「データから価値を引き出す」。言葉にすると簡潔ですが、この仕事が世界中で求められるようになるまでには、統計学、コンピュータサイエンス、ビジネスの3つの領域が交差する長い歴史がありました。2012年、Harvard Business Reviewが「21世紀で最もセクシーな職業」と呼んだデータサイエンティストは、いまやあらゆる産業のデータ駆動型意思決定を支える存在です。本記事では、データサイエンティストの成り立ちと誕生の必然性から、2008年以降のパラダイムシフト、業務委託の報酬相場、スキルロードマップ、そしてリモートワークとの相性までを体系的にまとめています。

データサイエンティストの業務委託とは、企業のデータ分析・機械学習モデル構築・意思決定支援などをフリーランスとして請け負う働き方です。経済産業省「IT人材需給に関する調査」（2019年）では、2030年にデータサイエンス等の先端IT人材が最大約54.5万人不足すると試算されており¹、業務委託によるデータサイエンティストへの需要は拡大傾向にあります。

1. データサイエンティストとは何か——定義・歴史と誕生の必然性

1-1. 「データサイエンティスト」という職種はいつ定義されたのか

データサイエンティストという仕事の中身は、ある日突然生まれたものではありません。統計学（19世紀〜）、データ分析（20世紀〜）、機械学習・AI（1990年代〜）といった複数の専門領域が長い時間をかけて積み重なり、それらを横断的に扱う役割が必要になった——その役割に「データサイエンティスト」という名前がついたのが、2008年前後のことです。

名付け親として知られるのは、LinkedInのデータ責任者だったDJ Patil氏と、Facebookの分析担当だったJeff Hammerbacher氏です。両氏は「自分たちの仕事を表す既存の肩書きがない」という課題に直面し、統計学者でもソフトウェアエンジニアでもない、新しい職種名として「Data Scientist」を使い始めました²。

つまり、2008年に起きたのは「職種の誕生」ではなく「職種の定義」です。統計学、機械学習、ソフトウェアエンジニアリング、ビジネス分析——これらの領域を横断する実務はすでに存在していました。しかし、それを包括的に表す言葉がなかった。DJ Patil氏とJeff Hammerbacher氏が行ったのは、すでに存在していた仕事に名前を与え、1つの職種として社会に認知させたことです。

世の中では「データサイエンティスト＝AIを作る人」という認識が広がっています。しかし、本質はもう少し手前にあります。データから事業の意思決定を変える人。それがデータサイエンティストです。

この職種が広く注目を集めた転換点は、2012年のHarvard Business Review誌の記事でした。Thomas H. Davenport氏とDJ Patil氏が「Data Scientist: The Sexiest Job of the 21st Century」と題した論文を発表し、データサイエンティストの社会的認知が一気に広がりました³。2015年にはDJ Patil氏がアメリカ初の「チーフデータサイエンティスト」としてホワイトハウスに就任しています。

以下の年表は、データサイエンスの土台となる学問の蓄積から、職種の定義、そして現在の生成AI時代に至るまでの変遷を時系列で整理したものです。「データサイエンティスト」という呼び名は2008年前後に登場しましたが、その土台は19世紀の統計学にまで遡ります。この長い積み重ねを知ることで、いま求められているスキルの全体像が見えてきます。

【データサイエンティスト誕生までの歴史年表】

年	出来事	意義
19世紀〜	統計学の発展（ガウス、ピアソン、フィッシャーら）	データサイエンスの数理的基盤が形成される。正規分布・最小二乗法・仮説検定など、現代のデータ分析に直結する理論が確立された
1990年代〜	機械学習・AI研究の実用化が進む	パターン認識・予測モデリングが産業応用され始める。サポートベクターマシン（SVM）やニューラルネットワークの研究が活発化
2001年	William S. Cleveland「Data Science: An Action Plan」発表	統計学の拡張としてデータサイエンスの概念を提唱。6つの分野領域（多分野向け応用・ツール開発等）を体系化した先駆的論文
2006年	Hadoop登場、AWS開始	大量データの分散処理とクラウド基盤が実用化。ビッグデータ時代到来の技術的インフラが整い、安価な大規模データ処理が可能になった
2008年頃	DJ Patil（LinkedIn）・Jeff Hammerbacher（Facebook）が「Data Scientist」の呼称を広める	既存の横断的な役割に名前がつき、職種として社会的に定義される。統計・エンジニアリング・ビジネスを横断する新職種の誕生
2012年	Harvard Business Review「最もセクシーな職業」記事 / AlexNet登場（ImageNet精度28→16%へ改善）	社会的認知の拡大と深層学習の実用化が同時に進行。AIによる画像認識精度の劇的な向上が産業応用への道を開いた
2013年	一般社団法人データサイエンティスト協会設立（日本）	日本におけるスキル定義の標準化が開始。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の3領域が公式に定義される
2015年	DJ Patilが米国初のチーフデータサイエンティストに就任	政府レベルでのデータ活用が本格化。データサイエンスが国家政策の中核に位置づけられた歴史的転換点
2019年	経済産業省「IT人材需給に関する調査」公表	2030年に先端IT人材が最大約54.5万人不足すると試算。データサイエンティスト不足が国家課題として明示される
2023年〜	生成AI（LLM）の急速な普及（ChatGPT等）	データサイエンティストの役割がAIの設計・運用・評価へと拡張。RAGやファインチューニングを扱う専門性が高単価案件の条件に

1-2. なぜデータサイエンティストが必要になったのか——3つの構造変化

データサイエンティストが職種として定義された背景には、3つの構造変化が同時に起きたことがあります。従来の統計学者やアナリストではカバーしきれない領域が生まれた理由を、順に見ていきます。

この3つが重なったことで、「統計学がわかるだけ」「プログラミングができるだけ」「ビジネスがわかるだけ」ではなく、3つの領域を横断的に扱える新しい役割が求められるようになりました。2008年前後にその役割に名前がついたのは、偶然ではなく必然だったと言えます。

1-3. 2008年以降のパラダイムシフト——市場価値が変わった4つの転換点

データサイエンティストが職種として定義された2008年以降、この仕事の市場価値は一定ではなく、技術と市場の変化に応じて段階的に拡張されてきました。以下の4つの転換点が、データサイエンティストに求められるスキルセットと報酬水準を大きく変えています。

この変遷を振り返ると、データサイエンティストという職種は1つの固定的な役割ではなく、時代ごとに求められる中身が変わり続ける「進化する職種」であることがわかります。以下の表は、各フェーズで何が起き、どのようなスキルの市場価値が高まったかを整理したものです。業務委託で参画する際も、現在のフェーズが求めるスキルセットを理解しておくことが報酬水準に直結します。

【2008年以降のパラダイムシフト——4つの転換点と求められるスキル】

フェーズ	時期	何が起きたか	市場価値が高まったスキル
第1期：ビッグデータ時代	2008〜2013年頃	SNS・EC・ログデータの爆発的増加。Hadoop・MapReduceによる分散処理が実用化。データ量が手作業では処理できない規模に到達し、「データエンジニア」と「データアナリスト」の役割分担が始まる	大規模データの処理・集計（Hadoop、Hive）、SQLの高度な運用、統計分析、データウェアハウス設計
第2期：機械学習実装期	2014〜2018年頃	scikit-learn・XGBoost・LightGBMの普及。Kaggleコンペティションの活性化により実践的スキルの習得経路が整備。「データから予測モデルを作る」ことが企業のビジネスプロセスに組み込まれ始める	機械学習モデルの構築・評価、特徴量エンジニアリング、PythonによるML実装、モデル解釈性（SHAP等）
第3期：MLOps・本番運用期	2019〜2022年頃	「モデルを作る」だけでなく「本番環境で安定運用する」ことが求められるように。MLflow・Kubeflow・Vertex AI等のMLOps基盤が登場。データ基盤設計（dbt、Snowflake）の需要も急拡大	MLOps設計・構築、データパイプライン構築、クラウドインフラのデータ系サービス、データメッシュ設計
第4期：生成AI・LLM期	2023年〜現在	ChatGPT（2022年末）を皮切りに大規模言語モデル（LLM）が急速に普及。RAG、ファインチューニング、プロンプトエンジニアリング等、LLMを業務に組み込む案件が急増。AI活用の専門家としての需要が急拡大	LLMの設計・運用（RAG、ファインチューニング）、ベクトルDB、AIエージェント設計、プロンプトエンジニアリング

第1期（2008〜2013年）：ビッグデータ時代では、データを「集めて処理する」こと自体に価値がありました。HadoopやHiveを扱えるエンジニアが希少であり、大量のログデータをSQLで集計してレポーティングできるだけで高い市場価値がありました。

第2期（2014〜2018年）：機械学習実装期に入ると、「集めたデータで予測する」ことが求められるようになりました。scikit-learnやXGBoostを使った予測モデルの構築、Kaggleコンペティションでの実績が市場価値に直結した時期です。「データサイエンティスト」という肩書きの需要が最も急速に拡大したのもこのフェーズです。

第3期（2019〜2022年）：MLOps・本番運用期では、「モデルを作れる」だけでは足りなくなりました。作ったモデルを本番環境にデプロイし、継続的にモニタリング・改善するMLOpsの設計力が高単価案件の条件になりました。データ基盤設計（dbt、Snowflake、BigQuery）の需要もこの時期に急拡大しています。

第4期（2023年〜現在）：生成AI・LLM期は、ChatGPTの登場をきっかけに始まったフェーズです。RAG（Retrieval Augmented Generation）アーキテクチャの設計、社内データを活用したLLMのファインチューニング、AIエージェントの構築など、従来のデータサイエンスの範囲を超えた案件が急増しています。このフェーズのスキルを持つデータサイエンティストは、業務委託市場で特に高い報酬水準で取引されています。

重要なのは、各フェーズのスキルは上書きされるのではなく積み重なっているということです。第4期のLLM案件であっても、第1期のSQL力、第2期の機械学習の基礎、第3期のMLOpsの知見はすべて前提として求められます。パラダイムシフトのたびにスキルセットが「拡張」されてきたのが、この職種の特徴です。

1-4. 公式な定義と求められるスキルセット

日本におけるデータサイエンティストの定義として参照されるのが、一般社団法人データサイエンティスト協会（略称：DS協会）が定めたスキル定義です⁴。DS協会は、データサイエンティストに求められるスキルを以下の3領域に分類しています。

この3つの力が交差するところに、データサイエンティストの仕事があります。単にモデルを作れるだけでは足りません。ビジネスの文脈を理解し、データを整え、分析結果を意思決定につなげる。その全体を設計できる人材が求められています。

IPA（独立行政法人 情報処理推進機構）の「DX白書2023」でも、DX推進におけるデータサイエンティストの不足が指摘されており、企業規模を問わずデータ活用人材の確保が課題とされています⁵。では、実際にデータサイエンティストとして業務委託で参画する場合、どの程度の報酬が見込めるのでしょうか。

2. 業務委託の報酬相場と案件傾向

2-1. 月額単価の相場（全体）

データサイエンティストの業務委託案件における月額報酬は、編集部調べ（2025年時点、複数のエージェントの公開案件情報を横断分析）によると、中央値で月額75万〜90万円程度です。Remoguの報酬参考情報⁶と照らし合わせても、データ分析・機械学習関連の案件はエンジニア職種全体の中でも高単価帯に位置しています。

ただし、報酬は専門領域・経験年数・稼働率によって幅があります。データの前処理やBIツールの運用が中心の案件と、MLOps基盤の設計やLLMの実装を担う案件では、求められるスキルも報酬レンジも大きく異なります。

2-2. 経験年数別の単価目安

業務委託のデータサイエンティスト案件では、経験年数とスキルの深さが報酬に直結します。以下の表は、編集部が複数の公開案件情報を分析し、経験年数帯ごとの報酬レンジと主な業務内容を整理したものです。実際の単価はクライアントの業種や案件の難易度、稼働率によって変動しますが、おおよその目安として参考にしてください。

【データサイエンティスト 経験年数別の月額報酬目安と業務内容】

経験年数	月額報酬（目安）	主な業務内容
1年未満	45万〜60万円	データクレンジング・前処理、可視化（Tableau・Looker等）、BIレポート作成、SQLによる集計。Python（pandas・NumPy）を使ったデータ操作と基本的な統計量の算出。社内向けダッシュボードの整備補助なども担当
1〜3年	60万〜85万円	scikit-learnやLightGBMを用いた機械学習モデルの構築・評価・チューニング、A/Bテスト設計・実行、分析基盤の運用管理。グロースチームへの分析支援や施策立案サポートを単独で担えるレベル
3〜5年	85万〜110万円	MLOps設計・構築（MLflow・Vertex AI等）、レコメンドエンジン・需要予測モデルの開発、データ戦略の立案。Snowflake・BigQueryなどのクラウドDWH設計、dbtによるデータ変換ロジックの実装。経営層への報告を単独で担える水準
5年以上	110万〜150万円超	AI/MLプロジェクトのリード、LLMファインチューニング・RAGアーキテクチャ設計、データメッシュ・レイクハウスの構築。データエンジニア・MLエンジニアのマネジメントや、CDO（最高データ責任者）補佐として組織全体のデータ戦略を担う

出典：編集部調べ（2025年時点）、Remoguコラム「エンジニア報酬の実態」⁶参照

2-3. 高単価案件の特徴

月額110万円を超える高単価帯の案件には、共通する特徴があります。

第一に、ビジネスインパクトの大きさです。売上予測モデル、顧客離反予測、需要予測など、経営判断に直結する分析を担う案件は報酬が高い傾向にあります。第二に、MLOpsやデータ基盤設計など「仕組みを作る」スキルが求められる案件です。モデルを1つ作るだけでなく、継続的にモデルを改善・運用するパイプラインを設計できるエンジニアは、クライアントにとって代えがたい存在です。

第三に、生成AI（LLM）関連の案件です。2023年以降、大規模言語モデルの活用案件が急増しており、RAG（Retrieval Augmented Generation）やファインチューニングの経験を持つデータサイエンティストへの需要は特に高まっています。報酬の水準がわかったところで、次に確認すべきは「どのようなスキルを積み上げれば、その報酬帯に到達できるのか」です。

3. スキルレベル別ロードマップ——初心者からエキスパートまで

データサイエンティスト協会のスキル定義⁴を参考に、業務委託案件で求められる技術スペックを4段階に整理しました。

3-1. 初級（経験1年未満）：基礎固め

Pythonの基本文法、pandas・NumPyによるデータ操作、matplotlibやseabornによる可視化が最初の一歩です。SQLでのデータ抽出は業務委託案件でもほぼ必須のスキルです。統計学の基礎（記述統計、推測統計、仮説検定）を理解し、BIツール（Tableau、Lookerなど）でレポートを作成できるレベルを目指します。

この段階では、分析の「型」を身につけることが重要です。データを受け取り、前処理し、集計・可視化し、結果を報告する。この一連のフローを自走できることが、業務委託の入口になります。

3-2. 中級（経験1〜3年）：実践力向上

scikit-learnを用いた教師あり学習（回帰・分類）と教師なし学習（クラスタリング）の実装経験が求められます。加えて、特徴量エンジニアリング、モデルの評価指標（AUC、RMSE、F1スコアなど）の理解、A/Bテストの設計・実行が中級のコアスキルです。

Dockerによる分析環境の構築、GCPやAWSのデータ関連サービス（BigQuery、SageMakerなど）の基本操作もこの段階で身につけておくと、案件の選択肢が広がります。

3-3. 上級（経験3〜5年）：専門性の確立

深層学習（TensorFlow/PyTorch）、自然言語処理、画像認識、時系列分析のいずれかで専門領域を持つことが、上級への条件です。MLOps（MLflow、Kubeflow、Vertex AIなど）を用いたモデル運用パイプラインの設計・構築ができると、高単価帯の案件にマッチしやすくなります。

また、分析結果を経営層に伝えるコミュニケーション力もこの段階で重要性が増します。技術的な正確さと、意思決定者にとってのわかりやすさを両立させる力が求められます。

3-4. エキスパート（経験5年以上）：市場価値の最大化

エキスパートには、データ組織全体の設計やAI戦略の立案が求められます。LLMのファインチューニング、RAGアーキテクチャの設計、データメッシュやデータレイクハウスの構築など、最新のアーキテクチャを実務で運用した経験が差別化要因になります。

以下の表は、各スキルレベルで業務委託案件に参画する際に求められる技術スペックの目安を整理したものです。これはデータサイエンティスト協会のスキル定義や実際の案件要件をもとに編集部が作成した参考例であり、すべてを満たす必要はありません。自身の強みと案件要件の照合にご活用ください。

【スキルレベル別 技術スペック対応表】

カテゴリ	初級	中級	上級	エキスパート
プログラミング	Python基礎（pandas・NumPy）、SQL	Python応用、R、Git、正規表現	Scala/Spark、CI/CD、コードレビュー	アーキテクチャ設計、コードレビュー体制の構築、OSS貢献
統計・ML	記述統計、推測統計、仮説検定の基礎	回帰・分類・クラスタリング、モデル評価指標	深層学習（TF/PyTorch）、NLP/CV、因果推論の基礎	LLMファインチューニング、因果推論、ベイズ最適化
エンジニアリング	BIツール（Tableau等）、Excel/Googleスプレッドシート	Docker、クラウド基礎（GCP・AWS）、Jupyter	MLOps（MLflow・Vertex AI）、データ基盤設計（dbt・Snowflake）	データメッシュ、レイクハウス構築（Databricks等）、RAGシステム設計
ビジネス	レポート作成、データ可視化、基本的なプレゼン	A/Bテスト設計・評価、KPI設計補助	KPI設計、経営層報告、データ戦略の立案補佐	AI戦略立案、データ組織設計、経営会議での意思決定支援

技術スペックを積み上げることは重要です。しかし、業務委託で成果を出すためには、ハードスキルだけでは足りない領域があります。

4. 業務委託で成果を出すソフトスキルと素質

4-1. 3つのソフトスキル——技術力の「隣」にあるもの

データサイエンティストの業務委託では、分析モデルを作ること自体は仕事の一部に過ぎません。クライアントの課題を正しく理解し、分析結果を意思決定につなげ、プロジェクトを前に進める力が求められます。以下の3つは、技術力と同等に重要なソフトスキルです。

以下の表は、ハードスキルとソフトスキルの関係を整理したものです。業務委託で長期的にクライアントから信頼を得るためには、技術力だけでなく、ソフトスキルの成熟度が重要な要素になります。どちらかに偏るのではなく、両方を段階的に伸ばしていく意識が、市場価値の向上につながります。

【ハードスキルとソフトスキルの対応関係】

業務場面	ハードスキル（技術力）	ソフトスキル（実務遂行力）
課題定義	SQL・Pythonでデータを探索的に分析し、課題の輪郭を可視化する	クライアントの曖昧な相談を分析可能な問いに変換し、解くべき優先課題を合意する
分析・モデリング	機械学習モデルの構築・評価・チューニング（AUC・RMSEによる評価）	A/Bテストや因果推論で「正しく検証する」設計を行い、結果の解釈に潜むバイアスを排除する
結果の伝達	可視化ツール（Tableau・Looker等）でグラフ・ダッシュボードを作成する	経営層が意思決定できる形で分析結果を伝え、「だから何をすべきか」まで提言する
プロジェクト推進	Git・Docker・CI/CDで開発環境を管理し、再現性を担保する	関係者との認識合わせ、スケジュール管理、要件の優先順位づけを主体的に行う

4-2. データサイエンティストに向いている人の素質

技術やスキルは学習で伸ばせます。一方で、以下の素質は後天的に身につけにくい部分であり、データサイエンティストとして充実感を持って働けるかどうかの分かれ目になります。

スキルと素質の両面を理解したところで、次はデータサイエンティストが実際にどのようなプロダクトやサービスで活躍しているのかを見ていきます。

5. データサイエンスが支えるプロダクトとサービス

5-1. 世界的サービスの事例

データサイエンスは、私たちが日常的に使うサービスの裏側で静かに動いています。

Netflixのレコメンドエンジンは、視聴履歴と数百の特徴量を組み合わせた協調フィルタリングとコンテンツベースの推薦を併用し、ユーザーごとにパーソナライズされた作品を提案しています。Spotifyの「Discover Weekly」も同様に、音声特徴量と聴取パターンのデータを機械学習で分析し、毎週新しいプレイリストを自動生成しています。

Uberのダイナミックプライシングは、リアルタイムの需給データを用いた価格最適化モデルです。Amazonの商品レコメンドは、購買履歴と閲覧履歴を組み合わせたアイテムベースの協調フィルタリングが基盤になっています。

5-2. 日本国内の活用事例

日本でもデータサイエンスの活用は広がっています。フリマアプリのメルカリでは、出品商品の画像認識による自動カテゴリ分類や、不正検知にデータサイエンスが使われています。リクルートグループでは、マッチングの精度向上、旅行サービスの需要予測、飲食店のレコメンドなど、グループ横断でデータ活用が進んでいます。

金融業界でも、信用スコアリング、不正取引検知、ポートフォリオ最適化にデータサイエンティストが参画するケースが増えています。製造業では、設備の予知保全（Predictive Maintenance）や品質管理への機械学習の適用が進んでおり、業種を問わずデータサイエンティストの活躍の場は広がっています。

5-3. なぜデータサイエンティストが選ばれるのか

データサイエンティストが業務委託で求められる背景には、正社員だけでは対応しきれないプロジェクト型の需要があります。以下の表は、業界ごとのデータサイエンス活用領域と、業務委託で参画するケースが多い業務を整理したものです。特定のプロジェクト期間に専門スキルを集中投入する業務委託は、企業にとっても合理的な選択肢になっています。

【業界別 データサイエンス活用領域と業務委託で多い業務】

業界	主なデータサイエンス活用領域	業務委託で多い業務
EC・小売	レコメンド、需要予測、在庫最適化、顧客LTV予測	レコメンドエンジン構築、購買データ分析、マーケティングミックスモデリング、価格最適化モデルの設計・評価
金融	信用スコアリング、不正検知、リスク管理、ポートフォリオ最適化	機械学習モデルの開発・評価・運用、データ基盤設計、規制対応（モデルの説明可能性確保）
製造	予知保全、品質管理、生産最適化、工程異常検知	時系列分析・異常検知モデルの構築、センサーデータのパイプライン設計、品質予測システムの実装
ヘルスケア	画像診断支援、治験データ分析、患者リスク予測	深層学習モデル開発（医療画像認識）、自然言語処理（電子カルテ解析）、臨床データの統計分析
広告・マーケティング	顧客セグメンテーション、LTV予測、広告効果測定	A/Bテスト設計・評価、アトリビューション分析、マーケティングミックスモデリング（MMM）の実装

データサイエンスの仕事は、コードとデータがあれば場所を選びません。この特性は、リモートワークとの相性に直結します。

6. リモートワークとデータサイエンティストの相性

6-1. リモート対応率の背景

データサイエンティストの業務は、データへのアクセス環境さえ整えば物理的なオフィスに依存しません。クラウド上のデータ基盤（BigQuery、Snowflake、Redshiftなど）を介した分析、Jupyter NotebookやVSCodeによるリモート開発、SlackやZoomを用いたクライアントとの協議——これらはすべてオンラインで完結します。

総務省「令和5年通信利用動向調査」（2024年公表）によると、テレワークを導入している企業の割合は49.9%であり、情報通信業では9割超の導入率を示しています⁷。データサイエンスの案件は情報通信業に限らず、金融・製造・小売などリモート対応が進んだ業界にも広がっており、業務委託でフルリモートまたはハイブリッドの働き方を選べる案件は増加傾向にあります。

6-2. フルリモートで働くデータサイエンティストの実態

Remoguの公開案件3,790件のうちフルリモート案件は1,428件です。データサイエンス関連の業務委託案件もこの中に含まれており、地方在住のデータサイエンティストが東京のスタートアップやメガベンチャーの案件にリモートで参画するケースも珍しくありません。

テレリモ総研（株式会社LASSIC運営）の調査でも、リモートワーク経験のあるIT人材が「通勤時間の削減」と「生産性の向上」を実感しているという結果が報告されています⁸。データサイエンティストにとって、集中してデータと向き合える環境は、分析の質そのものに影響します。場所を自分で選べることは、仕事の成果にもつながります。

7. まとめ

データサイエンティストとしてのスキルは、場所に縛られるものではありません。自分の手で分析し、自分の言葉で提案する。その力があれば、働く場所は自分で決められます。

8. よくある質問（FAQ）

参照元

1. 経済産業省「IT人材需給に関する調査」（2019年3月公表）

2. Harvard Business Review「Data Scientist: The Sexiest Job of the 21st Century」Thomas H. Davenport, DJ Patil（2012年10月）

3. 同上

4. 一般社団法人データサイエンティスト協会 公式サイト

5. IPA（独立行政法人 情報処理推進機構）「DX白書2023」

6. Remoguコラム「エンジニア報酬の実態 2024年版」

7. 総務省「令和5年通信利用動向調査」（2024年公表）

8. テレリモ総研（株式会社LASSIC運営）

9. IDC「Global DataSphere Forecast, 2021–2025」（2018年公表）

10. 経済産業省「DXレポート〜ITシステム「2025年の崖」の克服とDXの本格的な展開〜」（2018年9月公表）