こんにちは、とめです。
データ分析を独学で学び、未経験からデータアナリストへ転職し、今では本業をやりながら、副業でも活動しています!

AIでデータアナリストなくなるって言うけど…。
今から勉強しても、無駄なんじゃないの?

うん、その気持ちすごくわかるよ。
結論から言うと、職種がすぐ消える感じではないです。
近年、AIが普及していて、分析やデータ作成などIT系の仕事はいずれ、AIが支配していくのではないか?という意見をよく耳にします。
結論から言うと、職種そのものがすぐなくなる話ではないです。
消えるのは、決まった集計を速く出すだけの側に近いと思っています。
私は未経験からこの仕事に入り、今も現場にいます。
SQLや表の下書きは速くなりやすい一方で、「何を見るか」「この数字で施策を止めてよいか」は、まだ人が持っています。
消える作業と残る仕事を分けると、暗記競争に入る前に、学ぶ重心を決められると思います。
そこで今回は、データアナリストはAIでなくなるのかを、将来性の結論から解説します。
- データアナリストはAIですぐなくならない理由
- 置き換わりやすい作業と、残りやすい仕事

まずは「消えるor残る」という部分から、一緒に見てみよう^^
データアナリストはAIですぐなくならない|将来性の結論

データアナリストの将来性を心配するとき、いちばん先に答えたいのはここです。
なくなるのは職種名より、定型作業の側です。
例えば、決まった抽出、毎週同じ表、決まった形式のグラフは、AIやツールで速くなりやすいです。
だから「指示された数字を出すだけ」だと、仕事の中身は入れ替わりやすい。
とはいえ、私の現場でも「いい感じに分析して」みたいな依頼が普通に来ます。
何を測るか、前提は何か、この数字で止めてよいかは、まだ人が決めています。
不安の正体は「職種消滅」より、作業の入れ替えに近いです。
どの作業が速くなり、どの仕事が残りやすいか。ここを分けて見ると、学習の優先度が決まります。
▼図解:職種消滅ではなく作業の入れ替え

データアナリストの仕事のうち、AIに置き換わりやすいものと残りやすいもの

全部が消えるとか全部が残る、の二択だと判断を間違えやすいです。
仕事を分けると、見え方が変わります。
見ていくのは、次の2つ十分です。
- 決まった集計・定型レポート・SQLの下書きは、AIで速くなりやすい:未経験が最初に触れる作業と重なる
- 問いの設計・数字の意味の解釈・人への説明は、人に残りやすい:検算できる力が残る
▼図解:置き換わりやすい作業/残りやすい仕事

決まった集計・定型レポート・SQLの下書きは、AIで速くなりやすい
依頼どおりの抽出、毎週同じ表、決まったグラフの更新は、速くなりやすい作業です。
未経験が最初に触れるのも、だいたいここです。
だから「ここができるようになった=安心」と思いやすい。でも、成果がここだけだと、入れ替えの影響を受けやすいです。
たとえば「先月の売上を部署別に出して」は、条件がはっきりしていれば下書きまで速いです。
問題は、その数字で何を決めるかが依頼に入っていないときです。
問いの設計・数字の意味の解釈・人への説明は、人に残りやすい
残りやすいのは、何を測るか、前提は何か、社内の定義ズレ、上司への説明です。
同じ「売上」でも、部署で意味が違うことがあります。AIが出した表がきれいでも、定義がズレていれば判断には使えません。間違った問いへの完璧な答えは、現場では使えないです。
だから、AIの出力を疑って検算できる力が残ります。速く出すことより、この数字で止めてよいかを話す側に寄ると、将来性の見え方が変わります。

じゃあSQLの勉強って、無駄なの…?

無駄ではないよ。
読めない・直せないまま任せる方が危ないです。
だからこそ、最終的には人の力で説明できるようにしていくことが、この時代で重要なことだと思います。
未経験がAI時代の将来性で誤解しやすいこと

将来性が不安なとき、誤解が混ざると学習が遠回りになります。よく見るのは次の3つです。
- 「SQLを覚えれば安心」ではないが、基礎は必要である:捨てるのではなく重心を移す
- 「AIに全部任せれば分析者になれる」わけではない:事業の言葉がないと検証できない
- 「今から目指すのは遅い」とは限らない:遅いのは古い勝ち方への固執
▼図解:よくある誤解3つ

「SQLを覚えれば安心」ではないが、基礎は必要である
SQLを書けること自体の差別化は、弱まりやすい方向です。下書きは速く出せる時代だからです。
でも、基礎がある人ほど、AIの出力を直せます。JOINの条件が違う、期間がズレている、除外が漏れている。ここを見られないまま任せると、間違いが増えます。
捨てるのではなく、重心を移すという考え方が重要です。SQLはあくまで土台。データ分析者としては、問いと検証に比重を置くことを意識しましょう。
▼図解:SQLは土台。重心を移す

「AIに全部任せれば分析者になれる」わけではない
当たり前ですが、プロンプトだけで分析者にはなれません。
売上の定義、対象顧客、比較したい期間が分からないと、出力を検証できないからです。
たとえば「売上が落ちた理由をまとめて」と投げても、返品込みか、チャネル別か、期間はいつかが曖昧なままです。
きれいな文章が返ってきても、前提がズレていれば判断材料になりません。
私の現場でも「いい感じに」という抽象的な依頼が来ます。
そのとき、何を明らかにすれば判断できるかを言葉にするのは人です。任せることと、責任を持つことは別と考えましょう。
「今から目指すのは遅い」とは限らない
遅いのは、古い勝ち方だけに固執するときです。
むしろ、AI時代の今だからこそ、目指すべきだとも思います。
AIに利用されるのではなく、利用する側として、AIを活用しつつ分析に関する知見や知識を習得していくことで、この時代では強みとされます。
AI時代にデータアナリストを目指すなら、学習の重心をずらす

将来性の話だけで終わらせず、今日の学習に落とします。
優先したいのは次の3つです。
- 先に残すのは、仮説・指標・「だから何」まで書く練習である:一文の提案を先に書く
- 並行するのは、SQLと可視化の基礎である:読めないまま任せない
- 仕上げるのは、ポートフォリオで考えた過程を残すことである:説明できる成果物にする
▼図解:学習の重心3つ

先に残すのは、仮説・指標・「だから何」まで書く練習である
小さなテーマで、背景→仮説→結果→提案を回します。ツール操作の時間より、一文の提案を先に書く。
たとえば「新規が減った」で終わらず、「チャネル別か」「既存の継続か」の仮説を置く。数字のあとに「だから来月は何を止める/続けるか」を1文で書く。
これが今の時代で人間側が重要な思考です。
▼図解:背景→仮説→結果→提案

並行するのは、SQLと可視化の基礎である
AI前提でやるとしても、土台のSQLと可視化は一番に学習しましょう。
なぜなら、AIに任せても読める・直せる状態を自力でつくるためです。
WHEREの条件、期間、重複の除外が分かるだけで、出力のツッコミが変わります。ここを空のまま進めるのはおすすめしません。
仕上げるのは、ポートフォリオで考えた過程を残すことである
きれいなグラフより、課題→分析→提案の説明が結局のところ強いです。面接や書類でも、定型作業より過程が見える方が伝わりやすいのと同じです。
「何を聞かれたか」「どう切り分けたか」「何を提案したか」を軸にする。これが、AI時代でも説明できる成果物になります。
学習の全体像は、下記の記事で詳しく解説しているので、順番を確認してください。
ここでは重心のずらし方まで。細かいステップはロードマップを確認してください。
今からデータアナリストを目指してよい人・一度立ち止まる人の基準


結論、目指してよいのは、数字の裏側が気になり、説明を面倒がらず、AIを使う前提で学び直せる人です。
おすすめしないのは、「ツール操作だけできればよい」「検証は省略したい」と思っている人です。定型作業だけを成果にすると、入れ替えの影響を受けやすいからです。
性格診断ではなく、今の時代での考え方です。もっと細かく自分を見るときは、向き不向きの記事で行動ベースに確認してください。
▼図解:進んでよい人/一度立ち止まる人


結局、自分は進んでいいのかな…

結論だけで終わらせず、自分の考え方を一度、客観視するのは大事だよ。
まとめ:将来性は残る。学習の重心をずらして次へ進もう

今回は、データアナリストはAIでなくなるのかを、未経験向けに解説しました。
- AIですぐ職種がなくなるわけではない
- 消えるのは定型作業寄り。残るのは問い・解釈・説明
- SQLは捨てず、学習の重心をずらす
- 次は向き不向きか、ロードマップか
とはいえ、不安の結論だけ聞いても、また同じ考えに戻ります。
進むか確認したい人は、下記に対象の記事を貼っているので、確認してみてください。。
早速、手を動かしたい人は、SQLの始め方からで大丈夫です。

消える/残るを分けて、重心をずらせばいいんだね。

その通り!
先ずは、下記の記事1つを確認してみよう^^
以上、とめでした!
▼未経験でもデータアナリストになれる人・なれない人
▼未経験からデータアナリストになるロードマップ
▼SQLの始め方






コメント