LO
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。
これは職を失う確率ではない。その職の業務量のうちどれだけが自動化にさらされているかと、導入が実際にどこまで進んだかを一つの値に合わせたものであり——同じ一つのものさしで職業どうしを比べるためだけに使える。それ以外には使えない。
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。
実際に何が変わりつつあるか#
分析の単位は肩書ではなく業務です。職が置き換えられるのではなく、その業務の構成が移ります。
これはあなたの仕事ですか。そう言えば、このページはあなたの持ち分に絞られます。
肩書とは、まとめ買いされた業務の束であり、同じ束を持つ人は二人といません。どこにも送られません——このブラウザの中に留まります。
問い合わせを書き、ダッシュボードをつくる
自動化されつつある✓ 証拠に基づく「先月Xをした利用者は何人か」を SQL に訳し、その結果を、誰かが更新できる図につなぐ。
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。
「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。
本当は何を訊かれているのかを割り出す
いまも人が主導≈ 本サイトの推定管理職の漠然とした心配を、測れる問いに変え、その人の言う「アクティブユーザー」がどの定義なのかを見抜く。
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。
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。
データが嘘をついているときに気づく
いまも人が主導✓ 証拠に基づく壊れた取り込み、二重に記録された事象、時差の不具合、3月に変わった定義を見つける。
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。
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。
数字で判断を変える
増強されつつある≈ 本サイトの推定動かなければならない人が、分かり、信じ、実際に動くように、発見を差し出す。
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。
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。
道具が寄りかかっている定義を引き受ける
新しい業務≈ 本サイトの推定自然言語での問い合わせが正しい答えを返すように、指標の定義、説明文、意味の層を維持する。
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。
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。
ここで効いてくる技術はどれか#
四つの別々の signal です。意識して足し合わせていません——二つの技術にさらされている職が、二倍さらされているわけではありません。
ここに至るまで#
この指数は動かない数字ではありません。これは、ChatGPT 以降の能力の検査点ごとに、それがどこにあったはずかです——再構成されたものであり、そう明記しています。
● この職業についての2件の検証済みの出来事を、それが起きた日付の上に置いてあります——印の近くの線は、確かめられる何かに固定されています。
BIのセルフサービスの道具が基準線を決めている。テキストからSQLへの変換が2023〜2024年にそれを強く押し上げたが、そのあと曲線が減速するのには具体的な理由がある——自然言語での問い合わせが正しい答えを出すのは、誰かが保守している定義の上に乗っているときだけなので、さらされていた部分の一部は、消えるのではなく新しい仕事に変わった。
平らな線は、安全の予測ではありません。それは、自動化がこれまでどの業務に届いたかを言っています——ここで最も動かなかった職業は、制約が身体的か規制によるものであり、そしてそのどちらも変わりうります。
最近の変化#
このベンチマークの著者自身が書いたものであり、著者らは競合する系(Rubicon)も売り込んでいる——つまりここでの利害関係者は「簡単なベンチマークのほうが間違っている」と論じている。もとになっている主張は確かめられる。Beaver は MIT の1,400テーブルの Oracle 基盤と他の三つの実際の問い合わせ記録からつくられており、順位表は公開されている。挙げられている四つの理由は、モデルの出来ではなく構造に関わるものである——公開ベンチマークのデータは学習資料に入っている、現実のスキーマは腐って「salary」という名の列が六つに増える、基盤にはその土地固有の言い回しがある、そして現実の問い合わせは一つではなく二つ三つのテーブルを結合する。
失敗、撤回、規制、あるいは費用が導入を抑えている。判断を下げる、あるいはその不確かさを広げることがある。
一社での限定的な展開である。Uber の基盤では対話的な問い合わせが月におよそ120万件動いているので、これはごく一部にあたる。記事自身が、存在しないテーブルや列の捏造と、指示文の質を未解決の問題として挙げている。
雇用主がそれを本番に置いた。基準線を動かしうる——規模と、その場がどれだけ似ているかで重みづけされる。
これがあなたにとって何を意味するか#
SQL の腕だけで入るのは以前より弱い。そこは道具がやる部分だからである。強い入り方は、領域とデータの組み合わせである——ある事業領域を、その数字が何を意味しどう壊れるかが分かるくらい深く学び、問い合わせのほうは道具に任せる。定義を書き残すという地味な仕事に手を挙げること。新しいアナリスト像はそこで形になりつつあり、いまのところ誰もやりたがらない。
一週間の大半がレポートの依頼をさばくことなら、依頼者が自分で触れるようになるにつれてその行列は縮むと見ておくこと。そして、ダッシュボードを何枚出したかではなく、自分の仕事がどの判断を変えたかで測られるようになると見ておくこと。データがどこで壊れるかについての蓄えた知識が資産である。それを意味の層と定義に変えれば、自分で触れる道具が正しい答えを返す理由そのものが、あなたになる。
選べる道#
四つの方向。それぞれに現実の制約と、今週試せることが一つ付いています。いまのまま続けることも正当な選択です——ただし、選ばれたものでなければなりません。
問いに答える側から、定義を持つ側へ
利用者が自分で分析できるようになると、詰まりどころは問い合わせを書くことから、その下の指標が正しいかどうかへ移る。その層を引き受けることは、ダッシュボードを引き受けるより長持ちし、より上級である。
統治の仕事は遅く、政治的で、めったに讃えられない。数字が食い違う痛みを味わったことのある組織が要る。
社内で最も揉める指標を一つ選び、二人が計算しても同じ数になるくらい厳密に定義を書く。それを回し、出てきた異論を数える。
アナリティクスエンジニアリングへ
手前でデータを整えるモデルと取り込みをつくることは、アナリストの労力が移りつつある先であり、報告より報酬も高い。
版の管理、テスト、コードレビューという本物のソフトウェアの習慣が要り、うまくいっているときには誰の目にも留まらない仕事への耐性が要る。
毎週動かしている問い合わせを一つ取り、版が管理されテストのある変換に作り替える。それが退屈ではなく手応えに感じたなら、この道を本気で見てよい。
事業部門に組み込まれたアナリストになる
財務、オペレーション、プロダクトの各チームは、依頼票を受け取る中央の窓口ではなく、その領域を分かっている自分たちのアナリストを望むようになっている。領域の知識が堀である。
あなた自身が半ばその部門の人になる——その語彙、その暦、その政治を学ぶことになると見ておくこと。
ある部門の責任者に、答えたいのに答えられていない問いは何かを訊く。その答え方が見えるなら、あなたの入る席はそこである。
よくある問い#
ある。ただし以前とは理由が違う。書く量は減り、読んで確かめる量はずっと増える。問い合わせが何をしているかを分かっていることこそが、曖昧なスキーマから道具が出した自信たっぷりの誤答を捕まえさせてくれる——そしてその捕まえることが、いまの仕事である。編集者が文法を知っているのと同じ意味で SQL を学ぶこと。すべての文を自分で書くためではなく、間違っている文をその場で見抜くために。
信号は、誰が問い合わせを走らせているかである。管理職が自分の問いをあなたに送らず、自分で触れる道具のなかで自分で答えはじめたとき、変化はもう届いている——そして最初に失うのは職ではなく、データとの日々の接触、つまりそれが間違っているときに気づけるようにしていたものである。
問い合わせを書くこととダッシュボードをつくることであり、ここでは自動化と印をつけている。問いを立て直すことと、データが嘘をついていると気づくことはそうではないが、どちらも文脈を持てるだけ仕事に近いことに依っており、利用者が自分で触れるようになるほど、あなたはそこから遠ざかる。
それは本物の仕事であり、このサイトも新たに生まれた業務と印をつけている。同時に、組織に一つしかない職であり、問いに答えることより小さい。人員がそこへ「振り向けられる」という言い方は、より小さいチームが別の仕事をすることの丁寧な表現である。
これを目指して学んでいますか
この専攻がここへ通じています。そのページでは、どの能力が持ち越せて、卒業生に何が欠けがちかを分解しています。
これについて書いたもの#
この文章は、このページが持っているのと同じ記録から論じており、その一節一節が、何の上に立っているかを名指ししています。
方法と出典#
- 評価日
- 2026-09-10
- 業務の判断の根拠
- 証拠に基づく2項 · 本サイトの推定3項 · 証拠が足りない0項
- 検証済みの出来事
- 2