需要を数字で断定することはできませんが、作業の部分と判断の部分を分けて考えると準備の方向が見えます。

集計のコードを書く、グラフを作る、定型のレポートを書く、といった作業は、ツールで速くなる可能性があります。これらだけを担当している場合、評価の材料が減るおそれがあります。一方、何を問うべきかを決める、データの偏りを見抜く、結果が正しいかを検証する、事業の担当者を説得するといった部分は、責任を伴う判断として残ります。

活用の面では、生成AIの出力を業務に組み込む際の評価設計が新しい仕事になっています。精度の測り方を決め、不具合の傾向を調べて改善する仕事は、データサイエンティストの強みを活かせます（生成AIツールの活用スキルは年収に効くのか）。

注意点として、「生成AIの経験あり」を前面に出すだけでは差別化になりません。具体的に何を評価し、どう判断したかを説明する必要があります。

求人票で確かめること

データサイエンティストの求人は、名前と実態のずれが大きい領域です。次の点を確認します。

• 直近の業務の時間配分（データ準備、分析、モデル開発、報告の比率）
• 分析の結果を使って判断する人は誰か、報告先はどの階層か
• データ基盤の整備状況と、データエンジニアの有無
• モデルを本番で動かす体制があるか
• 評価の基準が、成果物の数か、事業への効果か
• 配属の部署が事業部か、全社横断の組織か

データ基盤の状況は重要です。データが整っていない環境では、データサイエンティストとして採用されても、大半の時間がデータの準備に使われることがあります。これも貴重な経験になる場合がありますが、想定していた仕事と違えば、応募の判断が変わります。

提示額を見るときは、等級の位置も確かめます。職種の名前が新しい会社では、エンジニアと別の賃金テーブルが使われたり、等級の定義が曖昧だったりします（求人要件から等級を読む）。

伸び悩みやすいパターン

データサイエンティストとして年収が伸び悩む典型は、依頼を受けて分析結果を返すだけの立場に留まることです。依頼主が判断を決めるので、自分の実績として語れる成果が少なくなります。

抜け出すには、問いを立てる段階に入ることが必要です。依頼された分析を返すだけでなく、「その判断には別の数字が必要です」と提案し、施策の設計から関わります。これができると、評価の根拠となる実績が増えます。

もう一つのパターンは、技術の勉強に集中するあまり事業の理解が浅くなることです。高度な手法を使っても、事業の担当者が理解できず採用されなければ成果になりません。逆に、事業の理解だけで技術が追いつかないと、複雑な課題を任されなくなります。どちらが足りないかを定期的に見直してください。

この記事の数字が当てはまらないケース

公的統計の年収換算額は当サイトが計算した概算で、データサイエンティストだけを取り出した数字ではありません。

診断モデルのレンジは、エンジニア全体の条件から計算した推定です。診断はコード問題を基にしており、統計の知識や事業の判断の力を直接測るものではありません。いずれも目安として使い、個別の提示の妥当性を決める根拠にはしないでください。

最終チェック

• 自分が事業分析型、機械学習実装型、研究開発型のどれかを言葉にした
• 成果を、手法ではなく判断の変化で書いた
• 応募先の業務の時間配分を確認した
• データ基盤の整備状況を確認した
• 配属が事業に近い部署かを確認した
• 未経験の場合、現職でデータを使った実績を作る計画を立てた

データサイエンティストの年収を動かすのは、手法の高度さだけではありません。分析の結果で何の判断が変わったかを説明できることが、提示額を左右します。