「データ分析をする人」がどんな人なのかのまとめ

2018年10月25日

「データ分析をする人」を整理する

データサイエンティスト・データアナリスト・リサーチャー・BIエンジニア・Webアナリストなどなど、「データ分析」に関する役割にはいろいろな名前がついているが、定義があいまいで実態がよくわからなかったり、名前と業務がかみ合っていないことがしばしばある。

そこで以前より「データ分析をする人」について個別に書いてきたが一通りまとまったので、まとめることにした。

「データ分析をする人」の全体像

まず、「データ分析をする人」の全体像については下の図のように分けられる。

他人の意思決定のためか、自分の意思決定のためか

まず最初に、データ分析を誰のために行うのかが大きな違いとなる。もし自分の意思決定のために自分でデータ分析を行う、あるいは主導するのであれば全て「非分析者」である。ここには経営者・マネージャー・マーケター・営業など「データ分析はするけれどもそれを専門にしているわけではない人」すべてが入る。つまり世の中の大多数はここだ。

また、専門知識を使う「データサイエンティスト」「機械学習エンジニア」などについても自分が意思決定や企画に参加する分析を行うような場合はやはり「非分析者」となる。なぜならば、どのような手法を使っていようが意思決定に参加すれば実質的にはマーケターであるからだ。もちろん、これらは「他人の意思決定のため」のデータ分析を行うことも当然あり、その場合は「分析者」として「アナリスト」ないしは「エンジニア」(違いは後述)にもなりえる。これらがごちゃまぜになっていることが、「データサイエンティストとは何をするか」という話を混乱させている大きな要因と考えられる。

非分析者については主題ではないので、以降はすべて「他人の意思決定のためのデータ分析」を行う人について考えることにする。

ただし、グロースハッカーについては非分析者だが、分析が中心の活動でかつデータアナリストとの関りが大きいので例外的に追加した。

「アナリスト」と「エンジニア」の違い

詳細は「データ分析をする人」は「アナリスト」と「エンジニア」に分かれ、その違いは「他の誰かが意思決定するための情報(つまりインテリジェンス)」を作るかどうかにあるにすでに書いたので割愛するが、つまりは「データを使う人」か「データを作る人」かで分かれる。「データサイエンティスト」「データアナリスト」のように自分で作って自分で使う場合もあるし、「データを作る人」に特化する場合もあるが、「データを使う人」に特化するケースはまれなようだ。いずれ組織化が進めばこういう人も増えるだろう。

「特定の誰かの特定の意思決定に対する情報を作る人」か「不特定多数に対する汎用的な情報を作る人」

さらに「アナリスト」には「特定の誰かの特定の意思決定に対する情報を作る人」と「不特定多数に対する汎用的な情報を作る人」がいる。同じ「アナリスト」であるが「不特定多数に対する汎用的な情報を作る人」は「分析する人」を指しており内容が違う。したがって「アナリスト」と「広義のアナリスト」とはっきりと分けている。なお、「広義のアナリスト」より「リサーチャー」でもよかったかなと思っているがすでにこの名前で話をしているのでこれで通す。

この場合も「特定の誰かの特定の意思決定に対する情報を作る人」か「不特定多数に対する汎用的な情報を作る人」の両方か、「不特定多数に対する汎用的な情報を作る人」になる場合が大半であり、「特定の誰かの特定の意思決定に対する情報を作る人」としてのみで食べている人は皆無に近いだろう。これはデータ分析やインテリジェンスの需要の低さが原因でありそう簡単に解決する問題ではなさそうだ。

データサイエンティストは「何をしているか」によって分類されるがほぼ機械学習エンジニア

名前はよく聞くけれどもここに出てこない「データサイエンティスト」についてはデータサイエンティストとはに個別に書いたが、明確な定義はないので既存のデータアナリストとの境目は曖昧だし、実態としてはデータサイエンティストはほぼ機械学習エンジニアである。

機械学習エンジニアは「アナリスト」の面を持つことがある

ではその機械学習エンジニアであるが、課題に対して機械学習による解決方法を考え、さらにそれを実装する。例えばレコメンドエンジンは「より効果の高いリンクを作って回遊を促すにはどうするか」に対する回答の1つであるが、機械学習という道具を使っているだけで「アナリスト」とも考えられる。

もちろんプロダクトを自分で作って機械学習で改善している人や、企画に関わったりしているのであれば非分析者に分類される。観測している範囲では「企画にも関与しながら機械学習を使うマーケター」が多そうだが、これはきちんと調査されるの待ちたい。また、デジタルの世界においては課題解決の方法として機械学習がより広まっていくだろうから、機械学習エンジニアとアナリストは不可分とは言わずともかなり近づくことになりそうだ。

グロースハッカーは「分析を中心とし非分析者(マーケター)」

数年前から流行とは言わないが時たま聞こえるグロースハッカーについては、グロースハックについての次の2つの記事を参照のこと。

データサイエンティストとデータアナリストとグロースハッカーの違い

そうすると「データサイエンティストとデータアナリストとグロースハッカーは何が違うのか?」という話の流れになるのは当然で、これも別に記事を書いた。

その他:リサーチャー・BIエンジニア・Webアナリストなど

その他のデータ分析関連業務、リサーチャー・BIエンジニア・Webアナリストなどはどうだろうか。例えば企画に関わったりしているのであれば全てマーケターの扱いだが、

  • 道具を使ってその数値を共有する(KPIの進捗報告とか)だけなら「データエンジニア」
  • そこに洞察を加えて情報を作る(見解や今後の予想)のであれば「広義のアナリスト」
  • さらにそれが誰かの特定の問題に対しての分析であれば「アナリスト」

といったように、エンジニアやアナリストという言葉よりも何をしているかに注目した方がよい。「〇〇エンジニア」と募集しているから技術者が入ったら求められているのは「アナリスト」だったり、逆に「〇〇アナリスト」が欲しいと言われたのに実態は「データエンジニア」や「マーケター」だったということが起きる。

結局明確な切り分けなどできず、どこにどれぐらい力を入れるか

色々書いてきたが、結局のところは要求に答えるための道具が違うぐらいであとは4区分のうちどの仕事をするかで、それもどれか1つということはあまりなく「アナリスト20%と広義のアナリスト80%」のようにどこかに軸足を置きつつ他のこともやる人が多いのではないだろうか。

また、データアナリストだからDBに入っているデータしか扱わないので競合調査はやりませんとか、Webアナリストなので解析ツールの数字は見るけれどもリアル店舗があっても興味ありませんとかにはあまり意味がない。もちろん限度はあるにしても、多くの場合に求められているのは特定の道具を使う人ではなく、課題に対する問いであろう。

これで、一通り「データ分析をする人」の整理ができたが、やはり自分が目指してきたのが「アナリスト」であることは間違いなく、一方で実際には「広義のアナリスト」「データエンジニア」「(マーケティング担当としての)非分析者」であったことも確認できた。10年以上かかっても未だこのギャップを埋められてはいないのだが、これを機にあらためて「アナリスト」であるための手段について練り直してみることにしよう。