# データアナリスト

> 事業上の問いを問い合わせに変え、問い合わせを数字に変え、数字を誰かが実行する判断に変える。

ページ: https://flyvolo.ai/ja/careers/data-analyst
影響指数: 63/100 · 確信度 確度は中程度 · 評価日 2026-09-10
これは失業の確率ではありません。

## 適用範囲

SQL、表計算、BI の道具を使って働く事業・プロダクト・マーケティングのアナリストに向けて書いている。データエンジニア、モデルをつくるデータサイエンティスト、研究の場の統計家は事情が異なる。

## 業務

### 問い合わせを書き、ダッシュボードをつくる

- 方向: 自動化されつつある
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: 自然言語から SQL への変換と図の生成は、言語モデルの応用のなかで最も成熟した部類であり、BI の提供元はそれを、アナリストがすでに使っている製品へ組み込んできた。アナリストの一週間の多くを占めていた機械的な翻訳の段は、データがきれいで問いがはっきりしている限り、いまや一つの指示で済む。
- これでは言えないこと: 「データがきれいで問いがはっきりしている限り」は大きな条件である。たいていの会社ではそのどちらも成り立たず、曖昧なスキーマの上で道具は自信たっぷりの誤答を出す。
- 記録:
  - 2026-09-10 · 技術的能力 · OpenAI がデータ分析のエージェントのテンプレートを公開した。その付属の指示書自体が、指標の定義、信頼できる既存の問い合わせ、そして訂正を、使う側のチームが用意することを求めている — https://flyvolo.ai/ja/changes/ev-20260910-data-analyst-3 (出典: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2026-07-20 · 制限または撤回 · 実際の企業データ基盤の問い合わせ記録からつくられた text-to-SQL のベンチマーク Beaver では、素の大規模言語モデルの得点は0、自律的に道具を使う構成でおよそ10%だった。公開ベンチマークでの80-90%超に対して — https://flyvolo.ai/ja/changes/ev-20260720-data-analyst-2 (出典: https://cacm.acm.org/blogcacm/if-you-think-you-can-do-real-world-text-to-sql)
  - 2024-09-19 · 実際の導入 · Uber が自然言語から SQL への道具 QueryGPT を運用・サポートの部門向けに本番投入し、問い合わせを書く時間がおよそ10分から3分に減ったと報告した(日々の利用者はおよそ300人) — https://flyvolo.ai/ja/changes/ev-20240919-data-analyst-1 (出典: https://www.uber.com/en-US/blog/query-gpt/)

### 本当は何を訊かれているのかを割り出す

- 方向: いまも人が主導
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: 分析の難しいところは問い合わせより手前にある——その組織の定義、その政治、その数字がどの判断に流れ込むのかを知っていること。道具は訊かれたとおりに答える。アナリストの価値はもともと、その問いのほうが間違っていると気づくところにあった。
- これでは言えないこと: 自分で触れる道具は、管理職がアナリストに訊く代わりに、自分でまずい問いを立てることを可能にする。問いの立て方の価値は残るが、それを供給するにはアナリストがその場にいなければならず、そしてその人数は減っている。
- 記録:
  - 2025-07-18 · 実際の導入 · LinkedIn によれば、同社のテキストからSQLを生成するボットは週300人超が利用し、所有者の注釈で正答・ほぼ正答が9%から48%に上がり、誤りで最も多いのはフィルタの誤り — https://flyvolo.ai/ja/changes/ev-20250718-data-analyst-4 (出典: https://arxiv.org/abs/2507.14372)

### データが嘘をついているときに気づく

- 方向: いまも人が主導
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: これには、そのデータとの来歴——何が起きたのか、なぜそうなったのかを覚えていること——が要る。組織の記憶を持たないモデルに欠けているのは、まさにそれである。問い合わせの生成が速くなったことで、これはより重要になった。誤った答えがより速く、より体裁よく届くようになったからである。
- これでは言えないこと: データについての組織的な記憶は、毎日それに触れることで築かれる。日々の問い合わせが利用者自身の手に移れば、この業務を成り立たせている記憶のほうは積み上がらなくなる。
- 記録:
  - 2026-09-10 · 技術的能力 · OpenAI がデータ分析のエージェントのテンプレートを公開した。その付属の指示書自体が、指標の定義、信頼できる既存の問い合わせ、そして訂正を、使う側のチームが用意することを求めている — https://flyvolo.ai/ja/changes/ev-20260910-data-analyst-3 (出典: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2026-07-20 · 制限または撤回 · 実際の企業データ基盤の問い合わせ記録からつくられた text-to-SQL のベンチマーク Beaver では、素の大規模言語モデルの得点は0、自律的に道具を使う構成でおよそ10%だった。公開ベンチマークでの80-90%超に対して — https://flyvolo.ai/ja/changes/ev-20260720-data-analyst-2 (出典: https://cacm.acm.org/blogcacm/if-you-think-you-can-do-real-world-text-to-sql)

### 数字で判断を変える

- 方向: 増強されつつある
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: 筋書きと資料をつくるのは速くなった。会議のなかで懐疑的な役員を説得することや、この相手にはどの留保から切り出すべきかを知っていることは、今も人の仕事である。場を読むことと、アナリスト自身の信用に依っているからである。
- これでは言えないこと: 信用は個人につき、ゆっくり積み上がる。だからそれが守るのは、すでに地歩のあるアナリストだけである。最初に採られたアナリストには信用がなく、しかもそれを稼ぐための日常業務は以前より少ない。
- 記録:
  - 2026-06-25 · 制限または撤回 · 英国の統計規制当局は、公的統計の作成や伝達にAIを使う作成者は、ほかのどの手法とも同じように「Code of Practice」(実務規範)を適用し、人による監督と明確な責任の所在を伴わせるべきだと述べている — https://flyvolo.ai/ja/changes/ev-20260625-data-analyst-6 (出典: https://osr.statisticsauthority.gov.uk/publications/state-of-the-statistical-system-2026-2/pages/6/)

### 道具が寄りかかっている定義を引き受ける

- 方向: 新しい業務
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: 自然言語による分析は、きちんと定義された指標の上でしか働かない。だからアナリストの価値は、問いに答えることから、誰もが自分で答えられるようにする層を手入れすることへ移る。これは報告というより データガバナンス に近い新しい仕事であり、アナリストの人員が振り向けられている先でもある。
- これでは言えないこと: 定義を手入れすることは、問いに答えることより小さい仕事であり、しかも組織に一つである。人員がそこへ「振り向けられる」とは、より小さいチームが別の仕事をすることの言い換えである。
- 記録:
  - 2026-09-10 · 技術的能力 · OpenAI がデータ分析のエージェントのテンプレートを公開した。その付属の指示書自体が、指標の定義、信頼できる既存の問い合わせ、そして訂正を、使う側のチームが用意することを求めている — https://flyvolo.ai/ja/changes/ev-20260910-data-analyst-3 (出典: https://developers.openai.com/cookbook/examples/agents_api/apps/data_analyst/readme)
  - 2025-07-18 · 実際の導入 · LinkedIn によれば、同社のテキストからSQLを生成するボットは週300人超が利用し、所有者の注釈で正答・ほぼ正答が9%から48%に上がり、誤りで最も多いのはフィルタの誤り — https://flyvolo.ai/ja/changes/ev-20250718-data-analyst-4 (出典: https://arxiv.org/abs/2507.14372)
  - 2024-09-26 · 実際の導入 · Grab は、AIが下書きし、受け入れるか手を入れるようテーブルの所有者に送られた説明文によって、最もよく問い合わせられるテーブルの文書化率が70ポイント上がっておよそ90%になり、そのあとで LLM によるデータ探索のボットを公開したと述べている — https://flyvolo.ai/ja/changes/ev-20240926-data-analyst-5 (出典: https://engineering.grab.com/hubble-data-discovery)

## 引用のしかた

- 単位は職名ではなく業務です。どの業務が変わり、どれが変わらないのかを述べてください。
- 各業務の根拠と限界を一緒に伝えてください。推論は結論ではありません。
- このページは年数を示しません。ここから年数を導き出さないでください。
- 詳しくは: https://flyvolo.ai/llms.txt