データを扱う職種について in 2026/01

Last updated at 2026-01-11Posted at 2026-01-11

導入

「データエンジニアとデータサイエンティストって何が違うの？」「アナリティクスエンジニアって最近よく聞くけど何？」

データ領域で働いていると、こうした質問を会社の他部署の人からよく受けます。実際、職種の境界は曖昧になりつつあり、会社によって定義も異なります。あと、名前は一つだけど兼任になっているってことも大いにあると思います！

この記事では、2026年1月上旬現在のデータ職種について整理し、それぞれの役割(筆者の偏見アリ)と今後のトレンドをなんとなくまとめます。筆者も生成AIと調べながらまとめており、間違いも多く含んでいると思います。ご教示のほど何卒よろしくお願いいたしますm(__)m

※ 文章や内容はもちろん、参考リンクの中身は全て確認しています。

データ職種の全体マップ

以下の図は、データ関連職種を役割ごとに5つのグループに分類したものです。

職種一覧

本記事で扱うデータ関連職種の一覧です。
※他にもデータに関する職種があれば、教えてください！

職種比較表

職種	主な役割	注力する領域	主な成果物
データエンジニア	データの収集・保存・変換など、活用基盤の整備を行う	ETL/ELT、データパイプライン構築、データ提供	整形済みのデータ基盤、データ連携仕様、パイプライン構成図
アナリティクスエンジニア	分析者が扱いやすい形でデータを整形・モデリングし、環境を整える	データモデリング、SQL変換、パイプライン自動化	データマート、データモデル、ドキュメント
データアナリスト	データの集計・可視化を通じて、現状の把握や意思決定をサポートする	データ整理、レポート作成、KPIモニタリング	ダッシュボード、定量レポート
BIエンジニア	データの可視化やKPIの設計などを通じて、意思決定を支える	ダッシュボード設計、指標設計、データ品質管理	可視化レポート、定期レポート、KPIダッシュボード
データサイエンティスト	機械学習や統計手法を使い、ビジネス課題を解決するための分析・モデル開発を行う	仮説検証、予測モデル構築、アドホック分析	分析レポート、予測モデル、プレゼン資料
MLエンジニア	モデルを実運用に耐える形に最適化し、システムに統合する	モデル設計・実装・最適化、CI/CD、モニタリング	本番環境モデル、API、推論システム
MLOpsエンジニア	MLモデルのライフサイクル全体を管理し、継続的な運用を実現する	パイプライン自動化、モデル監視、再学習基盤	ML基盤、監視ダッシュボード、自動化スクリプト
AIエンジニア	AIを実サービスに組み込み、運用できるシステムを構築する	AIモデル統合、API開発、クラウド運用、生成AI対応など	サービス実装されたAI機能、API、運用設計書
データアーキテクト	全社視点でデータ戦略・設計を策定し、データ活用の基盤を整える	エンタープライズデータモデル、データフロー設計	アーキテクチャ図、データモデル、標準規約
データスチュワード	データの品質・整合性・ガバナンスを管理し、データの価値を最大化する	データ品質管理、メタデータ管理、ポリシー策定	データ辞書、品質レポート、ガバナンスルール
データマネージャー	データチームのマネジメントとプロジェクト推進を行う	チーム管理、プロジェクト推進、ROI管理	プロジェクト計画、チーム体制、KPI管理
CDO	データ戦略の最高責任者として、全社のデータ活用を統括する	データ戦略策定、ガバナンス体制構築、経営への活用	データ戦略、組織体制、経営レポート

実務・現場系

データエンジニア（Data Engineer）

役割: データ基盤を構築し、データを「使える状態」にする

データエンジニアは、データ分析基盤の設計・開発・運用を担当します。データはそのままでは分析できる状態ではないことが多く、データエンジニアが整理・加工することで、アナリストやサイエンティストがデータを活用できるようになります。

主な業務:

ETL/ELTパイプラインの設計・開発
データウェアハウス・データレイクの構築
データ品質の監視・改善
インフラ（クラウド、コンテナ）の運用

必要スキル: SQL、Python、クラウド（AWS/GCP/Azure）、Snowflake、Databricks、BigQuery、Airflow、Spark、dbtなど

他職種との違い:

比較対象	データエンジニア	比較対象の役割
アナリティクスエンジニア	データの収集・保存・パイプライン構築（上流〜中流）	データの変換・モデリング・ドキュメント整備（中流〜下流）
データアーキテクト	設計に基づいて基盤を構築・運用する実装者	全社視点でデータ戦略・設計を策定する設計者

データエンジニアとアナリティクスエンジニアは「データパイプライン」で接続される関係
小規模な組織ではデータエンジニアがアーキテクトやアナリティクスエンジニアの役割も兼ねることが多い

協業する職種: アナリティクスエンジニア（パイプライン引き渡し）、データアーキテクト（設計レビュー）、データスチュワード（データ品質管理）、MLエンジニア（特徴量基盤）

アナリティクスエンジニア（Analytics Engineer）

役割: データアナリストとデータエンジニアの架け橋

アナリティクスエンジニアは比較的新しい職種で、dbt（data build tool）などのツールの登場とともに確立されました。データエンジニアとデータアナリストの中間的な役割を担い、「分析しやすいデータ」を提供することに特化しています。

主な業務:

dbtを使ったデータ変換処理の開発
データモデルの設計・ドキュメント整備
データ品質テストの実装
セマンティックレイヤーの構築
データカタログ・メタデータ管理

必要スキル: SQL、dbt、Git、データモデリング、ビジネスドメイン知識

なぜ注目されているのか:

ELTアーキテクチャの普及により、変換処理（Transform）がDWH内で行われるようになった
ソフトウェアエンジニアリングのベストプラクティス（バージョン管理、CI/CD、テスト）がデータ領域にも適用されるようになった
LLM時代の到来により、メタデータ整備の重要性が増している

協業する職種: データエンジニア（データソース連携）、データアナリスト（データ要件・メトリクス定義）、BIエンジニア（データマート設計）

データアナリスト（Data Analyst）

役割: データを分析し、ビジネスに活かす洞察を提供する

データアナリストはビジネスサイド寄りの職種です。既存データの探索・解析を行い、分析結果をレポートやダッシュボードにまとめ、ビジネス戦略の提案を行います。

主な業務:

データの可視化・ダッシュボード作成
KPI分析・レポーティング
A/Bテストの設計・分析
ビジネス課題に対する仮説検証

必要スキル: SQL、Excel、BIツール（Tableau、Looker、Power BI）、統計の基礎知識

他職種との違い:

比較対象	データアナリスト	比較対象の役割
BIエンジニア	データを分析し、洞察・示唆を出す	可視化の仕組み・ダッシュボード基盤を構築する
データサイエンティスト	既存データの探索・可視化・レポーティング	統計・機械学習を用いた予測モデル構築・高度分析
アナリティクスエンジニア	整備されたデータを使って分析する	分析しやすいデータを整備・提供する

データアナリストは「分析結果を出す人」、BIエンジニアは「分析環境を整える人」
データサイエンティストとの違いは「統計・ML手法の深さ」と「予測 vs 現状把握」の違い
アナリティクスエンジニアとは「データの提供者 vs 消費者」の関係

協業する職種: アナリティクスエンジニア（データ要件）、BIエンジニア（ダッシュボード作成）、ビジネスサイド（分析結果の活用）

BIエンジニア（BI Engineer）

役割: データの可視化とレポーティング基盤の構築

BIエンジニアは、分析結果をビジュアル化し、ダッシュボードやレポートを通じてビジネスユーザーに提供します。データアナリストと役割が重なる部分もありますが、BIエンジニアはより技術寄りで、ツールの導入・運用やデータマートの設計も担当します。

主な業務:

BIツールの導入・運用・管理
ダッシュボード・レポートの設計・開発
データマートの設計・実装
ビジネスユーザーへのトレーニング

必要スキル: SQL、BIツール（Tableau、Looker、Power BI、Metabase）、データモデリング

データアナリストとの違い:

データアナリストは「分析して洞察を出す」ことが主眼
BIエンジニアは「可視化の仕組みを作る」ことが主眼

協業する職種: データアナリスト（可視化要件）、アナリティクスエンジニア（データマート設計）、ビジネスサイド（ユーザートレーニング）

データサイエンティスト（Data Scientist）

役割: 統計・機械学習を用いた高度な分析とモデル構築

データサイエンティストは統計スキル寄りの職種です。ビッグデータの収集・加工、予測モデルの作成、機械学習アルゴリズムの開発などを行います。

主な業務:

予測モデル・レコメンドエンジンの開発
機械学習アルゴリズムの設計・実装
統計的仮説検定
ビジネス課題の数理モデル化

必要スキル: Python/R、統計学、機械学習、深層学習フレームワーク（TensorFlow、PyTorch）

協業する職種: MLエンジニア（モデル引き渡し）、データエンジニア（データ準備・特徴量基盤）、ビジネスサイド（要件定義・結果活用）

MLエンジニア / 機械学習エンジニア（ML Engineer）

役割: 機械学習モデルの実装とシステム統合

MLエンジニア（Machine Learning Engineer）は、機械学習モデルを本番環境にデプロイし、実際に動くシステムとして統合します。データサイエンティストが作ったモデルを「動くプロダクト」にする役割です。

補足: 「MLエンジニア」と「機械学習エンジニア」は同じ職種を指します。ML = Machine Learning（機械学習）の頭文字です。

主な業務:

機械学習パイプラインの構築
モデルのデプロイ・API化
A/Bテスト基盤の構築
推論システムの最適化

必要スキル: Python、機械学習フレームワーク、Docker、API設計

他職種との違い:

比較対象	MLエンジニア	比較対象の役割
データサイエンティスト	モデルを本番環境で動かす（実装・デプロイ）	モデルを作る・研究する（分析・実験）
MLOpsエンジニア	モデルのデプロイ・API化・システム統合	モデルの継続運用・監視・再学習自動化
AIエンジニア	機械学習モデルに特化した実装	LLM含むAI全般のシステム統合・アプリ開発

データサイエンティストとは「作る vs 動かす」の関係
MLOpsエンジニアとは「初回デプロイ vs 継続運用」の関係
AIエンジニアとは「ML特化 vs AI全般（LLM含む）」の範囲の違い

協業する職種: データサイエンティスト（モデル受け取り）、MLOpsエンジニア（運用引き継ぎ）、SWEチーム（システム統合）

MLOpsエンジニア（MLOps Engineer）

役割: 機械学習モデルの継続的な運用を支える

MLOpsエンジニアは、MLエンジニアの中でも特に運用（Operations）に特化した職種です。モデルのライフサイクル全体を管理し、継続的なデリバリーを実現します。

主な業務:

MLパイプラインの自動化（CI/CD）
モデルのバージョン管理
推論基盤のスケーリング
モデルドリフトの検知・対応
モデルの再学習・更新の自動化

必要スキル: Python、Docker、Kubernetes、MLflow、Kubeflow、クラウドML基盤

MLエンジニアとの違い:

MLエンジニアは「モデルをデプロイする」ことが主眼
MLOpsエンジニアは「モデルを運用し続ける」ことが主眼

協業する職種: MLエンジニア（運用設計）、SRE/インフラチーム（インフラ連携）、データエンジニア（パイプライン自動化）

AIエンジニア（AI Engineer）

役割: AI技術全般を活用したシステム開発

AIエンジニアは、機械学習を含むAI（人工知能）全般を対象とした職種です。MLエンジニアよりも広い範囲をカバーし、LLM（大規模言語モデル）やコンピュータビジョンなど、多様なAI技術を扱います。

主な業務:

LLMを活用したアプリケーション開発
RAG（Retrieval-Augmented Generation）の実装
プロンプトエンジニアリング
AIサービスのAPI統合

必要スキル: Python、LLM API（OpenAI、Claude、Gemini）、ベクトルDB、プロンプト設計

2025-2026年のトレンド:
LLMの普及により、AIエンジニアの役割は大きく変化しています。従来の機械学習モデル開発に加え、LLMを活用したアプリケーション開発が主要な業務になりつつあります。「LLMOpsエンジニア」という新たな専門職も登場しています。

協業する職種: MLエンジニア（ML技術連携）、プロダクトマネージャー（プロダクト要件）、SWEチーム（API設計・システム統合）

設計・アーキテクチャ系

データアーキテクト（Data Architect）

役割: データ基盤の全体設計とアーキテクチャ策定

データアーキテクトは、ビジネス要件やデータ戦略に基づいて全体的なデータアーキテクチャを設計します。DMBOK2では「データアーキテクチャとデータ統合を担当する上級アナリスト」と定義されています。

主な業務:

エンタープライズデータモデルの作成
システム間のデータフロー設計
データモデリングのルール・標準策定
用語・ドメイン一覧の整備
データ統合戦略の策定

必要スキル: データモデリング、システムアーキテクチャ、クラウド基盤、ビジネス理解

データエンジニアとの違い:

観点	データエンジニア	データアーキテクト
視点	プロジェクト・チーム単位	全社・エンタープライズ単位
主な成果物	パイプライン、DWH、データマート	アーキテクチャ図、データモデル、標準規約
関わる期間	継続的な開発・運用	設計フェーズ中心
スキル重心	実装・コーディング	設計・ドキュメント・調整

小〜中規模の組織ではデータエンジニアがアーキテクトを兼任することも多く、大規模な組織になると専任のアーキテクトが置かれる傾向があります。

協業する職種: データエンジニア（設計レビュー・実装指示）、データスチュワード（ガバナンス連携）、CDO（戦略策定）

ガバナンス・マネジメント系

データスチュワード（Data Steward）

役割: データの品質・整合性・ガバナンスを管理する

データスチュワードは、特定のデータソースやデータ領域に対して責任を持ち、データの品質と整合性を管理します。データの価値を最大化するために、メタデータ、ドキュメント、利用ルール・ポリシーを管理します。

主な業務:

データ品質の監視・改善
メタデータ・データ辞書の管理
データ利用ポリシーの策定・運用
データ活用者からの要件ヒアリング
部門間のデータ要件の調整

必要スキル: 業務ドメイン知識、データ品質管理、コミュニケーション

日本での現状:
日本ではデータスチュワードシップへの関心は比較的低く、本来なら複数のデータスチュワードが分担すべき役割を、データエンジニアやデータアーキテクトが兼任していることが多い状況です。

協業する職種: データエンジニア（品質管理）、データアーキテクト（ガバナンス連携）、各事業部門（要件調整）

データマネージャー（Data Manager）

役割: データチームのマネジメントとプロジェクト推進

データマネージャーは、データ関連のプロジェクトやチームを管理する役職です。技術と経営の橋渡しを行い、データ活用の推進を担います。

主な業務:

データチームのマネジメント
データプロジェクトの計画・推進
ステークホルダーとの調整
データ活用のROI管理
採用・育成

必要スキル: プロジェクトマネジメント、チームマネジメント、データリテラシー、コミュニケーション

協業する職種: 全データ職種（チーム運営）、経営層（リソース確保）、ステークホルダー（プロジェクト調整）

CDO（Chief Data Officer）

役割: データ戦略の最高責任者

CDO（Chief Data Officer：最高データ責任者）は、企業データから最大のビジネス価値を得ることを担う経営幹部です。データ戦略を策定し、データガバナンス、データ品質、データ分析、データセキュリティなどを統括します。

注意: CDOには「Chief Digital Officer（最高デジタル責任者）」という別の役職もあります。本記事では「Chief Data Officer」を指します。

主な業務:

全社データ戦略の策定
データガバナンス体制の構築
データ活用による収益化推進
経営の意思決定へのデータ活用
データ人材の育成・組織構築

日本企業での設置状況:

CDO Club Japanの調査によると、日本国内のCDO設置率は「専任」で16％、「兼任」で26％
役員レベルで採用している企業は3.3%に留まる
欧米に比べて設置率は低いが、DX推進の流れで増加傾向

AI時代のCDOの進化:
近年、CDOの役割は「Chief Data & Analytics Officer（CDAO）」へと拡張されつつあります。さらに、AI戦略を担う「CAIO（Chief AI Officer）」を設置する動きも出始めています。

協業する職種: データマネージャー（組織運営）、データアーキテクト（戦略実行）、経営層（意思決定）

2025-2026年のトレンド

1. 職種の境界が曖昧に

AI技術の進化に伴い、各職種の役割は統合的になりつつあります。データサイエンティストがパイプライン構築まで行ったり、データエンジニアがモデルデプロイを担当したりと、境界線は曖昧になっています。

2. LLMOpsの台頭

大規模言語モデル（LLM）の普及により、従来のMLOpsとは異なる課題が生まれています:

プロンプトエンジニアリング / コンテキストエンジニアリング
RAG（Retrieval-Augmented Generation）アーキテクチャ
ハルシネーション対策
推論コストの最適化

これに対応する「LLMOpsエンジニア」という新たな役割も登場しています。

3. アナリティクスエンジニアの需要拡大

dbtを中心としたModern Data Stackの普及により、アナリティクスエンジニアの需要は急速に拡大しています。特に:

データ品質・信頼性への関心の高まり
セルフサービスBI実現のためのデータ整備
LLM活用のためのメタデータ整備

4. ビジネスサイドのデータリテラシー向上

LLMの登場により、データサイエンティストだけでなく、ビジネスチームやプロダクトマネージャーがAI駆動アプリケーションに積極的に関わるようになっています。

キャリア選択の指針

どの職種を選ぶべきかは、自分の興味や強みによって異なります:

興味・志向	おすすめ職種
データ基盤・インフラを作りたい	データエンジニア
分析しやすいデータを整備したい	アナリティクスエンジニア
ビジネス課題を分析で解決したい	データアナリスト
ダッシュボード・可視化を極めたい	BIエンジニア
予測モデル・統計分析をしたい	データサイエンティスト
MLモデルをプロダクトにしたい	MLエンジニア
MLの運用・自動化を極めたい	MLOpsエンジニア
LLM・AI全般を扱いたい	AIエンジニア
全体設計・アーキテクチャを担いたい	データアーキテクト
データ品質・ガバナンスを担いたい	データスチュワード
チーム・組織をマネジメントしたい	データマネージャー / CDO

職種間の協業マップ

各職種がどの職種と協業しやすいかを一覧表にまとめました。

職種	主な協業相手	協業の内容・場面
データエンジニア	AE、データアーキテクト、データスチュワード、MLエンジニア	パイプライン引き渡し、設計レビュー、データ品質、特徴量基盤
アナリティクスエンジニア	DE、データアナリスト、BIエンジニア	データソース連携、メトリクス定義、データマート設計
データアナリスト	AE、BIエンジニア、ビジネスサイド	データ要件、ダッシュボード、分析結果の活用
BIエンジニア	データアナリスト、AE、ビジネスサイド	可視化要件、データマート設計、ユーザートレーニング
データサイエンティスト	MLエンジニア、DE、ビジネスサイド	モデル引き渡し、データ準備、要件定義
MLエンジニア	DS、MLOpsエンジニア、SWEチーム	モデル受け取り、運用引き継ぎ、システム統合
MLOpsエンジニア	MLエンジニア、SRE/インフラ、DE	運用設計、インフラ連携、パイプライン自動化
AIエンジニア	MLエンジニア、PM、SWEチーム	ML技術連携、プロダクト要件、API設計
データアーキテクト	DE、データスチュワード、CDO	設計レビュー、ガバナンス連携、戦略策定
データスチュワード	DE、データアーキテクト、各事業部門	品質管理、ガバナンス連携、要件調整
データマネージャー	全データ職種、経営層、ステークホルダー	チーム運営、リソース確保、プロジェクト調整
CDO	データマネージャー、データアーキテクト、経営層	組織運営、戦略実行、意思決定

※略称: DE=データエンジニア、AE=アナリティクスエンジニア、DS=データサイエンティスト、PM=プロダクトマネージャー、SWE=ソフトウェアエンジニア

まとめ

データエンジニア、データアナリスト、データサイエンティストは従来からある3大職種
アナリティクスエンジニアはdbtの登場とともに確立された比較的新しい職種で、急速に需要が拡大している
MLエンジニア（機械学習エンジニア）、MLOpsエンジニア、AIエンジニアはML/AI領域の専門職
データアーキテクトは設計・アーキテクチャを担う上級職
データスチュワード、データマネージャー、CDOはガバナンス・マネジメント系の職種
職種間の境界は曖昧になりつつあり、複合的なスキルが求められる時代に
自分の興味・強みに合わせてキャリアを選択することが重要

余談

筆者のバックグラウンド

まず、私自身のバックグラウンドは、データサイエンティストから入り(といってもテーブルデータ中心の経験が主で、広く薄くです)、がっつりデータエンジニア/データアーキテクト、部分的にデータアナリストって感じです。
2社目ではdbtもゴリゴリ(Claude Codeと一緒に)触り、ML系、MLOps、LLMOpsとかもしています。いわゆる器用貧乏ってやつですね。秀でていないのがいつも辛いです。

アルアル？なのかもしれないのですが、データがあるからなんか出してくれって感じでデータサイエンティストを始めて(今思えば、入り方おかしいですよね...)、データがめちゃくちゃなのに絶望してデータエンジニアリングしたって経歴です(アルアルだと信じているので、共感してくだされば、いいねください笑)。

各ロールに対して、合う合わないがあると思っているんですが、性格的にはデータエンジニアとか結構カッチリしていて性には合っていると思っています。ただ、これって、データエンジニアに限らず自分がそういう性格なのかもしれない？という気持ちはあります。一昔前はjupyter notebookでグリグリ実験してなんか出た！っていうのがどうしても許せなくて、データサイエンティスト(今思えば視野が狭すぎる)向いていないなーと思っていました。

他のロールとの協業について、思うこと

他ロールとの協業ですが、自身がデータエンジニアとして、データアナリストとやりとりしたり、データサイエンティストとしてデータエンジニアとやりとりをしたことはありますが、自分が器用貧乏職人極めているので、コミュニケーションで困ったことはありませんでした。
似たような職種だから、相手の気持ちもわかることが多かったです。
もっと大きい組織や細分化された中で働いてみるのもいい経験なのかな、と自分の経歴の弱さに不安に思うこともあります...
そういう意味では、ビジネスサイドとのコミュニケーションは下手くそ過ぎて、辛い思いをしたことは何度もあります。難しいこと、余計なことを言ってしまったり、逆に説明不足すぎて、後々認識の齟齬があったり。これは永遠の課題だなと思っています...!

これからのデータ系ロールについて、思うこと

ここからは完全にポエムです。
薄く広く経験したデータ系の仕事に少しでも恩返ししたいなって気持ちはありまして、個人的に情報を整理してみました。

生成AI、LLMの台頭で、データ系のロールの重要性や変化は益々生じると思っています。
データスチュワードやデータマネージャーの役割は多くなり、作業に重きのあるロールは、これらに吸収されるかもしれません。
また、LLMOpsエンジニアや、LLM関連のロールは技術やツール、仕組みの発展から生じるかもしれません。

個人的には器用貧乏ながら、弱い部分はLLMで補いやすくなった環境はワクワクすることが多いです。過渡期なので、瞬間的な楽しさかもしれませんが...

読んでくださった方へ

もし、こんなロール知っている！や経験している！がありましたら、後学のためにご教示くださいますと幸いです。内容の訂正もありましたら、遠慮なく教えてください。

参考リンク

職種全般

アナリティクスエンジニア

MLエンジニア / 機械学習エンジニア

MLOps / LLMOps

2025年以降のMLOps革命 2025/05/16
The Evolution of LLMOps - Cloudera 2024/10/22
The Complete MLOps/LLMOps Roadmap for 2026 - Medium 2026/01/07
2025年以降のMLOps戦略：AIによる持続的イノベーションの鍵 - Reinforz Insight 2025/05/15

データアーキテクト / データスチュワード

データオーナー、データスチュワード、データアーキテクトの違い 2023/09/07
データスチュワードとは？ - TROCCO 2023/06/29
データアーキテクトとは？ - Metafind 2023/11/30
データスチュワードは、データ利活用のとりまとめ役？！ - Metafind 2024/03/28
『データスチュワードシップ』書籍紹介 - 日経BOOKプラス 2024/07/18

CDO

CDOとは？求められる理由やスキル - データのじかん 2024/07/27
日本企業におけるCDOの進化 - sento.group 2025/02/28
Japan CDO of The Year 2025 受賞者決定 - PR TIMES 2025/12/17

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up