試験概要：スキルレベル定義

スキルレベル定義2023 総まとめ【Assistant Data Scientist（見習い）】

Source: pages\ds\skilllevel-2023-summary.md
Permalink: /ds/skilllevel-2023-summary/

スキルレベル定義2023 総まとめ

（Assistant Data Scientist：見習いレベル）

このページでは、

スキルレベル定義2023における
④ Assistant Data Scientist（見習い）レベル

の全体像を整理します。(スキルチェックリスト ver5.0)

DS検定（リテラシーレベル）は、
この④レベルを想定した内容にかなり近い水準です。

まず結論

④ Assistant Data Scientist（見習い）は、

「データを使って正しく仕事が進められる人」

を指します。

高度な研究開発者ではなく、

正しく考え
正しく扱い
正しく説明できる

ことが求められます。

全体構造（3つの力）

④レベルは、大きく次の3つの力で構成されています。

ビジネス力
データサイエンス力
データエンジニアリング力

この3つが揃ってはじめて
「データプロフェッショナルの入口」に立てます。

① ビジネス力

（詳細ページ：④ Assistant Data Scientist（見習い）に求められるビジネス力）

本質

目的 → データ → 結論
の流れで考えられること。

できる状態

目的を明確にできる
必要なデータを判断できる
データの信頼性を確認できる
分析結果を言語化できる
モニタリングの重要性を理解している

DS検定との関係

KPIの妥当性
データの信頼性判断
仮説検証の流れ
説明責任

などが問われます。

② データサイエンス力

（詳細ページ：④ Assistant Data Scientist（見習い）に求められるデータサイエンス力）

本質

統計・機械学習の基礎を理解し、正しく使えること

できる状態

平均・分散を説明できる
推定と検定の違いがわかる
教師あり／なしの違いを理解している
過学習を説明できる
基本的な分析を実行できる
結果を解釈できる

DS検定との関係

統計概念の意味理解
評価指標の選択
過学習の説明
相関と因果の違い

などが中心です。

③ データエンジニアリング力

（詳細ページ：④ Assistant Data Scientist（見習い）に求められるデータエンジニアリング力）

本質

データを安全に扱い、必要な形に加工できること

できる状態

構造化データを理解できる
SQLで基本操作ができる
データ結合・集計ができる
APIの役割を理解している
セキュリティ3要素（CIA）を理解している

DS検定との関係

SQL問題
データ形式の理解
セキュリティの基礎
API・クラウドの役割

が出題対象になります。

④レベルの特徴

④ Assistant Data Scientistは、

❌ 高度な研究者
❌ アーキテクト
❌ 戦略コンサル

ではありません。

むしろ、

✅ 正しい進め方ができる
✅ 基礎を理解している
✅ 判断を誤らない
✅ 安全に扱える

という「土台型人材」です。

モデルカリキュラムとの関係

モデルカリキュラムの4本柱：

社会理解
データ理解
倫理理解
技術基礎

これらを横断的に身につけた状態が
④ Assistant Data Scientistレベルです。

つまり、

モデルカリキュラム修了 ≒ ④レベル到達の入り口

と考えると分かりやすいです。

試験直前まとめ

覚えるべき構造：

🔵 ビジネス力（進め方）
🟢 データサイエンス力（分析理解）
🟣 データエンジニアリング力（扱う力）

DS検定は、

この3つをバランスよく理解しているか

を測る試験です。

丸暗記ではなく、

「どう考える人材か」

が問われています。

④ Assistant Data Scientist（見習い）に求められるビジネス力

Source: pages\ds\skilllevel-2023-assistant-ds-business.md
Permalink: /ds/skilllevel-2023-assistant-ds-business/

④ Assistant Data Scientist（見習いレベル）に求められるビジネス力

（スキルレベル定義2023 まとめ）

まず結論

④ Assistant Data Scientist（見習いレベル）に求められるビジネス力とは、

データを使ってビジネス課題に向き合うための「基本姿勢」と「論理的な進め方」が身についている状態
です。

高度な戦略立案や難しいフレームワーク暗記ではなく、

与えられた課題を正しく理解し
目的を明確にし
必要なデータを集め
結果を言語化できる

ここがまず求められます。
DS検定（リテラシーレベル）は、この④レベルにかなり近い内容を問われます。

直感的な説明

イメージとしては、

「分析ができる人」ではなく、「データを使ってちゃんと仕事が進められる人」
です。

たとえば上司から「売上が落ちている原因を調べて」と言われたときに、

目的を確認する（何を意思決定したいのか）
必要なデータを考える（いつ・どこで・何が変わった？）
取りまとめて説明する（結論→根拠→次の打ち手）

この流れを「基本形として」回せれば④レベルです。

逆に、

目的確認なしで分析を始める
使えるデータをとりあえず全部集める
結果の意味が説明できない

は、④に届きにくい典型パターンです。

定義・仕組み（求められる具体内容）

④レベルのビジネス力は、大きく4つに整理できます。

① データプロフェッショナルとしての行動規範

ビジネスにおける論理とデータの重要性を理解している
引き受けたことを逃げずにやり切る（コミットメント）
迅速な報告ができる
指摘をすみやかに理解し、反映できる

DS検定だと「倫理」「説明責任」「データの取り扱い」などがここに近いです。

② データドリブンな分析的アプローチの基本

仮説や既知の問題が与えられた状況で、必要なデータを入手し、分析し、取りまとめる力です。

具体例：

データや事象のダブリ・モレを判断できる
分析前に目的・ゴールを設定できる
データの出自や引用元の信頼性を判断できる
目的に即したデータ入手ができる
分析結果の意味合いを正しく言語化できる
モニタリングの重要性を理解している

DS検定は「分析の順番」「KPIの妥当性」「データの信頼性」などでよく問われます。

③ 担当領域の基本的な課題の枠組みを理解できる

担当する業界・領域の「主要な変数」を理解できる
基本的なビジネスフレームワークを理解できる

ここは、用語暗記よりも
「このケースでは何が重要な変数？」を押さえる感覚が大事です。

④ 新しいデータ・AI時代の基礎素養（マインド・倫理・改善）

新しい技術がもたらす変革の概観を理解し、関心を持つ
データ・AIがもたらす新しいリスクや課題を理解し、倫理的に対応する
生成AIサービスを利用して業務改善できる（使いどころを理解している）

最近はここが重要になってきていて、DS検定でも関連トピックが増えています。

どんな場面で使う？

実務では、たとえば次のような場面で効きます。

「何を明らかにしたいか」を先に決めてから分析に入る
データの取り方・定義が怪しいことに気づける（信頼性チェック）
結果を“数字の羅列”で終わらせず、意味を言葉にできる
分析結果を継続監視（モニタリング）につなげられる
生成AIを「便利ツール」として適切に使える（倫理も含む）

よくある誤解・混同

❌ ビジネス力＝経営戦略を立てられること
→ ④見習いではそこまで求められません。まずは「正しく進める」こと。

❌ 分析スキルがあれば十分
→ 目的設定と結果の言語化ができないと、仕事として成立しにくいです。

❌ データサイエンス力の話と同じ
→ ここは手法ではなく「進め方・判断・姿勢」が中心です。

まとめ（試験直前用）

④ Assistant Data Scientist（見習い）のビジネス力は、次の3点に集約できます。

目的→データ→結論の流れで考えられる
データの信頼性と妥当性を気にできる
結果を言語化して次の行動につなげられる

DS検定では「正しい進め方・判断」を問う形で出やすいので、
“分析手法”より“プロセスと判断基準”を意識すると解きやすくなります。

④ Assistant Data Scientist（見習い）に求められるデータサイエンス力

Source: pages\ds\skilllevel-2023-assistant-ds-datascience.md
Permalink: /ds/skilllevel-2023-assistant-ds-datascience/

④ Assistant Data Scientist（見習いレベル）に求められるデータサイエンス力

（スキルレベル定義2023 まとめ）

まず結論

④ Assistant Data Scientist（見習いレベル）に求められるデータサイエンス力とは、

統計・機械学習の基礎を理解し、適切な指示のもとで基本的な分析を実行できる状態
です。

高度な理論構築ではなく、

基礎概念を理解している
基本的な分析を実行できる
結果を正しく解釈できる

ここが求められます。

DS検定（リテラシーレベル）は、ほぼこの水準を想定しています。

直感的な説明

イメージとしては、

「高度な研究者」ではなく、「基礎を理解して正しく使える人」です。

たとえば、

平均・分散の意味を説明できる
推定と検定の違いがわかる
教師あり学習と教師なし学習の違いがわかる
単回帰分析を実行できる

このレベルが④です。

逆に、

数式は覚えているが意味を説明できない
手法名だけ知っていて使い分けできない

では不十分です。

定義・仕組み（求められる具体内容）

④レベルのデータサイエンス力は、大きく6つに整理できます。

① 数学・統計の基礎知識

統計数理
線形代数
微分積分
集合理論

ここでは「厳密な証明」よりも
意味が理解できていることが重要です。

② データ分析の基礎知識

比較対象の適切な選択
データが生み出される背景の理解
推定・検定
標本抽出
予測・グルーピング
基本的な評価方法
時系列分析（周期性・トレンド）
データ品質の重要性

DS検定では、

「この比較は妥当か？」
「母集団と標本の関係は？」
「時系列データの特徴は？」

といった形で問われます。

③ 機械学習の基本概念

教師あり学習と教師なし学習の違い
過学習の理解
深層学習のメリット理解

重要なのは、

アルゴリズムの内部構造よりも“概念の違い”を理解していることです。

④ 指示のもとでの基礎分析実行

基本統計量の算出
分布の確認
前処理
クロス集計
単回帰分析

「自力で研究開発する」ではなく、
与えられた課題を正しく実行できることがポイントです。

⑤ データ可視化の基礎理解

軸出し
不適切なグラフ表現の理解
グラフから意味を導く

DS検定では
「不適切な可視化はどれか」といった問題が出ます。

⑥ 生成モデルの基礎理解

生成モデルと識別モデルの違い
利用データに起因する問題の理解

最近は生成AI関連の基礎理解も求められます。

どんな場面で使う？

実務では、

分析の前処理
基本的なモデル構築
仮説検証
データの妥当性チェック
モデル評価

といった場面で使います。

DS検定では、

推定と検定の違い
過学習とは何か
適切な評価指標の選択
データ品質の問題

などが頻出です。

よくある誤解・混同

❌ 数式が解ければOK
→ 意味理解が重要です。

❌ 深層学習を知っていれば上級者
→ 基礎統計が理解できていないと④には届きません。

❌ 実装できれば十分
→ 結果の解釈ができないと不十分です。

まとめ（試験直前用）

④ Assistant Data Scientist（見習い）のデータサイエンス力は、

統計・機械学習の基礎を理解している
基本的な分析を実行できる
結果を正しく解釈できる

DS検定では、

「概念理解」と「正しい使い分け」

が中心に問われます。

高度な証明ではなく、
意味の理解と判断力を意識するのが合格への近道です。

④ Assistant Data Scientist（見習い）に求められるデータエンジニアリング力

Source: pages\ds\skilllevel-2023-assistant-ds-dataengineering.md
Permalink: /ds/skilllevel-2023-assistant-ds-dataengineering/

④ Assistant Data Scientist（見習いレベル）に求められるデータエンジニアリング力

（スキルレベル定義2023 まとめ）

まず結論

④ Assistant Data Scientist（見習いレベル）に求められるデータエンジニアリング力とは、

データを安全に扱い、必要な形に加工し、正しく取り出せる基礎的なITスキルを持っている状態
です。

大規模システムの設計や高度な分散処理ではなく、

データ構造を理解できる
基本的な加工・抽出ができる
セキュリティの基礎を理解している

ここが求められます。

DS検定リテラシーレベルでも、この土台の理解は重要です。

直感的な説明

イメージとしては、

「分析ができる人」ではなく、「分析できる状態を作れる人」です。

たとえば：

データベースから必要なデータを抽出できる
CSVを加工して集計できる
APIからデータを取得できる
データをクラウドに保存できる

このレベルが④です。

逆に、

データの構造が理解できない
どこからデータを取ればいいかわからない
セキュリティ意識がない

では④には届きません。

定義・仕組み（求められる具体内容）

④レベルのデータエンジニアリング力は、大きく5つに整理できます。

① データ・データベースの基礎理解

構造化データ／非構造化データの判別
論理モデルの理解
ER図・テーブル定義書の理解
SDK・APIの概要理解
クラウドストレージへの保存

DS検定では、

「構造化データとは何か」
「ER図の意味」
「APIの役割」

といった形で問われます。

② 数十万件規模のデータ加工技術

ソート
結合（JOIN）
集計（GROUP BY）
フィルタリング

さらに、

設計書に基づいたプログラム実装

ここでは「超大規模分散処理」ではなく、
一般的な業務データを扱えるレベルが想定されています。

③ 指示のもとでのDB操作

条件を満たすデータ抽出
インポート
レコード挿入
エクスポート
モデルやシステムのテスト実施

DS検定ではSQL問題やデータ抽出の理解がこれに該当します。

④ セキュリティの基礎知識

機密性（Confidentiality）
可用性（Availability）
完全性（Integrity）

いわゆる CIAの3要素 の理解です。

さらに、

暗号化
認証
認可
マルウェアや改ざんの脅威理解

近年の試験では、ここは重要分野です。

⑤ AI活用のためのITスキル

学習済みモデルのAPI活用
プロンプトエンジニアリング
クラウド上の統合開発環境での分析実行

最近は「生成AIをどう使うか」も含まれます。

どんな場面で使う？

実務では、

データ抽出
データ前処理
データ保存
API連携
セキュリティ対応

といった場面で使います。

DS検定では、

データ形式の違い
SQLの理解
セキュリティ3要素
APIの役割
クラウド活用

などが問われます。

よくある誤解・混同

❌ データエンジニア＝インフラ専門家
→ ④レベルは基礎理解と基本操作が中心です。

❌ Pythonが書ければ十分
→ データ構造・DB理解がなければ不十分です。

❌ セキュリティは別分野
→ データ活用とセットで必須知識です。

まとめ（試験直前用）

④ Assistant Data Scientist（見習い）のデータエンジニアリング力は、

データ構造を理解できる
基本的な加工・抽出ができる
セキュリティの基礎を理解している
APIやクラウドを使える

DS検定では、

「データの扱い方」＋「安全性の理解」

が中心に問われます。

高度な分散処理ではなく、
基礎を正しく理解しているかどうかが判断ポイントです。