---
title: "データサイエンティスト・ビジネスアナリスト・エンジニアの役割整理【G検定対策】"
description: "データサイエンティスト・ビジネスアナリスト・エンジニアの役割整理について、G検定で問われるAI・機械学習分野の観点から、基本的な意味、代表モデル・手法との関係、試験で問われやすい判断軸を整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/roles-in-ml/"
section: "gk"
---

## まず結論
- **データサイエンティスト**は「モデル・分析担当」  
- **ビジネスアナリスト**は「業務要件・課題定義担当」  
- **エンジニア**は「実装・運用担当」  
- G検定では「**誰が何をするか**」を正確に区別できるかが問われる。

## 直感的な説明
機械学習プロジェクトを「料理」に例えると、

- ビジネスアナリスト：  
  👉 **何を作るか決める人（注文・目的）**
- データサイエンティスト：  
  👉 **レシピを考える人（分析・モデル）**
- エンジニア：  
  👉 **安定して提供する人（調理・提供）**

👉 **全員そろわないと、プロジェクトは回らない。**

## 定義・仕組み
### データサイエンティスト（Data Scientist）
- データ分析・特徴量設計
- 機械学習モデルの構築・評価
- 精度改善・モデル選定

👉 **「どうやって予測するか」を考える人**

---

### ビジネスアナリスト（Business Analyst）
- 業務課題の整理
- 目的・KPIの定義
- モデル結果の業務解釈

👉 **「そもそも何を解決したいのか」を決める人**

---

### エンジニア（Engineer）
- システム実装
- モデルのデプロイ
- 運用・監視・自動化

👉 **「現場で使える形にする人」**

## いつ使う？（得意・不得意）
### データサイエンティスト
- 得意：分析・モデル構築
- 不得意：要件定義だけ／運用だけ

### ビジネスアナリスト
- 得意：業務理解・意思決定支援
- 不得意：モデルの細かい実装

### エンジニア
- 得意：安定運用・自動化
- 不得意：業務要件の決定

## G検定ひっかけポイント
G検定では、**役割の入れ替え**を狙ってくる。

### よくあるひっかけ
- ❌ 業務要件を定義 → データサイエンティスト  
- ❌ モデル精度の評価 → ビジネスアナリスト  
- ❌ 運用監視 → データサイエンティスト  

### 正しい判断基準
- **業務・目的・KPI** → ビジネスアナリスト  
- **分析・モデル・精度** → データサイエンティスト  
- **実装・運用・自動化** → エンジニア  

### MLOpsとの関係
- MLOpsは **この3者の協業を前提とした考え方**
- 特に **ビジネスアナリストが重要** とされやすい

## まとめ（試験直前用）
- 課題を決める → **ビジネスアナリスト**
- モデルを作る → **データサイエンティスト**
- 使える形にする → **エンジニア**
- MLOpsはこの3者の連携を重視
- **「営業」「セールス」は選ばない**