SlideShare a Scribd company logo
1 of 34
Download to read offline
企業が求めるデータサイエンティスト人材像
データサイエンティスト国内企業採用動向調査(2019)より
2020年6月10日
データサイエンティスト協会 調査・研究委員会
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
本日お話する内容
 調査目的と概要
 調査結果
– ①データサイエンティストの在籍状況
– ②データサイエンティストの採用/育成実態
– ③企業が求めるデータサイエンティスト人材像
 まとめ
2
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
調査目的と概要
3
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
調査目的
4
データサイエンティストの人材育成やスキルアップ、
組織内外の需要(企業)と供給(データサイエンテイスト)の
マッチングに関する現状を明らかにするため
国内一般企業が抱える課題を把握・考察する
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
調査概要
データサイエンティストの採用に関するアンケート
調査対象 :日本国内一般企業(人事担当者向け)
※従業員30名以上の企業を対象に、
企業規模別にランダム抽出
調査手法 :郵送法
調査期間 :2019年8月21日~10月8日
有効回答数:計283社(発送5,435社、回収率5.2%)
注:本調査資料の百分率表示は小数点以下を四捨五入しているため、
合計しても100%とならない場合がございます。
5
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
調査結果①
データサイエンティストの在籍状況
6
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティストの在籍実態
7
データサイエンティストが1人以上いる会社は全体の29%
Q. 貴社にはデータサイエンティストは何名いらっしゃいますか。
DSが1人以上
29%
DSが0人
69%
未回答
2%
2019年4月時点
1~2人
22%
3~5人
26%
6~10人
22%
11~20人
12%
21~50人
9%
51~100人
5%
101人以上
5%
在籍者数内訳
全企業対象(n=283) データサイエンティスト在籍者が1人以上の企業(n=82)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
29%
11%
14%
23%
29%
59%
29%
69%
89%
86%
73%
67%
41%
69%
2%
0%
0%
4%
5%
0%
2%
全業種計(n=283)
建設業(n=18)
運輸業、郵便業(n=29)
製造業(n=70)
卸売業・小売業(n=42)
情報通信業(n=37)
上記以外の産業(n=84)
DSが1人以上 DSが0人 未回答
データサイエンティストの在籍実態(業種別)
8
Q. 貴社にはデータサイエンティストは何名いらっしゃいますか。
建設業では11%、情報通信業では59%と、
業種による違いが大きい
※業種別グラフは、業種無回答を除いて集計
全企業対象(n=283)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティストのタイプ別内訳
9
在籍するデータサイエンティストをタイプ別で分類すると
エンジニアタイプが最も多い
Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。
タイプ①
33%
タイプ②
24%
タイプ③
43%
データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70)
※各社のタイプ別人数比率の平均値
タイプ③
データ分析を目的とし、プログラミング
知識を使ってデータの収集、加工やシ
ステムへの実装、運用ができる人材
(職種の例:データエンジニアなど)
タイプ①
ビジネス課題を抽出し、データを分析・
活用して課題を解決できる人材
(職種の例:データマーケターなど)
タイプ②
統計学、人工知能などの情報科学系
の知識を理解し、統計ソフトなどを用い
た専門的な分析ができる人材
(職種の例:データアナリストなど)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティストのタイプ別内訳(業種別)
10
33%
47%
21%
32%
24%
16%
31%
24%
43%
37%
48%
44%
全産業計(n=70)
製造業(n=15)
情報通信業(n=18)
上記以外の産業(n=35)
タイプ① タイプ② タイプ③
Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。
エンジニアタイプの割合は、製造業では37%と低く、
情報通信業では48%と高い傾向にある
タイプ③
データ分析を目的とし、プログラミング知識を使っ
てデータの収集、加工やシステムへの実装、運用
ができる人材
(職種の例:データエンジニアなど)
タイプ①
ビジネス課題を抽出し、データを分析・活用して
課題を解決できる人材
(職種の例:データマーケターなど)
タイプ②
統計学、人工知能などの情報科学系の知識を
理解し、統計ソフトなどを用いた専門的な分析
ができる人材
(職種の例:データアナリストなど)
データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70) ※業種無回答は除く
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティスト人材の増減と内訳
11
Q. データサイエンティスト人材の増減と、増やした人数の増員方法をお答えください。
4.6
1.7
1.1
0
1
2
3
4
5
社
内
の
異
動
・
育
成
中
途
採
用
者
新
卒
採
用
者
直近1年間で増えたデータサイエンティストの内訳直近1年間でのデータサイエンティストの増減
(平均人数:人)
この1年でデータサイエンティストを増やした企業は56%
増員方法の多くは、社内の異動・育成によるもの
データサイエンティスト在籍者が1人以上の企業(n=82)
データサイエンティストの在籍者が1人以上で、
直近1年間で1人以上の増員があった企業(n=52)
1人以上増えた
56%
増減なし
39%
1人以上減った
5%
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
調査結果②
データサイエンティストの採用/育成実態
12
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティスト採用の充足度
13
Q. この1年間で、貴社が目標としていた人数のデータサイエンティストを確保できましたか。(SA)
確保できた
17%
どちらかといえば確保できた
26%
どちらかといえば確保できなかった
21%
確保できなかった
37%
この1年間でデータサイエンティストを確保する予定だった企業(n=82)
DSを採用しようとした企業のうち
「目標としていた人数を確保できなかった」企業が58%
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティスト採用の充足度(業種別)
14
17%
16%
29%
13%
26%
16%
38%
25%
21%
21%
24%
18%
37%
47%
10%
45%
全産業計(n=82)
製造業(n=19)
情報通信業(n=21)
上記以外の産業(n=40)
確保できた どちらかといえば確保できた どちらかといえば確保できなかった 確保できなかった
Q. この1年間で、貴社が目標としていた人数のデータサイエンティストを確保できましたか。(SA)
特に、情報通信業以外の業種で
確保できなかった企業の割合が高い(63%~68%)
この1年間でデータサイエンティストを確保する予定だった企業(n=82)
63%
68%
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティスト人材の育成・研修制度
15
Q. データサイエンティスト人材の育成・研修の制度として貴社内にあるものをすべてお答えください。(MA)
45%
38%
29% 27% 27%
15%
7%
2% 5%
18%
0%
20%
40%
60%
社
外
研
修
の
受
講
制
度
・
紹
介
制
度
基
本
ス
キ
ル
の
社
内
研
修
制
度
社
外
資
格
取
得
支
援
制
度
専
門
ス
キ
ル
の
社
内
研
修
制
度
メ
ン
タ
ー
に
よ
る
個
別
指
導
イ
ベ
ン
ト
・
交
流
会
社
内
資
格
制
度
ヘ
ル
プ
デ
ス
ク
な
ど
の
問
い
合
わ
せ
窓
口
そ
の
他
育
成
・
研
修
の
制
度
が
な
い
育成・研修制度としては、社外研修支援と社内研修が中心
一方で、育成・研修の制度がない企業も18%ある
データサイエンティスト在籍者が1人以上の企業(n=82)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティスト人材の育成・研修制度(業種別)
16
45%
38%
29% 27% 27%
15%
7%
2% 5%
18%
44%
31%
19%
31%
19%
13% 13%
6%
0%
19%
64%
50%
36% 36%
45%
23%
9%
0% 0%
5%
38% 36%
31%
19% 21%
12%
5% 2%
10%
26%
社
外
研
修
の
受
講
制
度
・
紹
介
制
度
基
本
ス
キ
ル
の
社
内
研
修
制
度
社
外
資
格
取
得
支
援
制
度
専
門
ス
キ
ル
の
社
内
研
修
制
度
メ
ン
タ
ー
に
よ
る
個
別
指
導
イ
ベ
ン
ト
・
交
流
会
社
内
資
格
制
度
ヘ
ル
プ
デ
ス
ク
な
ど
の
問
い
合
わ
せ
窓
口
そ
の
他
育
成
・
研
修
の
制
度
が
な
い
全産業計(n=82) 製造業(n=16) 情報通信業(n=22) 上記以外の産業(n=42)
情報通信業では、全体的に
育成・研修制度の充実が進んでいる
Q. データサイエンティスト人材の育成・研修の制度として貴社内にあるものをすべてお答えください。(MA)
データサイエンティスト在籍者が1人以上の企業(n=82)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティスト人材の育成方針
17
Q. データサイエンティスト人材育成方針として最もあてはまるものをお答えください。(SA)
人材育成方針で最も重視することは、
OJTが44%と最多
データサイエンティスト在籍者が1人以上の企業(n=82)
OJTで育成していく
44%
外部研修を受講させる
23%
社内研修で育成していく
6%
その他
2%
育成の予定がない
12%
未回答
12%
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
データサイエンティスト人材の育成方針(業種別)
18
44%
44%
41%
45%
23%
31%
18%
24%
6%
0%
18%
2%
2%
0%
0%
5%
12%
19%
5%
14%
12%
6%
18%
10%
全産業計(n=82)
製造業(n=16)
情報通信業(n=22)
上記以外の産業(n=42)
OJTで育成していく 外部研修を受講させる 社内研修で育成していく その他 育成の予定がない 未回答
情報通信業では社内研修で育成する企業が18%あるが、
製造業、その他産業では0~2%と少ない
データサイエンティスト在籍者が1人以上の企業(n=82)
Q. データサイエンティスト人材育成方針として最もあてはまるものをお答えください。(SA)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 19
Q. 貴社では「データサイエンス」に関する専門の部署やチームがありますか。(SA)
現在、存在している
62%今後、設立を予定・
検討している
13%
存在していない(今後
の予定もない)
23%
未回答
1%
62%の企業がデータサイエンスに関する専門部隊を持つ
また、13%の企業は今後、設立を予定・検討している
データサイエンティスト在籍者が1人以上の企業(n=82)
「データサイエンス」に関する専門の部署やチームの存在
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
専門部隊を持つ企業も情報通信業が先行し、
77%に達している
20
62%
25%
77%
69%
13%
25%
18%
7%
23%
44%
5%
24%
1%
6%
0%
0%
全産業計(n=82)
製造業(n=16)
情報通信業(n=22)
上記以外の産業(n=42)
現在、存在している 今後、設立を予定・検討している 存在していない(今後の予定もない) 未回答
データサイエンティスト在籍者が1人以上の企業(n=82)
「データサイエンス」に関する専門の部署やチームの存在(業種別)
Q. 貴社では「データサイエンス」に関する専門の部署やチームがありますか。(SA)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
調査結果③
企業が求めるデータサイエンティスト人材像
21
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
今後3年間で増員したいデータサイエンティスト人数
22
Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。
今後3年間でさらにDSを増やしたいのは、DS在籍企業の
77%、DSがいない企業でも11%は新たに獲得したい
0人
18%
1~2人
17%
3~5人
20%
6~10人
16%
11~20人
7%
21~50人
12%
51~100人
2%
101~200人
1%
201~500人
1%
未回答
5%
データサイエンティスト在籍者1人以上企業(n=82)
0人
78%
1~2人
8%
3~5人
2%
6~10人
1% 未回答
9%
データサイエンティスト在籍者0人企業(n=201)
※2019年4月時点
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
今後3年間で増員したいデータサイエンティストの増員方法
23
Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。増員方法別にお答えください。
(平均人数:人)
5.2
4.5
2.8
0
1
2
3
4
5
6
社
内
の
異
動
・
育
成
中
途
採
用
者
新
卒
採
用
者
増員方法としては、社内の異動・育成が最も高いが、
中途採用や新卒採用のニーズもある
今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
【現在と未来の比較】データサイエンティストの増員方法
24
(平均人数:人)
5.2
4.5
2.8
0
1
2
3
4
5
6
社
内
の
異
動
・
育
成
中
途
採
用
者
新
卒
採
用
者
過去と比べると、中途採用・新卒採用での増員意向が高まる
今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88)
4.6
1.7
1.1
0
1
2
3
4
5
6
社
内
の
異
動
・
育
成
中
途
採
用
者
新
卒
採
用
者
(平均人数:人)
グラフ左: Q. データサイエンティスト人材の増減と、増やした人数の増員方法をお答えください。
グラフ右: Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。増員方法別にお答えください。
今後3年間で増員したい
データサイエンティストの増員方法
過去1年間で増員した
データサイエンティストの増員方法
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
今後3年間で増員したいデータサイエンティストの人材像
25
Q. 今後3年間で、貴社が採用・育成したいデータサイエンティストの人材像をお答えください。(MA/SA)
89%
88%
73%
70%
56%
56%
13%
1%
18%
41%
10%
6%
7%
6%
0%
1%
0% 20% 40% 60% 80% 100%
複数の分野を俯瞰的にみてデータ分析の活用を戦略的に考えられる人材
データによるビジネス課題解決を得意とする人材
データ分析のプロフェッショナルな人材
統計やAIなどのデータ分析に関する「理論」に詳しい人材
データのハンドリングを得意とする人材(エンジニア)
データを使ったサービスを開発する人材
データを使ったアート作品を作るクリエイター的な人材
その他
あてはまるもの全て
最もあてはまるもの1つ
今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88)
人材像としては「ビジネス課題解決」「戦略検討」スキルを
持つ人材が求められている
※無回答は含まない
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
今後3年間で増員したいデータサイエンティストの人材像(業種別)
26
89%
88%
73%
70%
56%
56%
13%
1%
94%
81%
69%
69%
56%
44%
13%
0%
92%
92%
85%
81%
77%
69%
19%
0%
86%
86%
68%
64%
45%
52%
9%
2%
複数の分野を俯瞰的にみてデータ分析の活用を戦略的に考えられる人材
データによるビジネス課題解決を得意とする人材
データ分析のプロフェッショナルな人材
統計やAIなどのデータ分析に関する「理論」に詳しい人材
データのハンドリングを得意とする人材(エンジニア)
データを使ったサービスを開発する人材
データを使ったアート作品を作るクリエイター的な人材
その他
全産業計(n=88) 製造業(n=16) 情報通信業(n=26) 上記以外の産業(n=44)
情報通信業においては、
より多様なスキルを求める傾向がある
今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88)
Q. 今後3年間で、貴社が採用・育成したいデータサイエンティストの人材像をお答えください。(MA)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
今後増員したいデータサイエンティストのタイプ別内訳
27
Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。
今後増員したいDSのタイプは、マーケタータイプが
最も多いが、エンジニア、アナリストのニーズもある
タイプ①
40%
タイプ②
24%
タイプ③
36%
※各社のタイプ別人数比率の平均値
今後3年間でデータサイエンティストを1人以上増員予定の企業で、
タイプ別の回答があった企業(n=71)
タイプ③
データ分析を目的とし、プログラミング
知識を使ってデータの収集、加工やシ
ステムへの実装、運用ができる人材
(職種の例:データエンジニアなど)
タイプ①
ビジネス課題を抽出し、データを分析・
活用して課題を解決できる人材
(職種の例:データマーケターなど)
タイプ②
統計学、人工知能などの情報科学系
の知識を理解し、統計ソフトなどを用い
た専門的な分析ができる人材
(職種の例:データアナリストなど)
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
今後増員したいデータサイエンティストのタイプ別内訳(業種別)
28
40%
54%
28%
38%
24%
19%
24%
26%
36%
27%
48%
36%
全業種計(n=71)
製造業(n=13)
情報通信業(n=17)
上記以外の産業(n=40)
タイプ① タイプ② タイプ③
情報通信業以外の業種で、
マーケタータイプへのニーズが特に高い
タイプ③
データ分析を目的とし、プログラミング知識を使っ
てデータの収集、加工やシステムへの実装、運用
ができる人材
(職種の例:データエンジニアなど)
タイプ①
ビジネス課題を抽出し、データを分析・活用して
課題を解決できる人材
(職種の例:データマーケターなど)
タイプ②
統計学、人工知能などの情報科学系の知識を
理解し、統計ソフトなどを用いた専門的な分析
ができる人材
(職種の例:データアナリストなど)
※業種無回答は除く
今後3年間でデータサイエンティストを1人以上増員予定の企業で、
タイプ別の回答があった企業(n=71)
Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
【現在と未来の比較】データサイエンティストのタイプ別内訳
29
40%
54%
28%
38%
24%
19%
24%
26%
36%
27%
48%
36%
全業種計(n=71)
製造業(n=13)
情報通信業(n=17)
上記以外の産業(n=40)
タイプ① タイプ② タイプ③
いずれの業種も、今よりもマーケタータイプを増やしたい
タイプ③
データ分析を目的とし、プログラミング知識を使っ
てデータの収集、加工やシステムへの実装、運用
ができる人材
(職種の例:データエンジニアなど)
タイプ①
ビジネス課題を抽出し、データを分析・活用して
課題を解決できる人材
(職種の例:データマーケターなど)
タイプ②
統計学、人工知能などの情報科学系の知識を
理解し、統計ソフトなどを用いた専門的な分析
ができる人材
(職種の例:データアナリストなど)
※業種無回答は除く
グラフ左:データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70)
グラフ右:今後3年間でデータサイエンティストを1人以上増員予定の企業で、タイプ別の回答があった企業(n=71)
33%
47%
21%
32%
24%
16%
31%
24%
43%
37%
48%
44%
全産業計(n=70)
製造業(n=15)
情報通信業(n=18)
上記以外の産業(n=35)
タイプ① タイプ② タイプ③
今後、増員したい
データサイエンティストのタイプ
現在、在籍する
データサイエンティストのタイプ
グラフ左:Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。
グラフ右:Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
まとめ
30
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
まとめ
国内企業の約3割にデータサイエンティストが在籍
特に情報通信業で活用が先行
31
データサイエンティストは
既にさまざまな業種で在籍
この1年でデータサイエンティスト
を増員した企業は56%
56%
29%
11% 14%
23% 29%
59%
全業種計 建設業 運輸業、郵便業 製造業 卸売業・小売業 情報通信業
DSが1人以上在籍している企業
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
まとめ
データサイエンティストは企業側から見ると依然不足
情報通信業以外の業種でも採用意欲は強い
32
データサイエンティストを
十分に確保できていない企業が多い
77%
11%
DS1人以上企業 DS0人企業
今後3年間でデータサイエンティストを
増員したい企業も多い
確保でき
なかった
58%
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
まとめ
33
求めるデータサイエンティスト像は、
ビジネス課題解決や戦略検討が得意な人材
マーケタータイプ
(ビジネス課題を抽出して
応用できる人材)
のニーズが高い
「ビジネス」スキルへの
期待が高い
33%
47%
21%
全産業計
製造業
情報通信業
40%
54%
28%
全産業計
製造業
情報通信業
現在のDSに占める
マーケタータイプの割合
増員したいDSに占める
マーケタータイプの割合
採用・育成したいデータサイエンティストの人材像トップ3
89%
88%
73%
複数の分野を俯瞰的にみてデータ分析の活用
を戦略的に考えられる人材
データによるビジネス課題解決を得意とする人材
データ分析のプロフェッショナルな人材
Copyright © 2020 The Japan DataScientist Society. All Rights Reserved.
まとめ
 国内企業の約3割にデータサイエンティストが在籍
特に情報通信業で活用が先行
 データサイエンティストは企業側から見ると依然不足
情報通信業以外の業種でも採用意欲は強い
 求めるデータサイエンティスト像は、
ビジネス課題解決や戦略検討が得意な人材
34
企業側からも、データサイエンティストの増加、裾野の広がりが確認できた。
現在のデータサイエンティストは情報通信業に多く在籍する。
一方、他の業種では、十分に確保できてない企業が多く、
今後は、幅広い業種で採用が拡大していくと考えられる。
また、自社ビジネスに応用できる人材への期待が非常に高かった。
現在のデータサイエンティスト構成比と比べるとギャップがあり、
企業側には、ビジネススキルを向上させるための環境整備が期待される。

More Related Content

What's hot

失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用Hiroyuki Masuda
 
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明Satoshi Hara
 
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)NTT DATA Technology & Innovation
 
リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方Recruit Lifestyle Co., Ltd.
 
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-Kan Hara
 
AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法munjapan
 
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...Matlantis
 
Data-centricなML開発
Data-centricなML開発Data-centricなML開発
Data-centricなML開発Takeshi Suzuki
 
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?機械学習モデルのサービングとは?
機械学習モデルのサービングとは?Sho Tanaka
 
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説Hironori Washizaki
 
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介Takashi Suzuki
 
機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望Nobukazu Yoshioka
 
SSII2020TS: 機械学習モデルの判断根拠の説明​ 〜 Explainable AI 研究の近年の展開 〜​
SSII2020TS: 機械学習モデルの判断根拠の説明​ 〜 Explainable AI 研究の近年の展開 〜​SSII2020TS: 機械学習モデルの判断根拠の説明​ 〜 Explainable AI 研究の近年の展開 〜​
SSII2020TS: 機械学習モデルの判断根拠の説明​ 〜 Explainable AI 研究の近年の展開 〜​SSII
 
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫るTakashi J OZAKI
 
ドライブレコーダの画像認識による道路情報の自動差分抽出
ドライブレコーダの画像認識による道路情報の自動差分抽出ドライブレコーダの画像認識による道路情報の自動差分抽出
ドライブレコーダの画像認識による道路情報の自動差分抽出Tetsutaro Watanabe
 
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]DeNA
 
機械学習 入門
機械学習 入門機械学習 入門
機械学習 入門Hayato Maki
 
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計Takahiro Kubo
 
modern software qa - draft 1
modern software qa - draft 1modern software qa - draft 1
modern software qa - draft 1Yasuharu Nishi
 
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探るTakashi J OZAKI
 

What's hot (20)

失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
 
機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明機械学習モデルの判断根拠の説明
機械学習モデルの判断根拠の説明
 
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
機械学習モデルを REST API としてサービングするシステム開発における上流プロセスの絞り込みと効果検証(PM学会2023年度秋季研究発表大会 発表資料)
 
リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方
 
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
AIを活用し経理業務を「データサイエンス業務」に変革するためのポイントと実務-経理人材が今後目指すべき方向性を提示-
 
AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法AIビジネス推進人材に必要なスキルとその育成方法
AIビジネス推進人材に必要なスキルとその育成方法
 
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
Matlantisで実現する不均一系理論触媒科学3.0: Ru/La0.5Ce0.5O1.75-xにおける強い金属・担体相互作用の解明と展望_PFCCウェ...
 
Data-centricなML開発
Data-centricなML開発Data-centricなML開発
Data-centricなML開発
 
機械学習モデルのサービングとは?
機械学習モデルのサービングとは?機械学習モデルのサービングとは?
機械学習モデルのサービングとは?
 
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
 
GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介GOの機械学習システムを支えるMLOps事例紹介
GOの機械学習システムを支えるMLOps事例紹介
 
機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望機械学習応用システムの安全性の研究動向と今後の展望
機械学習応用システムの安全性の研究動向と今後の展望
 
SSII2020TS: 機械学習モデルの判断根拠の説明​ 〜 Explainable AI 研究の近年の展開 〜​
SSII2020TS: 機械学習モデルの判断根拠の説明​ 〜 Explainable AI 研究の近年の展開 〜​SSII2020TS: 機械学習モデルの判断根拠の説明​ 〜 Explainable AI 研究の近年の展開 〜​
SSII2020TS: 機械学習モデルの判断根拠の説明​ 〜 Explainable AI 研究の近年の展開 〜​
 
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
 
ドライブレコーダの画像認識による道路情報の自動差分抽出
ドライブレコーダの画像認識による道路情報の自動差分抽出ドライブレコーダの画像認識による道路情報の自動差分抽出
ドライブレコーダの画像認識による道路情報の自動差分抽出
 
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
ドライブレコーダ映像からの3次元空間認識 [MOBILITY:dev]
 
機械学習 入門
機械学習 入門機械学習 入門
機械学習 入門
 
機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計機械学習で泣かないためのコード設計
機械学習で泣かないためのコード設計
 
modern software qa - draft 1
modern software qa - draft 1modern software qa - draft 1
modern software qa - draft 1
 
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
 

Similar to 企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より

データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートよりデータサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートよりThe Japan DataScientist Society
 
Nci 2021recruit
Nci 2021recruitNci 2021recruit
Nci 2021recruitYujiAwara
 
DXの推進において企業内に求められる人材やデジタル人材の育て方
DXの推進において企業内に求められる人材やデジタル人材の育て方DXの推進において企業内に求められる人材やデジタル人材の育て方
DXの推進において企業内に求められる人材やデジタル人材の育て方Hironori Washizaki
 
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~Deep Learning Lab(ディープラーニング・ラボ)
 
Saga Smart Center: データ分析の基礎
Saga Smart Center: データ分析の基礎Saga Smart Center: データ分析の基礎
Saga Smart Center: データ分析の基礎Daiyu Hatakeyama
 
RIT assesment service for DX
RIT assesment service for DXRIT assesment service for DX
RIT assesment service for DXRIT
 
超高速開発の基礎概念 20141119 0
超高速開発の基礎概念 20141119 0超高速開発の基礎概念 20141119 0
超高速開発の基礎概念 20141119 0正善 大島
 
企業活動と情報システム 図版
企業活動と情報システム 図版企業活動と情報システム 図版
企業活動と情報システム 図版Masanori Saito
 
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略Masanori Saito
 
20141211 qpits国連ハビタット福岡プレゼン
20141211 qpits国連ハビタット福岡プレゼン20141211 qpits国連ハビタット福岡プレゼン
20141211 qpits国連ハビタット福岡プレゼンQPITS_Official
 
杉並診断士会向けKintoneご紹介コンテンツr2
杉並診断士会向けKintoneご紹介コンテンツr2杉並診断士会向けKintoneご紹介コンテンツr2
杉並診断士会向けKintoneご紹介コンテンツr2junji kumooka
 
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)Tetsuo Yamabe
 
ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?Shohei Hido
 
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?Norihiko Nakabayashi
 
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上aslead
 

Similar to 企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より (20)

データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートよりデータサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
データサイエンティストのリアル-2015年~2019年 一般(個人)会員アンケートより
 
データサイエンティストの就労意識
データサイエンティストの就労意識データサイエンティストの就労意識
データサイエンティストの就労意識
 
Nci 2021recruit
Nci 2021recruitNci 2021recruit
Nci 2021recruit
 
DXの推進において企業内に求められる人材やデジタル人材の育て方
DXの推進において企業内に求められる人材やデジタル人材の育て方DXの推進において企業内に求められる人材やデジタル人材の育て方
DXの推進において企業内に求められる人材やデジタル人材の育て方
 
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
 
Saga Smart Center: データ分析の基礎
Saga Smart Center: データ分析の基礎Saga Smart Center: データ分析の基礎
Saga Smart Center: データ分析の基礎
 
医療×AIシンポジウム -医療×AI推進人材を考える- 報告書
医療×AIシンポジウム -医療×AI推進人材を考える- 報告書医療×AIシンポジウム -医療×AI推進人材を考える- 報告書
医療×AIシンポジウム -医療×AI推進人材を考える- 報告書
 
It実行力強化のためのスキル調査と活用方法
It実行力強化のためのスキル調査と活用方法It実行力強化のためのスキル調査と活用方法
It実行力強化のためのスキル調査と活用方法
 
RIT assesment service for DX
RIT assesment service for DXRIT assesment service for DX
RIT assesment service for DX
 
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
 
超高速開発の基礎概念 20141119 0
超高速開発の基礎概念 20141119 0超高速開発の基礎概念 20141119 0
超高速開発の基礎概念 20141119 0
 
企業活動と情報システム 図版
企業活動と情報システム 図版企業活動と情報システム 図版
企業活動と情報システム 図版
 
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
LiBRA 08.2020 / ITソリューション塾_これからのビジネス戦略
 
20141211 qpits国連ハビタット福岡プレゼン
20141211 qpits国連ハビタット福岡プレゼン20141211 qpits国連ハビタット福岡プレゼン
20141211 qpits国連ハビタット福岡プレゼン
 
Sangyo2009 05
Sangyo2009 05Sangyo2009 05
Sangyo2009 05
 
杉並診断士会向けKintoneご紹介コンテンツr2
杉並診断士会向けKintoneご紹介コンテンツr2杉並診断士会向けKintoneご紹介コンテンツr2
杉並診断士会向けKintoneご紹介コンテンツr2
 
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
SXSWedu 2016 報告会 〜EdTech JAPAN 世界への挑戦 セッション紹介(山邉分)
 
ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?
 
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
 
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
NRI事例に学ぶ、”検索”による大規模システム開発の生産性向上
 

More from The Japan DataScientist Society

AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキルAI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキルThe Japan DataScientist Society
 
コニカミノルタにおけるデータドリブンPLMの取り組み
コニカミノルタにおけるデータドリブンPLMの取り組みコニカミノルタにおけるデータドリブンPLMの取り組み
コニカミノルタにおけるデータドリブンPLMの取り組みThe Japan DataScientist Society
 
エントリー層向けセミナー#04『はじめての最適化』
エントリー層向けセミナー#04『はじめての最適化』エントリー層向けセミナー#04『はじめての最適化』
エントリー層向けセミナー#04『はじめての最適化』The Japan DataScientist Society
 
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向The Japan DataScientist Society
 
機械学習の先端センシングへの適用と展望
機械学習の先端センシングへの適用と展望機械学習の先端センシングへの適用と展望
機械学習の先端センシングへの適用と展望The Japan DataScientist Society
 
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』The Japan DataScientist Society
 
データサイエンティスト協会 会員制度説明資料
データサイエンティスト協会 会員制度説明資料データサイエンティスト協会 会員制度説明資料
データサイエンティスト協会 会員制度説明資料The Japan DataScientist Society
 
データサイエンティスト協会スキル委員会4thシンポジウム講演資料
データサイエンティスト協会スキル委員会4thシンポジウム講演資料データサイエンティスト協会スキル委員会4thシンポジウム講演資料
データサイエンティスト協会スキル委員会4thシンポジウム講演資料The Japan DataScientist Society
 
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からーコグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からーThe Japan DataScientist Society
 
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~The Japan DataScientist Society
 
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティングThe Japan DataScientist Society
 
データサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティストデータサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティストThe Japan DataScientist Society
 
分析せよ!と言われて困っているあなたへの処方箋
分析せよ!と言われて困っているあなたへの処方箋分析せよ!と言われて困っているあなたへの処方箋
分析せよ!と言われて困っているあなたへの処方箋The Japan DataScientist Society
 
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~The Japan DataScientist Society
 
データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)The Japan DataScientist Society
 
データサイエンティスト スキルチェックリスト
データサイエンティスト スキルチェックリストデータサイエンティスト スキルチェックリスト
データサイエンティスト スキルチェックリストThe Japan DataScientist Society
 

More from The Japan DataScientist Society (20)

学生から見たデータサイエンティスト
学生から見たデータサイエンティスト学生から見たデータサイエンティスト
学生から見たデータサイエンティスト
 
AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキルAI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキル
 
コニカミノルタにおけるデータドリブンPLMの取り組み
コニカミノルタにおけるデータドリブンPLMの取り組みコニカミノルタにおけるデータドリブンPLMの取り組み
コニカミノルタにおけるデータドリブンPLMの取り組み
 
エントリー層向けセミナー#04『はじめての最適化』
エントリー層向けセミナー#04『はじめての最適化』エントリー層向けセミナー#04『はじめての最適化』
エントリー層向けセミナー#04『はじめての最適化』
 
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
基礎から学ぶ! インダストリアルIoTの実現に必須のセンサ計測と予知保全の動向
 
機械学習の先端センシングへの適用と展望
機械学習の先端センシングへの適用と展望機械学習の先端センシングへの適用と展望
機械学習の先端センシングへの適用と展望
 
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
『機械学習による故障予測・異常検知 事例紹介とデータ分析プロジェクト推進ポイント』
 
データサイエンティスト協会 会員制度説明資料
データサイエンティスト協会 会員制度説明資料データサイエンティスト協会 会員制度説明資料
データサイエンティスト協会 会員制度説明資料
 
スキルチェックリスト 2017年版
スキルチェックリスト 2017年版スキルチェックリスト 2017年版
スキルチェックリスト 2017年版
 
データサイエンティスト協会スキル委員会4thシンポジウム講演資料
データサイエンティスト協会スキル委員会4thシンポジウム講演資料データサイエンティスト協会スキル委員会4thシンポジウム講演資料
データサイエンティスト協会スキル委員会4thシンポジウム講演資料
 
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からーコグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
コグニティブ・ファクトリーの実像とIoT時代に求められるデータ・サイエンティストとは?ー製造業の視点からー
 
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
製造現場におけるAI×IoT導入と利活用~IoTによる設備のモニタリングとAIによる設備監視の高度化~
 
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
基礎から学ぶ!インダストリアルIoTの実現に必須のセンサ計測とエッジコンピューティング
 
データサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティストデータサイエンスの全体像とデータサイエンティスト
データサイエンスの全体像とデータサイエンティスト
 
分析せよ!と言われて困っているあなたへの処方箋
分析せよ!と言われて困っているあなたへの処方箋分析せよ!と言われて困っているあなたへの処方箋
分析せよ!と言われて困っているあなたへの処方箋
 
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
データ分析に必要なスキルをつけるためのツール~Jupyter notebook、r連携、機械学習からsparkまで~
 
データサイエンス業務と「ツール」
データサイエンス業務と「ツール」データサイエンス業務と「ツール」
データサイエンス業務と「ツール」
 
データサイエンスの全体像
データサイエンスの全体像データサイエンスの全体像
データサイエンスの全体像
 
データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)データサイエンティスト スキルチェックシート(抜粋版)
データサイエンティスト スキルチェックシート(抜粋版)
 
データサイエンティスト スキルチェックリスト
データサイエンティスト スキルチェックリストデータサイエンティスト スキルチェックリスト
データサイエンティスト スキルチェックリスト
 

企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より

  • 2. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 本日お話する内容  調査目的と概要  調査結果 – ①データサイエンティストの在籍状況 – ②データサイエンティストの採用/育成実態 – ③企業が求めるデータサイエンティスト人材像  まとめ 2
  • 3. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 調査目的と概要 3
  • 4. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 調査目的 4 データサイエンティストの人材育成やスキルアップ、 組織内外の需要(企業)と供給(データサイエンテイスト)の マッチングに関する現状を明らかにするため 国内一般企業が抱える課題を把握・考察する
  • 5. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 調査概要 データサイエンティストの採用に関するアンケート 調査対象 :日本国内一般企業(人事担当者向け) ※従業員30名以上の企業を対象に、 企業規模別にランダム抽出 調査手法 :郵送法 調査期間 :2019年8月21日~10月8日 有効回答数:計283社(発送5,435社、回収率5.2%) 注:本調査資料の百分率表示は小数点以下を四捨五入しているため、 合計しても100%とならない場合がございます。 5
  • 6. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 調査結果① データサイエンティストの在籍状況 6
  • 7. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティストの在籍実態 7 データサイエンティストが1人以上いる会社は全体の29% Q. 貴社にはデータサイエンティストは何名いらっしゃいますか。 DSが1人以上 29% DSが0人 69% 未回答 2% 2019年4月時点 1~2人 22% 3~5人 26% 6~10人 22% 11~20人 12% 21~50人 9% 51~100人 5% 101人以上 5% 在籍者数内訳 全企業対象(n=283) データサイエンティスト在籍者が1人以上の企業(n=82)
  • 8. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 29% 11% 14% 23% 29% 59% 29% 69% 89% 86% 73% 67% 41% 69% 2% 0% 0% 4% 5% 0% 2% 全業種計(n=283) 建設業(n=18) 運輸業、郵便業(n=29) 製造業(n=70) 卸売業・小売業(n=42) 情報通信業(n=37) 上記以外の産業(n=84) DSが1人以上 DSが0人 未回答 データサイエンティストの在籍実態(業種別) 8 Q. 貴社にはデータサイエンティストは何名いらっしゃいますか。 建設業では11%、情報通信業では59%と、 業種による違いが大きい ※業種別グラフは、業種無回答を除いて集計 全企業対象(n=283)
  • 9. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティストのタイプ別内訳 9 在籍するデータサイエンティストをタイプ別で分類すると エンジニアタイプが最も多い Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。 タイプ① 33% タイプ② 24% タイプ③ 43% データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70) ※各社のタイプ別人数比率の平均値 タイプ③ データ分析を目的とし、プログラミング 知識を使ってデータの収集、加工やシ ステムへの実装、運用ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・ 活用して課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系 の知識を理解し、統計ソフトなどを用い た専門的な分析ができる人材 (職種の例:データアナリストなど)
  • 10. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティストのタイプ別内訳(業種別) 10 33% 47% 21% 32% 24% 16% 31% 24% 43% 37% 48% 44% 全産業計(n=70) 製造業(n=15) 情報通信業(n=18) 上記以外の産業(n=35) タイプ① タイプ② タイプ③ Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。 エンジニアタイプの割合は、製造業では37%と低く、 情報通信業では48%と高い傾向にある タイプ③ データ分析を目的とし、プログラミング知識を使っ てデータの収集、加工やシステムへの実装、運用 ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・活用して 課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系の知識を 理解し、統計ソフトなどを用いた専門的な分析 ができる人材 (職種の例:データアナリストなど) データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70) ※業種無回答は除く
  • 11. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の増減と内訳 11 Q. データサイエンティスト人材の増減と、増やした人数の増員方法をお答えください。 4.6 1.7 1.1 0 1 2 3 4 5 社 内 の 異 動 ・ 育 成 中 途 採 用 者 新 卒 採 用 者 直近1年間で増えたデータサイエンティストの内訳直近1年間でのデータサイエンティストの増減 (平均人数:人) この1年でデータサイエンティストを増やした企業は56% 増員方法の多くは、社内の異動・育成によるもの データサイエンティスト在籍者が1人以上の企業(n=82) データサイエンティストの在籍者が1人以上で、 直近1年間で1人以上の増員があった企業(n=52) 1人以上増えた 56% 増減なし 39% 1人以上減った 5%
  • 12. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 調査結果② データサイエンティストの採用/育成実態 12
  • 13. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティスト採用の充足度 13 Q. この1年間で、貴社が目標としていた人数のデータサイエンティストを確保できましたか。(SA) 確保できた 17% どちらかといえば確保できた 26% どちらかといえば確保できなかった 21% 確保できなかった 37% この1年間でデータサイエンティストを確保する予定だった企業(n=82) DSを採用しようとした企業のうち 「目標としていた人数を確保できなかった」企業が58%
  • 14. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティスト採用の充足度(業種別) 14 17% 16% 29% 13% 26% 16% 38% 25% 21% 21% 24% 18% 37% 47% 10% 45% 全産業計(n=82) 製造業(n=19) 情報通信業(n=21) 上記以外の産業(n=40) 確保できた どちらかといえば確保できた どちらかといえば確保できなかった 確保できなかった Q. この1年間で、貴社が目標としていた人数のデータサイエンティストを確保できましたか。(SA) 特に、情報通信業以外の業種で 確保できなかった企業の割合が高い(63%~68%) この1年間でデータサイエンティストを確保する予定だった企業(n=82) 63% 68%
  • 15. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の育成・研修制度 15 Q. データサイエンティスト人材の育成・研修の制度として貴社内にあるものをすべてお答えください。(MA) 45% 38% 29% 27% 27% 15% 7% 2% 5% 18% 0% 20% 40% 60% 社 外 研 修 の 受 講 制 度 ・ 紹 介 制 度 基 本 ス キ ル の 社 内 研 修 制 度 社 外 資 格 取 得 支 援 制 度 専 門 ス キ ル の 社 内 研 修 制 度 メ ン タ ー に よ る 個 別 指 導 イ ベ ン ト ・ 交 流 会 社 内 資 格 制 度 ヘ ル プ デ ス ク な ど の 問 い 合 わ せ 窓 口 そ の 他 育 成 ・ 研 修 の 制 度 が な い 育成・研修制度としては、社外研修支援と社内研修が中心 一方で、育成・研修の制度がない企業も18%ある データサイエンティスト在籍者が1人以上の企業(n=82)
  • 16. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の育成・研修制度(業種別) 16 45% 38% 29% 27% 27% 15% 7% 2% 5% 18% 44% 31% 19% 31% 19% 13% 13% 6% 0% 19% 64% 50% 36% 36% 45% 23% 9% 0% 0% 5% 38% 36% 31% 19% 21% 12% 5% 2% 10% 26% 社 外 研 修 の 受 講 制 度 ・ 紹 介 制 度 基 本 ス キ ル の 社 内 研 修 制 度 社 外 資 格 取 得 支 援 制 度 専 門 ス キ ル の 社 内 研 修 制 度 メ ン タ ー に よ る 個 別 指 導 イ ベ ン ト ・ 交 流 会 社 内 資 格 制 度 ヘ ル プ デ ス ク な ど の 問 い 合 わ せ 窓 口 そ の 他 育 成 ・ 研 修 の 制 度 が な い 全産業計(n=82) 製造業(n=16) 情報通信業(n=22) 上記以外の産業(n=42) 情報通信業では、全体的に 育成・研修制度の充実が進んでいる Q. データサイエンティスト人材の育成・研修の制度として貴社内にあるものをすべてお答えください。(MA) データサイエンティスト在籍者が1人以上の企業(n=82)
  • 17. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の育成方針 17 Q. データサイエンティスト人材育成方針として最もあてはまるものをお答えください。(SA) 人材育成方針で最も重視することは、 OJTが44%と最多 データサイエンティスト在籍者が1人以上の企業(n=82) OJTで育成していく 44% 外部研修を受講させる 23% 社内研修で育成していく 6% その他 2% 育成の予定がない 12% 未回答 12%
  • 18. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. データサイエンティスト人材の育成方針(業種別) 18 44% 44% 41% 45% 23% 31% 18% 24% 6% 0% 18% 2% 2% 0% 0% 5% 12% 19% 5% 14% 12% 6% 18% 10% 全産業計(n=82) 製造業(n=16) 情報通信業(n=22) 上記以外の産業(n=42) OJTで育成していく 外部研修を受講させる 社内研修で育成していく その他 育成の予定がない 未回答 情報通信業では社内研修で育成する企業が18%あるが、 製造業、その他産業では0~2%と少ない データサイエンティスト在籍者が1人以上の企業(n=82) Q. データサイエンティスト人材育成方針として最もあてはまるものをお答えください。(SA)
  • 19. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 19 Q. 貴社では「データサイエンス」に関する専門の部署やチームがありますか。(SA) 現在、存在している 62%今後、設立を予定・ 検討している 13% 存在していない(今後 の予定もない) 23% 未回答 1% 62%の企業がデータサイエンスに関する専門部隊を持つ また、13%の企業は今後、設立を予定・検討している データサイエンティスト在籍者が1人以上の企業(n=82) 「データサイエンス」に関する専門の部署やチームの存在
  • 20. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 専門部隊を持つ企業も情報通信業が先行し、 77%に達している 20 62% 25% 77% 69% 13% 25% 18% 7% 23% 44% 5% 24% 1% 6% 0% 0% 全産業計(n=82) 製造業(n=16) 情報通信業(n=22) 上記以外の産業(n=42) 現在、存在している 今後、設立を予定・検討している 存在していない(今後の予定もない) 未回答 データサイエンティスト在籍者が1人以上の企業(n=82) 「データサイエンス」に関する専門の部署やチームの存在(業種別) Q. 貴社では「データサイエンス」に関する専門の部署やチームがありますか。(SA)
  • 21. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 調査結果③ 企業が求めるデータサイエンティスト人材像 21
  • 22. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 今後3年間で増員したいデータサイエンティスト人数 22 Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。 今後3年間でさらにDSを増やしたいのは、DS在籍企業の 77%、DSがいない企業でも11%は新たに獲得したい 0人 18% 1~2人 17% 3~5人 20% 6~10人 16% 11~20人 7% 21~50人 12% 51~100人 2% 101~200人 1% 201~500人 1% 未回答 5% データサイエンティスト在籍者1人以上企業(n=82) 0人 78% 1~2人 8% 3~5人 2% 6~10人 1% 未回答 9% データサイエンティスト在籍者0人企業(n=201) ※2019年4月時点
  • 23. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 今後3年間で増員したいデータサイエンティストの増員方法 23 Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。増員方法別にお答えください。 (平均人数:人) 5.2 4.5 2.8 0 1 2 3 4 5 6 社 内 の 異 動 ・ 育 成 中 途 採 用 者 新 卒 採 用 者 増員方法としては、社内の異動・育成が最も高いが、 中途採用や新卒採用のニーズもある 今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88)
  • 24. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 【現在と未来の比較】データサイエンティストの増員方法 24 (平均人数:人) 5.2 4.5 2.8 0 1 2 3 4 5 6 社 内 の 異 動 ・ 育 成 中 途 採 用 者 新 卒 採 用 者 過去と比べると、中途採用・新卒採用での増員意向が高まる 今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88) 4.6 1.7 1.1 0 1 2 3 4 5 6 社 内 の 異 動 ・ 育 成 中 途 採 用 者 新 卒 採 用 者 (平均人数:人) グラフ左: Q. データサイエンティスト人材の増減と、増やした人数の増員方法をお答えください。 グラフ右: Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。増員方法別にお答えください。 今後3年間で増員したい データサイエンティストの増員方法 過去1年間で増員した データサイエンティストの増員方法
  • 25. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 今後3年間で増員したいデータサイエンティストの人材像 25 Q. 今後3年間で、貴社が採用・育成したいデータサイエンティストの人材像をお答えください。(MA/SA) 89% 88% 73% 70% 56% 56% 13% 1% 18% 41% 10% 6% 7% 6% 0% 1% 0% 20% 40% 60% 80% 100% 複数の分野を俯瞰的にみてデータ分析の活用を戦略的に考えられる人材 データによるビジネス課題解決を得意とする人材 データ分析のプロフェッショナルな人材 統計やAIなどのデータ分析に関する「理論」に詳しい人材 データのハンドリングを得意とする人材(エンジニア) データを使ったサービスを開発する人材 データを使ったアート作品を作るクリエイター的な人材 その他 あてはまるもの全て 最もあてはまるもの1つ 今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88) 人材像としては「ビジネス課題解決」「戦略検討」スキルを 持つ人材が求められている ※無回答は含まない
  • 26. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 今後3年間で増員したいデータサイエンティストの人材像(業種別) 26 89% 88% 73% 70% 56% 56% 13% 1% 94% 81% 69% 69% 56% 44% 13% 0% 92% 92% 85% 81% 77% 69% 19% 0% 86% 86% 68% 64% 45% 52% 9% 2% 複数の分野を俯瞰的にみてデータ分析の活用を戦略的に考えられる人材 データによるビジネス課題解決を得意とする人材 データ分析のプロフェッショナルな人材 統計やAIなどのデータ分析に関する「理論」に詳しい人材 データのハンドリングを得意とする人材(エンジニア) データを使ったサービスを開発する人材 データを使ったアート作品を作るクリエイター的な人材 その他 全産業計(n=88) 製造業(n=16) 情報通信業(n=26) 上記以外の産業(n=44) 情報通信業においては、 より多様なスキルを求める傾向がある 今後3年間で、データサイエンティストを1人以上増員予定の企業(n=88) Q. 今後3年間で、貴社が採用・育成したいデータサイエンティストの人材像をお答えください。(MA)
  • 27. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 今後増員したいデータサイエンティストのタイプ別内訳 27 Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。 今後増員したいDSのタイプは、マーケタータイプが 最も多いが、エンジニア、アナリストのニーズもある タイプ① 40% タイプ② 24% タイプ③ 36% ※各社のタイプ別人数比率の平均値 今後3年間でデータサイエンティストを1人以上増員予定の企業で、 タイプ別の回答があった企業(n=71) タイプ③ データ分析を目的とし、プログラミング 知識を使ってデータの収集、加工やシ ステムへの実装、運用ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・ 活用して課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系 の知識を理解し、統計ソフトなどを用い た専門的な分析ができる人材 (職種の例:データアナリストなど)
  • 28. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 今後増員したいデータサイエンティストのタイプ別内訳(業種別) 28 40% 54% 28% 38% 24% 19% 24% 26% 36% 27% 48% 36% 全業種計(n=71) 製造業(n=13) 情報通信業(n=17) 上記以外の産業(n=40) タイプ① タイプ② タイプ③ 情報通信業以外の業種で、 マーケタータイプへのニーズが特に高い タイプ③ データ分析を目的とし、プログラミング知識を使っ てデータの収集、加工やシステムへの実装、運用 ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・活用して 課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系の知識を 理解し、統計ソフトなどを用いた専門的な分析 ができる人材 (職種の例:データアナリストなど) ※業種無回答は除く 今後3年間でデータサイエンティストを1人以上増員予定の企業で、 タイプ別の回答があった企業(n=71) Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。
  • 29. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. 【現在と未来の比較】データサイエンティストのタイプ別内訳 29 40% 54% 28% 38% 24% 19% 24% 26% 36% 27% 48% 36% 全業種計(n=71) 製造業(n=13) 情報通信業(n=17) 上記以外の産業(n=40) タイプ① タイプ② タイプ③ いずれの業種も、今よりもマーケタータイプを増やしたい タイプ③ データ分析を目的とし、プログラミング知識を使っ てデータの収集、加工やシステムへの実装、運用 ができる人材 (職種の例:データエンジニアなど) タイプ① ビジネス課題を抽出し、データを分析・活用して 課題を解決できる人材 (職種の例:データマーケターなど) タイプ② 統計学、人工知能などの情報科学系の知識を 理解し、統計ソフトなどを用いた専門的な分析 ができる人材 (職種の例:データアナリストなど) ※業種無回答は除く グラフ左:データサイエンティスト在籍者が1人以上で、タイプ別の回答があった企業(n=70) グラフ右:今後3年間でデータサイエンティストを1人以上増員予定の企業で、タイプ別の回答があった企業(n=71) 33% 47% 21% 32% 24% 16% 31% 24% 43% 37% 48% 44% 全産業計(n=70) 製造業(n=15) 情報通信業(n=18) 上記以外の産業(n=35) タイプ① タイプ② タイプ③ 今後、増員したい データサイエンティストのタイプ 現在、在籍する データサイエンティストのタイプ グラフ左:Q. 貴社のデータサイエンティストについて、タイプ別の内訳をお答えください。 グラフ右:Q. 今後3年間で、データサイエンティストを何名程度増やす予定ですか。タイプ別にお答えください。
  • 30. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. まとめ 30
  • 31. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. まとめ 国内企業の約3割にデータサイエンティストが在籍 特に情報通信業で活用が先行 31 データサイエンティストは 既にさまざまな業種で在籍 この1年でデータサイエンティスト を増員した企業は56% 56% 29% 11% 14% 23% 29% 59% 全業種計 建設業 運輸業、郵便業 製造業 卸売業・小売業 情報通信業 DSが1人以上在籍している企業
  • 32. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. まとめ データサイエンティストは企業側から見ると依然不足 情報通信業以外の業種でも採用意欲は強い 32 データサイエンティストを 十分に確保できていない企業が多い 77% 11% DS1人以上企業 DS0人企業 今後3年間でデータサイエンティストを 増員したい企業も多い 確保でき なかった 58%
  • 33. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. まとめ 33 求めるデータサイエンティスト像は、 ビジネス課題解決や戦略検討が得意な人材 マーケタータイプ (ビジネス課題を抽出して 応用できる人材) のニーズが高い 「ビジネス」スキルへの 期待が高い 33% 47% 21% 全産業計 製造業 情報通信業 40% 54% 28% 全産業計 製造業 情報通信業 現在のDSに占める マーケタータイプの割合 増員したいDSに占める マーケタータイプの割合 採用・育成したいデータサイエンティストの人材像トップ3 89% 88% 73% 複数の分野を俯瞰的にみてデータ分析の活用 を戦略的に考えられる人材 データによるビジネス課題解決を得意とする人材 データ分析のプロフェッショナルな人材
  • 34. Copyright © 2020 The Japan DataScientist Society. All Rights Reserved. まとめ  国内企業の約3割にデータサイエンティストが在籍 特に情報通信業で活用が先行  データサイエンティストは企業側から見ると依然不足 情報通信業以外の業種でも採用意欲は強い  求めるデータサイエンティスト像は、 ビジネス課題解決や戦略検討が得意な人材 34 企業側からも、データサイエンティストの増加、裾野の広がりが確認できた。 現在のデータサイエンティストは情報通信業に多く在籍する。 一方、他の業種では、十分に確保できてない企業が多く、 今後は、幅広い業種で採用が拡大していくと考えられる。 また、自社ビジネスに応用できる人材への期待が非常に高かった。 現在のデータサイエンティスト構成比と比べるとギャップがあり、 企業側には、ビジネススキルを向上させるための環境整備が期待される。