データエンジニア・データサイエンティスト転職完全ガイド｜未経験ロードマップ2026

「データを扱う仕事」と一口に言っても、データエンジニア（DE）、データサイエンティスト（DS）、データアナリスト（DA）では役割・年収・必要スキルがまったく異なります。本記事は2026年最新の求人市場と公的統計をベースに、未経験から年収600〜1,300万円のデータ職を目指すための実務ロードマップを徹底解説します。SQLとPythonしか知らない状態から、Spark・Airflow・dbt・Snowflake・BigQueryまで段階的に身につけ、Kaggleや自社データ分析でポートフォリオを作り、スカウト型サービスで内定を勝ち取るまでの全工程をカバーします。

1. データエンジニア／データサイエンティスト／アナリスト 3職種の違い

データ職への転職で最初につまずくのが「どの職種を目指すか」の判断です。求人票に「データエンジニア募集」と書かれていても、実態はETL開発寄りの場合もあれば、ML基盤（MLOps）寄りの場合もあります。まずは3職種のミッション、評価軸、典型的な1日の動きを整理します。

2. 業務内容と平均年収（2026年最新版）

厚生労働省「賃金構造基本統計調査」と主要転職エージェント（doda、レバテック、ビズリーチ）の2025年下期データを統合すると、データ職の年収は職種・経験年数・企業規模で大きく分かれます。以下は2026年6月時点のレンジです。

2-1. 年収レンジ（経験年数別）

外資コンサルや外資テック（GAFA系）では、シニアDS／MLエンジニアでベース1,500万円超、ストックオプションや業績連動賞与を含めるとTC（Total Compensation）で2,500万〜4,000万円のレンジも珍しくありません。一方、伝統的な日系大手（金融・メーカー）は新卒並びの賃金体系を踏襲する企業が多く、シニア層でも900〜1,200万円で頭打ちというケースもあります。

2-2. 業界別の年収傾向

3. 必要スキルセット完全マップ

データ職のスキルは「基礎言語」「データ基盤」「分析・モデリング」「ソフトスキル」の4層構造で整理すると把握しやすくなります。職種別に必須レベルが変わるので、転職前にどこまで埋められているかを自己診断しましょう。

3-1. 共通基礎スキル

• SQL（必須）：ウィンドウ関数、CTE、パーティション、クエリチューニング。BigQuery／Snowflake／Redshift いずれかの方言を1つは深く。
• Python（必須）：pandas／numpy はDE/DSともに前提。型ヒント、リスト内包表記、エラーハンドリング、ユニットテスト（pytest）。
• Git／GitHub：ブランチ戦略（GitHub Flow など）、PR レビュー文化への適応。
• Linux／シェル：cron、tail、grep、awk、sed の基本コマンド。Docker は2026年現在ほぼ必須。

3-2. データエンジニアの追加スキル

3-3. データサイエンティストの追加スキル

• 機械学習：scikit-learn、XGBoost／LightGBM／CatBoost、PyTorch（または TensorFlow）。
• 統計：仮説検定、回帰分析、因果推論（DID、傾向スコア、合成統制法）、ベイズ統計の基礎。
• 実験設計：A/Bテスト、Multi-Armed Bandit、Difference-in-Differences。
• NLP／LLM：Transformers、LangChain、RAG設計、ベクトル検索（pgvector、Pinecone、Weaviate）。生成AI時代の必須教養。
• 可視化：matplotlib／seaborn／Plotly、ダッシュボード化（Streamlit、Dash、Looker Studio）。

4. 未経験から目指すルート（数学が苦手でも可能なポジション）

「機械学習や統計を一から学び直すのは無理…」と感じる方は多いですが、データ職には数学色の薄い入口が複数あります。経産省・IPA「IT人材白書2024」「DX動向2024」で示されたとおり、データ基盤を構築できる人材の不足が深刻で、SQLとPythonさえあればDEに転身できる求人が拡大しています。

4-1. 文系・非エンジニアからの王道3ルート

4-2. 学習時間の目安

5. 統計・機械学習・MLOps：ロール別に必要な深さ

同じ「データ職」でも、必要な統計・MLの深さは大きく異なります。下表は2026年6月時点の求人票（Indeed、LinkedIn、ビズリーチ、レバテック）の文面を集計したものです。

6. 大手企業の需要トレンド（金融・メーカー・EC・医療）

経産省「DXレポート2.2」やIPA「DX白書」が指摘するように、データ人材の不足は産業全体で深刻化しています。特に2024〜2026年は4業界で顕著な変化が起きています。

6-1. 金融

三大メガバンク（三菱UFJ・三井住友・みずほ）はクラウドDWH移行を加速。Snowflake・Databricks 導入PJが各行で進行中で、データエンジニアの中途採用が活発化。証券・損保では不正検知・与信モデルでDS需要が拡大。年収レンジ700〜1,300万円。

6-2. メーカー・製造業

トヨタ、日立、パナソニック、ファナックなどがデータレイクハウスを整備。IoTセンサーデータ、PLC、画像解析のためにPython＋PySpark経験者が枯渇しています。製造現場の知識があるエンジニアは特に重宝され、未経験DEでも年収600〜850万円のオファーが珍しくありません。

6-3. EC・SaaS（メガベンチャー）

楽天・ZOZO・メルカリ・LINEヤフー・サイバーエージェント・DeNAなどは、レコメンド／検索／広告配信・与信のためにDS／MLエンジニアを常時採用。RSU／SOを含めるとTCで1,200〜2,000万円。スカウト経由の採用比率が高く、IT・Webエンジニア向けスカウト型転職の活用が事実上の標準ルートです。

6-4. 医療・製薬

武田、第一三共、エーザイ、中外などは創薬データ／レセプトデータの解析に注力。医療データ特有のドメイン知識（HL7、FHIR、ICD-10）を学ぶと差別化できます。生成AIによる文献検索／論文要約のRAG基盤構築でDE求人が急増。

7. 関連資格と取得順序の最適解

データ職は実務経験＞資格ですが、未経験〜2年目の段階では「面接でスキルを示す材料」として資格が機能します。費用対効果が高いものから順に並べると以下のとおりです。

8. ポートフォリオ作成（Kaggle・自社データ・OSS）

2026年時点でデータ職転職の合否を決めるのは、資格ではなく「実物のポートフォリオ」です。GitHubでコード公開・Kaggle Notebook・Qiita／Zenn記事・自社業務改善事例の4点セットを用意できれば、未経験でも上位求人に挑戦できます。

8-1. 職種別の推奨ポートフォリオ

8-2. Kaggle活用のコツ

• Featured（賞金付き）コンペで Top 10% を1回でも入ると、書類選考通過率が劇的に上昇。
• 銅メダル＝Top 10%、銀メダル＝Top 5%、金メダル＝Top 10チーム以内が目安。
• Notebook を公開し、解法を Zenn／Qiita で日本語ブログ化すると採用担当の目に留まりやすい。
• チーム参加で英語のコミュニケーション経験を積めると外資選考でも武器になる。

8-3. 自社データで成果を出す

転職前の現職で「業務時間を1日30分でも分析に充てる」のが最強のポートフォリオ作りです。たとえば営業データから商談化率の要因分析を行い、Slack 通知や週次レポート自動化まで作れば、面接で具体的な数値（CV率5%改善・工数20時間削減）を語れます。退職後にも知財として持ち出せるよう、必ず会社の許可を取り、社内固有情報は匿名化してから公開してください。

9. 転職エージェント・スカウト型サービスの活用

データ職の求人は非公開化が進んでおり、エージェント／スカウト経由が事実上のメインルートです。職種別に推奨サービスを使い分けることで、書類通過率と年収交渉力が大きく変わります。

9-1. スカウト返信率を上げる3つの工夫

• 職務経歴書に「使った技術スタック」「データ規模（テラバイト／秒間リクエスト）」「ビジネスインパクト（売上・コスト・工数）」の3点を必ず数値で書く。
• GitHub／Kaggle／Qiita を職務経歴書に貼り、「最新コミットが3か月以内」を維持する。
• 希望年収は現年収＋150〜250万円で記入。低すぎるとハイクラススカウトの対象から外れる。

10. よくある質問（FAQ）

未経験・文系出身でもデータエンジニアになれますか？

はい、なれます。SQLとPythonを実務レベルまで習得し、Docker・dbt・Airflowのいずれかで小規模ETLを構築した経験があれば、年収450〜600万円のジュニアDE求人に応募可能です。文系出身の合格者も多く、特に営業企画やマーケ経験はビジネス要件定義の場で重宝されます。

データサイエンティストになるには大学院（修士・博士）が必要ですか？

大手日系・外資の研究色が強いポジション（リサーチサイエンティスト）では修士以上を要求されますが、ビジネスサイドのDSは学部卒・専門卒でも可能です。重要なのは統計検定2級／準1級、Kaggleメダル、自社データの分析実績で実力を示せるかどうかです。

数学が苦手ですが、データ職は無理でしょうか？

DAやDEは記述統計・線形代数の初歩で十分なので、苦手でも参入できます。DSやMLエンジニアでも、深層学習以外（古典的ML中心）の業務であれば、確率・統計の入門書1冊と統計検定2級レベルの理解で実務をスタートできます。逆に微分・最適化を深く扱うのは研究色が強いポジションだけです。

Kaggleでメダルを取らないと転職できませんか？

必須ではありません。ただしDSポジションでは「実物の分析プロジェクト」が必要です。Kaggleが難しい場合は、SIGNATE（日本語コンペ）参加、自社業務での効果検証レポート、オープンデータ（e-Stat、データシティ）を使った分析ブログのいずれかを用意してください。

SIerからデータエンジニアに転身する難易度は？

低めです。SIer経験者はSQL・Java・要件定義の経験が前提となっているため、Python・dbt・Snowflake／BigQueryを半年〜1年学習すれば即戦力扱いです。年収アップ幅も大きく、SIer年収500万円→事業会社DE 700万円超のジョブチェンジは珍しくありません。

30代後半・40代からのデータ職転職は厳しいですか？

業界経験＋技術スキルの組み合わせ次第で十分可能です。たとえば製造業20年＋Python1年でメーカーのデータエンジニアに採用される事例、金融バックオフィス15年＋SQL／Tableauで金融データアナリストに転身する事例が多くあります。ドメイン知識は若手では代替できない強みです。

データエンジニアとSREの違いは？

SREは「サービスの可用性・信頼性」を担保する役割で、対象は本番システム全般。DEは「データパイプラインの可用性・正確性」を担保する役割で、対象はデータ基盤に限定されます。クラウド・Linux・CI/CDの知識は共通で、SREからDEへの転身は半年程度で可能です。

外資データ職を目指す場合、英語はどの程度必要ですか？

TOEIC 800点以上、または会話可能レベルが望ましいです。グローバルチームに所属する場合は英語ミーティング・英文ドキュメントが日常的に発生します。一方、日本リージョン主導の外資（ローカルチーム）であれば、TOEIC 600点台でも入社可能なポジションがあります。

副業でデータ分析の経験を積めますか？

はい、可能です。Lancers・クラウドワークス・YOUTRUST・Offers・furien などでデータ分析・ダッシュボード構築・ETL開発の副業案件が募集されています。月10〜30万円の単発案件が中心で、複数件こなせば「副業実績」として職務経歴書に書け、本業転職時のアピール材料になります。

転職活動のベストタイミングはいつですか？

1〜3月、7〜9月が求人ピークです。日系企業は年度替わり前後、外資は四半期初頭に予算が動くため募集が活発化します。ボーナス受給後の3月末・9月末退職を逆算して、3〜6か月前から職務経歴書とスカウトサービス登録を準備しましょう。