【データ職の違い】データエンジニアとデータサイエンティストの仕事・技術の比較と選び方
監修・編集責任者:牛尾 昭昌(株式会社LASSIC 執行役員)

📘 この記事でわかること
- データエンジニア、データサイエンティスト、機械学習エンジニアが担う工程と成果物の違いと、呼び名が重なる場面
- Remogu掲載のフルリモート案件での職種区分と技術の順位と、そこから読める案件の探し方
- 自分の経験がどの職種に近いかを確かめる問いと、棚卸しから名乗る職種と案件の一覧を選ぶ手順
スキルシートの職種欄の前で、手が止まっていませんか。SQLで集計基盤を作り、Pythonで需要予測のモデルも組み、その定期実行まで見てきたのに、「データエンジニア」と「データサイエンティスト」のどちらを書けばよいのか決められません。名乗る職種を誤ると、合う案件を見落とすのではないかと不安にもなります。データ職の違いは、名前ではなく、データのどこを担ったかで決まります。
▶ あわせて読みたい
・データエンジニアが独立するなら何を売る?仕事の単位とデータの扱いの判断基準
・機械学習の案件は運用が中心になる|作った後に任される範囲と条件を整理
・エンジニアのスキル棚卸し|公的な枠組みで強みを言語化する5つのステップ
1. データエンジニアとデータサイエンティストの違いの全体像
違いは担う工程にある
データエンジニアとデータサイエンティストの違いは、データのどの工程を担うかで、おおむね分かれます。データは集めて整え、分析し、サービスや業務の中で動かします。この流れのどこに自分の手が入ったかを見ると、職種名の違いが輪郭を持ちます。
データサイエンティストについて、厚生労働省の職業情報提供サイト(job tag)は、新たな商品やサービスを生み出したり業務プロセスを革新したりするために、大量に蓄積されたデータ(ビッグデータ)を分析する仕事と解説しています1。分析が中心にある職種です。
ただし、この解説は職業の一般的な説明です。個々の案件が何を求めるかは、募集の業務内容で確かめる必要があります。職種名だけで案件の範囲を決めつけると、自分の経験と合う案件を取りこぼします。
デジタルスキル標準での置かれ方
IPAのデジタルスキル標準 ver.2.0は、「データサイエンティスト」の類型のロールの一つ「データサイエンスプロフェッショナル」を、データ・AIの処理・解析や、その結果の評価等を担うロールとして定義しています2。DXを進める企業の人材育成の標準であり、職種名や契約を決める規定ではありません。
一方、データエンジニアは別の類型「データマネジメント」のロールです。責務として、データの現状を把握したうえで、収集・統合・加工・提供などの各プロセスでのデータ整備、前処理の実施、データパイプラインの設計・実装が挙げられています2。
類型が分かれていることは、2つの職種を工程の違いで比べる裏づけになります。データサイエンティストの上や下にデータエンジニアが置かれているわけではなく、並びは担う工程の違いです。機械学習エンジニアは、モデルを実装してサービスで動かす側と見ると、実装・運用の工程に置けます。
図の作成:Remogu編集部。3職種の担当範囲を整理したもので、統計データではありません
工程の境目では、2つの職種の経験が重なります。では、3つの職種を同じ観点で並べると、何が見えるでしょうか。
2. 3職種の比較表

担う工程と成果物の違い
表1は、データエンジニア、データサイエンティスト、機械学習エンジニアを、担う工程、使う技術の例、主な成果物、求められる経験の例で並べています。工程の列は、データエンジニアならデータの収集から加工、パイプラインの設計・実装まで、データサイエンティストなら分析の目標を決め、データを分析し、結果を評価するところまでです。PythonとSQLはどの職種にも出てくるため、技術名では分けにくく、成果物の違いが手がかりになります。
| 職種 | 担う工程 | 使う技術の例 | 主な成果物 | 求められる経験の例 |
|---|---|---|---|---|
| データエンジニア | データの収集・統合・加工と、データパイプラインの設計・実装2 | SQL、Python、ワークフロー管理、クラウドのデータ基盤 | パイプライン、整備されたデータ | 定期実行のデータ処理を作り、止まったときに直した経験 |
| データサイエンティスト | 業務の責任者へのヒアリングで分析の目標を決め1、データを分析し1、結果を評価する2 | SQL、Python、統計の手法 | 分析の結果と、それに基づく提案・モデル | 分析の問いを業務の言葉で立て、結果を説明した経験 |
| 機械学習エンジニア | 機械学習のモデルを実装し、サービスで動かす | 機械学習の手法、Python3 | 動くモデルと、その更新の仕組み | モデルを本番に載せ、精度の変化を見てきた経験 |
参照した資料の番号のないセルは書き手の見立てで、案件によって変わります。
出典のある項目の読み方
job tagのデータサイエンティストの解説では、仕事の流れは、分析の対象となる業務の責任者にヒアリングを行い、分析の目標を決めるところから始まります1。これは流れの最初の段階です。データサイエンティストの仕事がヒアリングだけで終わるという意味ではありません。
job tagのAIエンジニア(機械学習のエンジニア)の解説では、ディープラーニングやその他の機械学習の手法に精通していること、Pythonなどを使いこなせることなどが求められると解説しています3。この要件は機械学習のエンジニアについての記載で、ほかの2職種にそのまま当てはめるものではありません。
経験の列は、スキルシートに書く実績の単位として並べた見立てです。パイプラインを止めずに回した経験、分析の問いを業務の言葉で立てた経験、モデルを本番に載せた経験は、書く場所が職種ごとに違います。
比較表を見ても、自分の経験がどの行に当たるか決めきれないことがあります。Remoguでは、経験豊富なエージェントが、これまでの経験の棚卸しからお手伝いします。
自分の経験に近い職種のリモート案件を見てみる →
3. Remogu掲載のフルリモート案件での順位
職種区分と技術の順位
Remogu(株式会社LASSIC運営)は、リモートワーク案件特化のエンジニアマッチングで、案件の90%以上がフルリモート可能です。ここでは、2026年10月時点のRemogu掲載のフルリモート案件で、職種区分・技術ごとの数を比べた順位を見ます。公開している案件は扱う案件の一部なので、市場全体の順位ではありません。
表2は、データ職に近い2つの職種区分と、2つの技術を取り上げています。職種区分の順位は14区分の中での並び、技術の順位は技術の中での並びで、別々に数えたものです。そのため、種別の列を分けて、職種区分と技術を同じ並びで比べないようにしました。
| 種別 | 区分 | 2026年10月時点の順位 | どんな案件で多いか(見立て) | Remoguの一覧 |
|---|---|---|---|---|
| 職種区分 | AI/LLM/機械学習エンジニア | 14区分中7位 | 機械学習のモデルを作り、サービスに組み込む案件 | 一覧を見る |
| 職種区分 | データサイエンティスト | 14区分中11位 | 分析の問いを立て、結果を説明する案件 | 一覧を見る |
| 技術 | Python | 技術の中で3位 | 分析からデータ処理、モデルの実装まで幅広い案件 | 一覧を見る |
| 技術 | SQL | 技術の中で4位 | データの抽出や集計が業務に入る案件 | 一覧を見る |
「どんな案件で多いか」の列は書き手の見立てで、順位の理由を断定するものではありません。
順位から読める探し方
Remoguの職種区分には、「データエンジニア」という区分がありません(2026年10月時点)。区分が無いだけで、案件の多い少ないを示すものではありません。データ基盤の経験は、PythonやSQLの一覧からも探すと、拾える案件が広がります。
機械学習の区分が7位に入っていることからは、モデルを作るだけでなく、サービスに組み込む案件が掲載されていると読めます。理由までは断定できませんが、機械学習エンジニアの経験は、モデルの実装から運用まで通して書くと、一覧の案件と照らしやすくなります。
PythonとSQLは、3職種のどれでも使う技術です。そのため、技術の一覧は職種を決めきれないときの入口になります。一覧で案件の業務内容を読むと、同じ技術でも工程の担当が違う案件が並んでいると気づけます。
4. 呼び名が重なるところ
資料でも揺れる職種の範囲
job tagのAIエンジニアの解説は、ビッグデータを分析するデータサイエンティストをAIエンジニアに含める場合もある、と断ったうえで、狭義のAIエンジニアである機械学習のエンジニアを解説しています3。公的な資料でも、呼び名の範囲は揺れています。
データサイエンティストのタスクにも、他のデータエンジニアやプロダクト開発チームと打ち合わせをする、という項目が挙がっています1。これはタスクの一覧の一項目で、分担の決まりではありません。それでも、分析の仕事がデータの整備や開発と接していることは読み取れます。
図の作成:Remogu編集部。3職種の重なりを整理したもので、統計データではありません
名前より業務内容で確かめる
呼び名が資料でも現場でも揺れるなら、案件の中身は職種名ではなく、募集の業務内容で確かめます。たとえば、データの前処理は、分析のための前処理にもモデルの学習用の前処理にもなります。同じ作業でも、どの職種の名前で募集されるかは案件によって変わります。
モデルの定期実行も同じです。パイプラインとして組むのか、モデルの更新の仕組みとして組むのかで、担う職種の呼び名が分かれます。見る箇所は、職種名ではなく、何を作り、何を動かし続けるかという業務の記述です。
では、自分の経験が3職種のどれに近いかは、どう確かめればよいのでしょうか。
5. 自分の経験がどちらに近いかの見極め方

技術名ではなく工程で問う
見極めの出発点は、何の技術を使ったかではなく、データのどの工程を、どこまで自分で決めたかです。PythonとSQLは3つの職種のどれでも使うので、技術名を並べても職種は絞れません。同じSQLでも、集計の基盤を整えるために書いたのか、分析の問いに答えるために書いたのかで、近い職種が変わります。
そこで、経験を問いの形に直しました。実績を1つずつ思い出し、自分で原因を追った、自分で決めた、自分で作った、と言えるものだけを「はい」にします。打ち合わせに加わっただけの工程や、誰かが作ったものを使っただけの工程は、「はい」に数えません。
6つの問いと近い職種
表3は、6つの問いと、「はい」と答えたときに近い職種を並べています。データが届かない場面の原因追跡と、定期実行や監視の仕組みづくりは、データエンジニアに近い問いです。分析の問いを業務の担当者と話して決めることと、結果の数字を判断に使える形で説明することは、データサイエンティストの仕事に近い内容です。モデルを本番に載せて更新の仕組みまで作ることと、精度の変化を見て作り直すことは、機械学習エンジニアの側に入ります。
| 確かめる問い | 「はい」なら近い職種 |
|---|---|
| データが届かない、または壊れたときに、原因を追って直したのは自分か | データエンジニア |
| 分析の問いを、業務の担当者と話して決めたのは自分か | データサイエンティスト |
| 結果の数字を、業務の判断に使える形で説明したか | データサイエンティスト |
| モデルを本番のサービスに載せ、更新の仕組みまで作ったか | 機械学習エンジニア |
| 定期実行の処理や監視の仕組みを作ったか | データエンジニア |
| 精度の変化を見て、モデルを作り直したか | 機械学習エンジニア |
表3の問いは書き手の見立てで、公的な資料が定めた区分ではありません。経験によっては、2つの職種の問いに続けて「はい」と答えられます。たとえば、需要予測のモデルを組み、その定期実行の仕組みまで作ってきた場合は、機械学習エンジニアとデータエンジニアの両方に当たります。冒頭の場面で手が止まる経験も、この形です。
「はい」が分かれたときの見方
「はい」が2つの職種にまたがるときは、片方に絞らず、両方の一覧を見ます。「はい」の数が多い職種を主にして、少ない方の一覧も、業務内容を読む対象に加えます。職種名は募集ごとに揺れるので、2つの一覧で業務の記述を見比べるほうが、合う案件を取りこぼしにくくなります。
問いに答えても、どちらの一覧から探すか決めきれないことがあります。一覧を一つずつ見て回る時間が取れない場合もあります。Remoguでは、希望条件を伝えておくと、エージェントが代わりに案件を探して営業します。2つの職種にまたがる経験でも、条件を伝えておけば、一覧を見比べる手間を減らせます。
データ職のリモート案件を一覧で見てみる →
6. 隣の職種へ広げる順番
名乗る前に、案件の中で担う
職種名を広げるのは、隣の工程の実績ができてからにします。今の案件の中で、隣の工程を一部だけ担い、そこで作ったものを書けるようにしてから、名乗る職種に加えます。名前を先に変えると、表3の問いに「はい」と答えられない職種が、スキルシートの先頭に残ります。
図の作成:Remogu編集部。職種どうしのつながりを整理したもので、統計データではありません
図3の矢印は、広げる方向を3本示したものです。どの職種も別の職種より上や下にあるわけではなく、担う工程が隣り合っているだけです。
データエンジニアからの広げ方
データエンジニアの経験は、パイプラインの設計・実装を軸にしています。デジタルスキル標準 ver.2.0は、データエンジニアの責務として、データの現状を把握し、収集・統合・加工・提供などの各プロセスにおけるデータ整備、前処理の実施、データパイプラインの設計・実装を挙げています2。その上で動かす対象にモデルを加えると、機械学習の側へ広がります。
機械学習エンジニアについて、job tagは、ディープラーニングやその他の機械学習の手法に精通していること、Pythonなどを使いこなせることなどが求められると解説しています3。パイプラインの経験はPythonとつながっているので、補うのは手法の側です。すでに動いているモデルの定期実行や再学習の処理を担いながら、手法を学び、実績を重ねます。
データサイエンティストからの広げ方
データサイエンティストの経験からは、2つの道が見えます。1つは、自分のモデルを動かし続ける側へ広げる道です。分析で作ったモデルを、サービスで動かす実装と更新の仕組みまで担うと、機械学習エンジニアの問いに「はい」と答えられる範囲が増えます。
もう1つは、基盤の側へ広げる道です。自分の分析に使うデータの整備を、自分で組み立てて定期的に回す形にすると、データエンジニアの経験につながります。前処理は分析にもモデルの学習にも出てくる作業なので、入り口にしやすい工程です。
では、棚卸しから案件の一覧を選ぶまでを、どの順で進めればよいのでしょうか。
7. 経験の棚卸しから一覧を選ぶ手順
4段で進める順番
手順は4段です。1段目は、経験の棚卸しです。案件ごとに、データのどの工程を、どこまで自分で決めたかを書き出します。技術名ではなく、作ったもの、直したもの、決めたことで書くと、表3の問いに答えやすくなります。
2段目は、表3の問いで近い職種を2つまで絞ることです。3つの職種すべてに「はい」が並んだ場合も、主にする職種と、一覧だけ見る職種に分け、2つに収めます。
3段目は、表2の一覧で案件の業務内容を読みます。見るのは職種名ではなく、何を作り、何を動かし続けるかという記述です。Remoguの職種区分には「データエンジニア」が無いので、データ基盤の経験は、PythonとSQLの一覧も開きます。
4段目は、名乗る職種とスキルシートの書き方をそろえる段です。職種欄の名前と、実績の欄に並べる中身が同じ工程を指していれば、読む側は何を任せられる人なのかを読み取れます。
図の作成:Remogu編集部。選ぶ順番を整理したもので、統計データではありません
スキルシートの書き方をそろえる
職種欄には、主にする職種の名前を1つ書きます。実績の欄には、表3の問いに「はい」と答えた内容を、作ったもの、直したもの、決めたことの順に並べます。隣の職種の実績は、職種名を変えなくても、実績の1行として書けます。たとえば、データエンジニアとして書いたうえで、需要予測のモデルを定期実行する仕組みを作った、と書き添える形です。
棚卸しの手順そのものは、エンジニアのスキル棚卸しの記事で扱っています。この記事は、棚卸しのあとの、職種の選び方に絞りました。
職種欄の前で手が止まったら
冒頭の場面に戻ります。SQLで集計基盤を作り、Pythonで需要予測のモデルも組み、その定期実行まで見てきた人が、職種欄の前で手を止めるのは自然です。3つの職種の問いに、それぞれ「はい」と答えられる経験を持っているからです。
データ職の違いは、名前ではなく、データのどこを担ったかで決まります。担った工程を書き出し、近い職種を絞り、一覧の業務内容を読む。この順に進めれば、名乗る名前は後から決まります。
棚卸しに時間がかかるときや、2つの一覧のどちらから探すか迷うときは、Remoguのエージェントに頼る道もあります。経験豊富なエージェントが、これまでの経験の棚卸しからお手伝いします。希望条件を伝えておくと、エージェントが代わりに案件を探して営業します。
8. よくある質問
データエンジニアと機械学習エンジニアは何が違いますか
データを使える状態にして届けるのがデータエンジニア、モデルを作ってサービスで動かすのが機械学習エンジニアです。デジタルスキル標準 ver.2.0は、データエンジニアの責務にデータパイプラインの設計・実装を挙げています2。
一方、job tagは、機械学習のエンジニアに、機械学習の手法に精通していることとPythonなどを使いこなせることなどが求められると解説しています3。モデルの定期実行は2つの職種が重なる作業で、パイプラインとして組むのか、モデルの更新の仕組みとして組むのかで、募集の呼び名が分かれます。案件ごとに、業務内容で確かめます。
データサイエンティストとデータアナリストは同じですか
同じとも違うとも言い切れません。デジタルスキル標準 ver.2.0では、「データサイエンティスト」の類型の中にもロールが分かれていて、その一つの「データサイエンスプロフェッショナル」は、データ・AIの処理・解析や、その結果の評価等を担うロールとして定義されています2。
データアナリストの定義は、この記事で使った資料には載っていません。書き手の見立てでは、集計や可視化が中心の案件と、モデルの作成まで含む案件が、同じ呼び名で募集される場合があります。呼び名に頼らず、募集の業務内容で確かめます。
経験が両方にまたがる場合、どちらの名前で案件を探せばよいですか
表3で「はい」が多かった方を主にして、職種欄に書く名前にします。もう一方の職種の一覧も開き、業務内容を読みます。
両方の経験を実績の欄に並べておけば、どちらの一覧で見つけた案件にも、同じスキルシートで向き合えます。
リモートワーク案件をお探しの方へ
Remoguは、株式会社LASSICが運営するITエンジニア・デザイナー専門のリモートワーク案件紹介サービスです。フルリモート・ハイブリッドの案件から、スキルに合うものを探せます。
データ職の違いは、名前よりも担ってきた工程で見ると選びやすくなります。経験の棚卸しから相談したい方は、30秒で無料登録してみてください。
会員登録無料 / 案件閲覧・相談は無料
※公開中の案件数は時期によって変わります。記事中の案件の傾向は執筆時点のものです。
出典・参考情報
*1 厚生労働省「データサイエンティスト」(2026年3月31日・2026年10月確認)
*2 独立行政法人情報処理推進機構「デジタルスキル標準 ver.2.0」(2026年4月・2026年10月確認)
*3 厚生労働省「AIエンジニア」(2026年3月31日・2026年10月確認)