未経験からのデータサイエンティストへの転職: 完全ガイド

近年、データサイエンティストという職種が注目されています。企業がデータを活用してビジネスを拡大する中、この役職の重要性が増してきました。

しかし、多くの人々がデータサイエンティストに関する具体的な知識や役割について不明確な点を持っています。

この記事では、データサイエンティストとは何か、その仕事内容や必要なスキル、転職のメリット・デメリットなどを詳しく解説します。

データサイエンティストとは何か？

データサイエンティストは、ビジネスの課題を解決するためにデータを活用する専門家です。彼らは数学や統計学、プログラミングの知識を持ち、これを使ってデータから有益な情報を引き出します。

データサイエンティストの定義

• データの解析: 大量のデータから有益な情報を抽出し、ビジネスの意思決定に役立てます。これには、統計的手法や機械学習の技術が使用されます。
• 問題解決: ビジネスの課題をデータを使って解決します。例えば、売上の低下の原因を特定したり、新しい市場の機会を発見するための分析を行います。

データサイエンティストの役割と重要性

• 戦略的意思決定: データを基にした戦略的な意思決定をサポートします。これにより、企業は市場の変動や競合との差別化を図ることができます。
• 新しいビジネスチャンスの発見: データの分析を通じて新しい市場や顧客のニーズを発見します。これにより、新しい製品やサービスの開発の方向性を定めることができます。

データサイエンティストの仕事内容

データサイエンティストは、企業のデータを活用してビジネス上の課題を解決する役割を持っています。

そのため、彼らの仕事内容は多岐にわたります。以下に、データサイエンティストの主な仕事内容を詳しく解説します。

日常の業務内容

• データの収集: さまざまなソースからのデータ収集を行います。ウェブトラフィックや顧客データベース、ソーシャルメディアなどのデータを統合し、一元的なデータソースを作成することで、より正確な分析が可能となります。
• データの前処理: データはそのままでは分析に適していないことが多いです。欠損値の補完、外れ値の処理、カテゴリデータのエンコーディングなど、データを分析に適した形に整える作業を行います。
• データの分析: 統計的手法や機械学習のアルゴリズムを使用して、データから有益な情報やパターンを抽出します。これにより、未来の予測や現在の状況の理解が深まります。
• レポートの作成: 分析結果をビジュアル化し、関係者に報告します。グラフやチャートを使用して、データのインサイトを明確に伝え、データに基づいた意思決定をサポートします。

プロジェクト例

• 顧客セグメンテーション: 顧客データを分析して、異なる顧客グループを特定します。これにより、各グループに合わせたマーケティング戦略を策定し、効果的なプロモーションを実施することができます。
• 在庫最適化: 過去の販売データや季節のトレンドを基に、在庫の最適なレベルを予測します。これにより、過剰在庫や品切れのリスクを最小限に抑え、効率的な在庫管理を実現します。
• 製品の推薦システムの開発: 顧客の購買履歴や閲覧履歴を基に、彼らに合った製品を推薦するシステムを構築します。これにより、顧客の購買意欲を刺激し、売上向上に寄与します。

データサイエンティストの職種

データサイエンティストという職種は、一口に言ってもその役割や専門性は多岐にわたります。企業や業界、プロジェクトの内容によって、データサイエンティストの役割は異なることがあります。

以下に、データサイエンティストの主な職種とその特徴を詳しく解説します。

業界別のデータサイエンティストの役割

• 金融: 金融データの分析を行い、リスク管理や投資戦略の策定をサポートします。特に、不正取引の検出や金融市場の動向予測など、高度な分析が求められる業界です。
• 医療: 医療データを分析して、病気の早期発見や治療法の最適化を目指します。ジェノムデータの解析を通じて、個別化医療の提供や新薬の開発にも貢献しています。
• 小売: 顧客の購買データや在庫データを分析し、マーケティング戦略や在庫管理の最適化を行います。顧客の購買傾向を理解し、ターゲットとなる顧客に合わせたプロモーションを実施することで、売上向上を目指します。
• 製造業: 製造プロセスのデータを分析して、生産効率の向上や品質管理をサポートします。生産ラインの最適化や不良品の原因分析など、製造業の効率化に貢献します。

企業内での役割とポジション

• データエンジニア: データの収集や前処理を主に担当します。大量のデータを効率的に処理し、データベースやデータレイクに保存する役割を持ちます。また、データの品質を保つためのシステムの構築やメンテナンスも行います。
• 機械学習エンジニア: 機械学習モデルの開発や実装を行います。データサイエンティストが提供するモデルを実際のプロダクトに組み込む役割を持ちます。また、モデルの性能向上や最適化も担当します。
• ビジネスインテリジェンス (BI) アナリスト: データをビジュアル化し、ビジネス上の意思決定をサポートします。ダッシュボードの作成やレポートの生成を行い、経営層や他部署とのコミュニケーションの橋渡しをします。

データサイエンティストとデータアナリストの違い

データサイエンティストとデータアナリストは、データを中心にした職種としてよく知られていますが、彼らの役割やスキルセットは異なります。

以下に、両者の主な違いとそれぞれの特徴を詳しく解説します。

主な役割の違い

• データサイエンティスト: データサイエンティストは、データの収集から前処理、高度な分析やモデリングまでを行います。彼らは企業のデータを活用して新しいビジネスの機会を発見したり、既存の問題を解決するための洞察を提供します。機械学習やAIの技術を駆使して、データから隠れたパターンや関連性を見つけ出します。
• データアナリスト: データアナリストは、主に過去のデータを基にした分析を行い、ビジネスの現状やトレンドを明らかにします。彼らはデータを通じて企業の業績を評価し、将来の戦略の方向性を示唆するレポートを作成します。

必要なスキルの違い

• データサイエンティスト: データサイエンティストは、高度なプログラミングスキルや統計学の知識が求められます。また、ビッグデータの技術やクラウドコンピューティングに関する知識も必要とされることが多いです。これにより、大量のデータを効率的に処理し、高度な分析を行うことができます。
• データアナリスト: データアナリストは、基本的なデータ操作のスキルやビジュアル化の技術が求められます。SQLやExcelを使ったデータのクエリや操作、さまざまなビジュアル化ツールを使用してデータを視覚的に表現する能力が重要です。

業務の結果とインパクト

• データサイエンティスト: データサイエンティストの分析結果は、新しい製品の開発やマーケティング戦略の策定など、企業の中長期的な戦略に大きな影響を与えることが多いです。彼らの提供するインサイトは、企業の競争力を高めるための重要な要素となります。
• データアナリスト: データアナリストの分析結果は、日常の業務の最適化や短期的な戦略の策定に貢献します。例えば、売上のトレンド分析を通じて、次のクォーターの販売目標を設定する際の参考となる情報を提供します。

データサイエンスティストとデータエンジニアの違い

データサイエンティストとデータエンジニアは、データ関連の職種としてよく知られていますが、彼らの役割やスキルセットは異なります。以下に、両者の主な違いをまとめました。

データサイエンティスト

主な役割

• ビジネスの問題を解決するためのデータ駆動型のアプローチを採用。
• データの探索的分析、統計的モデリング、機械学習のアルゴリズムの適用などを行う。

スキルセット

• 統計学、機械学習、ディープラーニングなどの高度な分析技術。
• プログラミング言語（Python, Rなど）の知識。
• データの可視化やビジネスインサイトの抽出能力。

目的

ビジネスの課題に対する洞察を提供し、データを活用して価値を生み出す。

データエンジニア

主な役割

• 大量のデータを効率的に収集、保存、処理するためのシステムやインフラストラクチャを構築・維持。
• データの品質を確保し、データサイエンティストやビジネスアナリストがアクセスしやすい形でデータを提供。

スキルセット

• データベース技術（SQL, NoSQLなど）の深い知識。
• ビッグデータ技術（Hadoop, Sparkなど）の経験。
• データパイプラインやETLプロセスの構築能力。

目的

データの整合性とアクセス性を確保し、データ駆動型の意思決定をサポートするための基盤を提供。

データサイエンスティストとデータベースエンジニアの違い

データベースエンジニア

主な役割

• データベースの設計、構築、運用、最適化を行う。
• データの整合性、セキュリティ、パフォーマンスを確保するためのシステムやインフラストラクチャを維持・最適化。

スキルセット

• データベース技術（SQL, NoSQLなど）の深い知識。
• データベースのパフォーマンスチューニングやバックアップ・リカバリーの手法。
• データモデリングや正規化の知識。

目的

データの安全な保存と迅速な取得を可能にするためのデータベースシステムの構築・維持。

データサイエンスティストとデータストラテジストの違い

データストラテジスト

主な役割

• 企業のデータ戦略の策定と実行をリード。
• データの収集、分析、活用方法を定義し、ビジネス目標の達成をサポート。

スキルセット

• ビジネス戦略の策定やプロジェクトマネジメントのスキル。
• データの価値を理解し、それをビジネスの成果に結びつける能力。
• コミュニケーション能力やステークホルダーとの関係構築能力。

目的

企業全体のデータ活用を促進し、データを戦略的資産として最大限に活用するための方針や計画を策定・実行。

データサイエンスティストとデータアーキテクトの違い

データアーキテクト

主な役割

• 企業のデータの構造やフローを設計、最適化し、データの整合性や効率的なアクセスを確保する。
• データベースやデータウェアハウス、ビッグデータのインフラストラクチャの設計と実装を行う。

スキルセット

• データモデリング、データベース設計、データウェアハウス設計の知識。
• データベース技術（SQL, NoSQLなど）の深い知識。
• ビッグデータ技術（Hadoop, Sparkなど）やクラウドサービスの経験。

目的

企業のデータ戦略に基づき、データの保存、取得、処理が効率的に行えるようなデータの構造やインフラストラクチャを設計・実装する。

データサイエンティストに転職するメリット・デメリット

データサイエンティストという職種は、データ駆動の時代において非常に注目されています。

しかし、このキャリアパスを選択する前に、メリットとデメリットをしっかりと把握することが重要です。以下で詳しく解説します。

メリット

• 高い給与: データサイエンティストは、その専門的なスキルと知識により、多くの企業で高い給与が支払われています。特に技術を駆使してビジネスの価値を高める能力は、企業から高く評価され、それが給与に反映される傾向があります。
• キャリアの多様性: データサイエンスの技術は、さまざまな業界や部門での応用が可能です。これにより、興味や適性に合わせて幅広いキャリアパスを選択することができます。
• 将来性のある職種: ビッグデータの時代において、データを活用して新しい価値を生み出す能力は、今後もますます重要となります。このため、データサイエンティストの役割は今後も拡大していくと予想されます。

デメリット

• 高いスキル要求: データサイエンティストは、複雑なデータを処理・分析するための高度なスキルが求められます。これには、継続的な学習と実践が必要となり、そのための時間や労力を投資する必要があります。
• プレッシャー: データサイエンティストの分析結果は、企業の戦略や意思決定に直接影響を与えるため、その責任は大きいです。正確な分析を行うプレッシャーは、ストレスとなることがあります。
• 変動する技術環境: データサイエンスの分野は常に進化しており、新しい技術やツールが次々と登場します。これに適応し続けるためには、常に最新の知識を学び続ける姿勢が求められます。

データサイエンスティストの年収

データサイエンティストの年収は、企業や役職、経験年数などによって異なります。最新の情報を基に、以下に平均的な年収のデータをまとめました。

• 平均年収: 約531万円から694万円
  • 【2023年版】データサイエンティストの年収｜大手企業の給料 …によれば、データサイエンティストの平均年収は約531万円です。
  • 職業情報サイト jobtagの情報では、平均年収は約554.3万円とされています。
  • データサイエンティストの仕事の平均年収は671万円 – 求人ボックスによると、平均年収は約671万円とのことです。
• 米国のデータサイエンティストの年収
  • 2023年7月現在、データサイエンティストの平均年収は？年収を上げる方法も解説によると、米国のデータサイエンティストの平均年収は約12万ドルで、日本円に換算すると1,500万円以上となっています。

これらの情報を参考に、データサイエンティストとしてのキャリアを考える際の参考としてください。

データサイエンティストの将来性 [本当にいらない？]

データサイエンティストは、デジタルトランスフォーメーションの時代において、企業の成長をサポートする鍵となる役割を果たしています。

以下で、この職種の将来性について詳しく解説します。

データの重要性の増加

• ビジネス戦略の中心: データは新しい「石油」とも称され、その価値は計り知れません。データサイエンティストは、この貴重なリソースを解析し、企業の戦略策定に直接的なインサイトを提供します。これにより、企業は市場の変動に迅速に対応し、競争優位性を維持・拡大することができます。
• 新しいビジネスモデルの創出: データを活用することで、従来のビジネスモデルを超えた新しいサービスや製品の開発が可能となります。データサイエンティストは、これらのイノベーションを推進する中心的な役割を果たし、企業の成長をサポートします。

技術の進化との連携

• AIとの統合: AI技術の進化は著しく、データサイエンティストはこれを活用してより高度な分析を行うことができます。例えば、顧客の購買傾向や市場のトレンドを予測することで、ビジネスの最適化を図ることができます。
• クラウド技術の活用: クラウド技術により、大量のデータをリアルタイムで処理・分析することが可能となりました。データサイエンティストは、この技術を利用して、迅速な意思決定をサポートし、企業のアジリティを高めます。

求人市場の拡大

• 高い需要: データの活用がビジネスの中心となる中、データサイエンティストのスキルは非常に価値があると認識されています。このため、多くの企業がデータサイエンティストを求めており、求人市場も拡大しています。
• キャリアの多様性: データサイエンスの技術は、さまざまな業界や部門での応用が可能です。これにより、データサイエンティストは自らの興味や適性に合わせて、多様なキャリアパスを選択することができます。

MyVision

データサイエンティストに必要なスキル

データサイエンティストは、複雑なデータを解析し、ビジネス上の意思決定に貢献する役割を果たします。この職種での成功には、以下のようなスキルが求められます。

技術的スキル

• プログラミング: データの処理や分析を効率的に行うためには、PythonやRなどのプログラミング言語の習熟が必要です。これにより、大量のデータを迅速に処理し、分析結果を導き出すことができます。
• 統計学: データの背後にあるパターンやトレンドを理解するためには、統計学の基本的な知識が不可欠です。これにより、データの信頼性や有意性を評価することができます。
• 機械学習: データから自動的に学習し、新しいデータに対して予測や分類を行う技術です。データサイエンティストは、この技術を活用して、ビジネス上の課題を解決します。

「Python」については、それぞれ下記リンクの記事で詳しく取り上げています。興味があったら読んでみてください。↓

ビジネススキル

• 問題解決能力: データを活用してビジネスの課題を特定し、適切な解決策を提案する能力。データだけでなく、ビジネスの背景やコンテキストを理解することが重要です。
• コミュニケーション: 技術的な分析結果を、非技術者にもわかりやすく伝えるためのスキル。データのインサイトを効果的に共有し、組織全体の意思決定に貢献します。

その他のスキル

• データエンジニアリング: データの品質を保つための技術。データの収集、クレンジング、変換など、分析前のデータ準備プロセスが含まれます。
• ビジュアル化: 分析結果を視覚的に表現する技術。グラフやチャートを使用して、データのインサイトを直感的に理解できる形にするスキルです。

データサイエンティストの業界研究のやり方

データサイエンティストとしてのキャリアを追求する上で、業界の深い知識を持つことは大きなアドバンテージとなります。以下で、業界研究の効果的な方法について詳しく解説します。

業界トレンドの把握

• 業界レポート: 各業界の成長率、市場の動向、競合状況などを詳細に分析したレポート。これを通じて、業界の現状や将来の展望を正確に把握することができます。
• ニュース・記事のフォロー: 業界に関する最新のニュースや記事は、即時性のある情報を提供します。特に新技術の導入や大手企業の動向など、業界の変化を早期にキャッチアップするためには欠かせない情報源です。

業界内のデータ活用事例の調査

• ケーススタディ: 実際のビジネスシーンでのデータ活用事例。これを通じて、データサイエンスが業界のどの部分に影響を与えているか、またどのような価値を生み出しているかを具体的に理解することができます。
• 業界イベント・セミナー: これらのイベントには、業界の先駆者や専門家が集まります。彼らの講演やディスカッションを通じて、最前線でのデータ活用の実情や課題、展望を学ぶことができます。

ネットワーキング（人脈づくり）

• 業界団体・組織: 業界団体や組織は、業界の動向や課題、最新技術などの情報を共有する場として機能します。また、同業者や専門家との交流を通じて、業界の深い知識や新しい視点を得ることができます。
• オンラインコミュニティ: オンライン上のコミュニティやフォーラムは、幅広い背景を持つ人々との交流の場として利用できます。特に海外の動向や最新技術に関する情報を得るためには、このようなコミュニティの活用が効果的です。

「業界研究のやり方」については、下記リンクの記事で詳しく取り上げています。興味があったら読んでみてください。↓

未経験でもデータサイエンティストになれるのか

データサイエンティストとしてのキャリアは魅力的ですが、未経験からのスタートは難しそうに思えるかもしれません。

しかし、適切なアプローチと努力を組み合わせれば、未経験からでもこの道を歩むことは可能です。

未経験からの挑戦の現状

高まる需要:

ビジネスのデジタル化が進む中、データの解析や活用が重要となっています。このため、データサイエンティストの役割はますます重要になり、企業は新しい才能を求めています。

未経験者でも、適切な教育やトレーニングを受ければ、この分野でのキャリアを築くことができます。

多様なバックグラウンド:

データサイエンティストは、様々なバックグラウンドを持つ人々から成り立っています。

エンジニアリング、統計学、ビジネスなど、多岐にわたる分野からの転職者が活躍しており、それぞれの経験や知識がデータサイエンスの世界に新しい視点をもたらしています。

必要なスキルの習得

オンラインコース:

インターネット上には、データサイエンスに関する多くの無料や有料のコースが存在します。これらのコースを通じて、基本的なスキルや知識を効率的に習得することができます。

実践的なプロジェクト:

知識だけでなく、実際のデータを用いた実践経験も非常に重要です。オープンデータを使用しての分析や、データサイエンスのコンペティションに参加することで、実務に近い経験を積むことができます。

ネットワーキングと情報収集

業界のイベント:

データサイエンス関連のイベントやセミナーは、最新の情報や技術を学ぶだけでなく、業界のプロフェッショナルとのネットワーキングの場としても非常に価値があります。

メンターの活用:

経験豊富なデータサイエンティストとのメンタリングは、キャリアの方向性やスキル習得のアドバイス、業界の内部情報など、多くの価値を提供してくれます。

「職種を変える転職（異職種転職）」については、下記リンクの記事で詳しく取り上げています。興味があったら読んでみてください。↓

年齢（年代）によって、データサイエンスティストへの転職に違いはあるのか？

20代の転職

• 学びやすさ: 若い世代は新しい技術やツールを学ぶのが比較的容易で、短期間でのスキルアップが期待できます。
• キャリアの柔軟性: 20代はキャリアの初期段階であるため、方向性を変えるリスクが比較的低いです。
• 長期的な成長: 若いうちからデータサイエンスの分野に入ることで、長期的なキャリアの成長を見込むことができます。

30代の転職

• 前職の経験の活用: 30代では、前職での経験や知識をデータサイエンスの分野に活用することができる場合が多いです。
• 専門性の追求: 一定のキャリアを築いてきた人は、データサイエンスの中でも特定の領域に特化してスキルを深めることができます。
• キャリアの再設計: 30代はキャリアの中盤となるため、方向性の変更や再設計を考えるタイミングとなります。

40代以上の転職

• リーダーシップの活用: 長年のキャリアを通じて培ったリーダーシップやマネジメントのスキルを活用して、チームやプロジェクトのリーダーとして活躍することが期待されます。
• 経験の深み: 40代以上の人は、業界やビジネスの知識が深いため、データサイエンスの技術と経験を組み合わせて、より高度な分析や戦略の提案ができます。
• キャリアの再挑戦: 一定のキャリアを築いた後の転職は、新しい分野への挑戦や自身のスキルセットの再評価を意味します。

「異業種への転職は難しいのか？」については、下記リンクの記事で詳しく取り上げています。興味があったら読んでみてください。↓

30代以上に転職サポートに強い！《マイナビ転職エージェントサーチ》

転職における、データサイエンスティストにとってのポートフォリオの重要性と作り方

データサイエンティストのポートフォリオの重要性

技術的スキルの証明

ポートフォリオは、あなたが持っている技術的なスキルや知識を具体的に示すことができるツールです。履歴書や職務経歴書だけでは伝えきれない実際のスキルをアピールすることができます。

実務経験の補完

未経験や経験が浅い場合、ポートフォリオは実務経験の不足を補完する役割を果たします。具体的なプロジェクトや成果を通じて、あなたの能力を証明することができます。

思考プロセスの可視化

データサイエンスのプロジェクトは、問題の定義からデータの前処理、モデルの構築、評価、解釈までの一連のプロセスを経ます。

ポートフォリオを通じて、このプロセスをどのように進めるかを示すことができます。

データサイエンティストのポートフォリオの作り方

選ぶプロジェクト

• 実際のビジネス問題を解決するプロジェクトや、公開されているデータセットを使用した分析など、多岐にわたるプロジェクトを選びます。
• あなたの興味や専門分野、目指すキャリアに合わせてプロジェクトを選ぶことが重要です。

詳細なドキュメンテーション

• 使用したデータの出典、前処理の手順、使用したモデルやアルゴリズム、結果の解釈など、プロジェクトの詳細をしっかりとドキュメント化します。
• コードのコメントや、Jupyter Notebookを使用した解説なども効果的です。

GitHubなどのプラットフォームでの公開

GitHubは、コードやプロジェクトを公開するための主要なプラットフォームとなっています。リポジトリを整理し、READMEをしっかりと記述することで、見る人にプロジェクトの概要を伝えることができます。

ビジュアル化の活用

グラフやチャートを使用して、分析の結果やインサイトをビジュアル化することで、内容をわかりやすく伝えることができます。

フィードバックの収集

他のデータサイエンティストや専門家からのフィードバックを収集し、ポートフォリオの質を向上させることができます。

データサイエンティストはつらい・やめておけと言われる理由

データサイエンティストの役割は非常に重要であり、多くの企業でその価値が認識されています。

しかし、その背後には多くのプレッシャーや課題が存在します。以下で、具体的な理由を詳しく解説します。

高い期待値とプレッシャー

• ビジネスインパクトの期待: データサイエンティストは、具体的なビジネス成果を生み出すことが期待されます。しかし、データ分析の結果は常に期待通りになるわけではなく、そのギャップによるプレッシャーを感じることが多いです。
• 多岐にわたる業務: データの収集、前処理、モデル構築、評価、報告と、一連の流れには多くのステップが含まれます。それぞれのステップが複雑であり、一つ一つに時間と労力を要するため、過労やストレスが生じやすいです。

技術的な困難

• 常に進化する技術: データサイエンスの技術やツールは日々進化しています。そのため、常に最新の知識を習得し続ける必要があり、これが継続的な学習のプレッシャーとなります。
• データの品質問題: 実際のデータは決して綺麗ではありません。欠損値や外れ値、不整合なデータなどの問題に対処することは、データサイエンティストの日常業務の一部ですが、これが予想以上に時間を取られることがあります。

コミュニケーションの課題

• 結果の伝達: 分析の結果を非技術的なステークホルダーに伝えることは、コミュニケーションの難しさを伴います。技術的な内容をわかりやすく伝えるスキルが求められ、この部分での誤解やコミュニケーションギャップが生じることがあります。
• 期待値のギャップ: ビジネスサイドとデータサイエンティストとの間で、プロジェクトの目的や期待する結果についてのギャップが生じることがあります。このギャップを埋めるためのコミュニケーションは、しばしば困難を伴います。

未経験からのデータサイエンティストへの転職: 完全ガイド｜まとめ

データサイエンティストとしてのキャリアは、多くの魅力とともに様々な課題を持っています。

この記事を通じて、データサイエンティストとは何か、その仕事内容、必要なスキル、そして業界の現状など、多岐にわたる情報を提供しました。

■データサイエンティストの魅力と課題

• データサイエンティストは、ビジネスの成果を直接的に生み出す役割を持っています。
• 一方で、技術的な困難やコミュニケーションの課題など、多くの挑戦が待ち受けています。

■未経験者でも挑戦可能

• 適切な学習と努力を組み合わせれば、未経験からでもデータサイエンティストとしてのキャリアを追求することは可能です。
• しかし、そのためには継続的な学習と実践、そして業界との繋がりを深めることが必要です。

■データサイエンティストとしての成功の鍵

• データサイエンティストとしての成功を追求するためには、技術的なスキルだけでなく、コミュニケーション能力やビジネスの理解も必要です。
• また、業界の動向を常にキャッチアップし、新しい技術や手法を学び続ける姿勢が求められます。

データサイエンティストとしてのキャリアは、多くの報酬と成果をもたらすことができますが、そのためには上記のポイントを理解し、適切なアプローチと努力が必要です。

この記事が、データサイエンティストとしてのキャリアを追求する皆様の参考となれば幸いです。