データサイエンスは近年、ますます重要度を増しています。19世紀に統計学が確立され、データの収集・分析・解釈が行われるようになると、20世紀にはコンピューターの登場により、飛躍的に発展しました。

今、ビジネス、医療、金融、教育など、さまざまな分野で活用される「データサイエンス」とは何か、データサイエンスの身近な事例、データサイエンティストになるための方法などについてわかりやすく解説します。

データサイエンスとは

データサイエンスとは、大量のデータの中から価値ある情報を抽出することを目的とした学問分野です。主に

などの技術を用いて、データの収集・整理・分析・可視化を行います。

データサイエンスの目的は、データから価値を生み出すことです。データを分析することで、新しい発見や予測ができるため、企業や社会の課題を解決する手助けをすることができます。

データサイエンスは、現代の社会で非常に重要な役割を果たしており、将来的には、ますます需要が高まる分野とされています。

【日本のデジタル人材の育成目標】

ビジネスインテリジェンスとの違い

データサイエンスとビジネスインテリジェンスは、どちらもデータを使ってビジネスを改善する分野ですが、その目的と方法にはいくつかの違いがあります。

現在では、ビジネスインテリジェンスの分野でもAIが活用されています。

AIによって、データサイエンス、ビジネスインテリジェンスの両方の分野で、データの収集、分析、可視化、そしてその結果を活用するプロセスのすべてを自動化することができます。これにより、データサイエンティストは、より複雑なデータ分析に集中することができ、ビジネスアナリストは、より重要なことに集中することができるのです。

今後はAIの活用により、データサイエンスとビジネスインテリジェンスの関係性は、より密接なものになるでしょう。

データ分析との違い

データ分析とは、データから有益な情報を引き出すプロセスです。データ分析は、データサイエンスの一部ですが、データサイエンスよりも比較的技術が低く、ビジネスの現状を把握し、改善策を立案するのに役立ちます。

データサイエンスとデータ分析は、どちらもデータを扱うことを目的とした分野ですが、そのアプローチや目的に違いがあると言えるでしょう。

それぞれの得意分野・不得意分野

データサイエンス、ビジネスインテリジェンス、データ分析の得意分野・不得意分野を表にまとめました。

各分野の得意分野と不得意分野については、個々の専門家や企業によって異なる場合があるため、一概に当てはまるわけではありません。しかし、この特徴を理解したうえで、ビジネスの状況に合わせて、これら３つの分野を組み合わせて使うことが重要です。

次の章では、さらに踏み込んで、データサイエンスのプロジェクト進行について解説します。*1）

データサイエンスのプロジェクト進行について

データサイエンスのプロジェクトは、複雑で時間がかかります。データサイエンスを利用して問題を解決し、目標を達成するためには、一般的に以下のような手順で進めます。

※ただし、プロジェクトによってはステップの順序が異なる場合もあります。

①問題の定義とデータ収集

解決したい問題・目的を明確にします。その後、問題解決に必要なデータを収集します。

問題の定義

問題の定義とは、解決したい問題を明確にし、目的を明確にすることです。問題の定義が曖昧であると、適切なデータ収集や分析を行うことができません。問題の定義を行う際には、次の点に注意してください。

データ収集

データ収集には、以下のような方法があります。

データ収集にあたっては、データ品質やデータセキュリティにも注意する必要があります。

データ収集を行う際には、次の点に注意してください。

問題の定義とデータ収集は、データサイエンスのプロジェクト進行の最も重要なステップです。

 ②データの準備

収集したデータを整形し、分析に適した形に整えます。データの準備を行う際には、次の点に注意してください。

データの準備は、データサイエンスのプロジェクト進行の重要なステップです。具体的には以下のような方法で収集したデータを整形し、分析に適した形に整えます。

データクレンジング

データベースに含まれる不正確なデータや無関係なデータを特定し、修正するプロセスです。データクレンジングを行うことで、データの信頼性を高め、データ分析やデータ活用の精度を向上させることができます。

データ統合

複数の異なるデータソースからデータを収集し、１つのデータセットにして、一元的に管理するプロセスです。データ統合を行うことで、データの重複を排除し、精度を向上させ、データ分析やデータ活用を効率化することができます。

データ変換

データを、分析しやすいように形を変えます。例えば、データの大きさを揃えたり、テキストデータを数値データに変換（＝カテゴリ変数※に置き換える）したりします。

特徴量エンジニアリング

機械学習モデルに入力するデータを、分析しやすい形に変換するプロセスです。特徴量※エンジニアリングを行うことで、機械学習モデルの精度を向上させることができます。

データサンプリング

データ量が多すぎる場合は、ランダムサンプリング※や層別サンプリング※などの方法で、その量を減らすことができます。

これらを行うことで、データのサイズを小さくしたり、データの特徴をよりよく捉えたりすることができます。

データ分割

モデルの学習と評価に用いるために、データセットをトレーニングセット※とテストセット※に分割します。トレーニングセットとテストセットを分ける理由は、機械学習モデルがトレーニングセットに過学習すると、トレーニングセットに含まれるデータにしか対応できなくなるので、これを防ぐためです。

③データの分析

データを可視化し、傾向やパターンを探求します。データの分析には、以下のような手法があります。

④モデルの構築と評価

問題に合ったモデルを選択し、学習させます。その後、学習したモデルを評価し、性能を検証します。 

モデルの構築

機械学習モデルや統計モデルを構築し、モデルのパラメータ調整（後に解説）や特徴量選択などの最適化手法を用いて、モデルの性能を向上させます。

ハイパーパラメータの調整

ハイパーパラメータとは、機械学習のモデルが学習を始める前に設定するパラメータのことを指します。これらのパラメータは学習プロセスを制御し、モデルのパフォーマンスと学習能力に大きな影響を与えます。

一般的には、以下の手順でハイパーパラメータを調整します。

ハイパーパラメータは、モデルがデータから自動的に学習することはできず、人間が手動で調整しなければならない設定値です。そのため、ハイパーパラメータの適切な選択と調整は、機械学習のモデルの精度を向上させるために重要なステップとなります。

モデルの評価

モデルの評価を行うことで、機械学習モデルが未知のデータに対してどの程度正しく予測できるかを判断することができます。代表的な評価指標として、以下のようなものがあります。

回帰モデル（連続値を予測するための機械学習モデル）

分類モデル（カテゴリ型のデータを予測するための機械学習モデル）

⑤結果の可視化と報告

結果の可視化と報告を行うことで、プロジェクトの目的を達成するために必要な情報を関係者にわかりやすく伝えることも重要なステップです。一般的には、

などの方法で結果を可視化し、

といった方法で結果を報告します。

データサイエンスのプロジェクト進行は、データサイエンスの中で非常に重要な要素です。データサイエンスのプロジェクト進行がうまくいかないと、データの収集や分析に時間がかかったり、間違った意思決定をしたりしてしまう可能性があります。

そのため、データサイエンスプロジェクトを成功させるためには、プロジェクトの進捗状況を常に把握し、必要に応じて調整していくことが重要です。

【データサイエンスを活用した課題解決のプロセスのイメージ】

次の章では、データサイエンスに関連する技術を紹介します。*2）

データサイエンスと関連するテクノロジー

データサイエンスは、データを収集・整理・分析し、ビジネス価値を生み出すための技術です。関連するテクノロジーを大きくカテゴリーに分けると、

などがあります。それぞれ具体的に見ていきましょう。

データ収集とストレージ

データ収集とストレージは、データを集め、保存するための技術です。

データ処理と分析

データ処理と分析は、データを集め、整理、分析するための技術です。データ処理と分析

には、以下のような技術があります。

機械学習と人工知能（AI）

機械学習と人工知能（AI）は、コンピュータがデータから学習して、人間と同じように、もしくはそれ以上に、物事を判断したり、行動したりすることができる技術です。具体的には以下のような技術があります。

機械学習、自然言語処理、強化学習は、すべて人工知能の分野です。これらの技術は、さまざまな分野で応用されており、私たちの生活をより便利で豊かにしています。

モデル展開と運用

モデル展開と運用は、機械学習モデルを実際に運用するための技術です。モデル展開と運用

には、以下のような技術があります。

データサイエンスにAI（人工知能）の果たす役割

AIは、データサイエンスの関連テクノロジーの中で、

などを支援する重要な役割を果たしています。

AIは、データからパターンや傾向を自動的に学習し、人間よりも効率的かつ正確にデータ分析を行うことができます。また、AIは、人間の専門知識を超えた領域でも、データから有益な情報を抽出することができます。

現在ではAIは、データサイエンスのプロジェクトを成功させるために不可欠な技術で、今後の進化により、より高度なデータ分析や予測が可能になると考えられています。

例えば、自動運転車やスマートホームなどの分野でAI技術が活用されることで、より快適で安全な生活が実現される可能性があります。また、医療分野では、AI技術を使って病気の早期発見や治療法の開発が進むことが期待されています。

ただし、倫理的な問題やプライバシーの問題なども存在するため、AI技術の発展には適切な規制や倫理的な枠組みが必要不可欠です。

このように、各テクノロジーはデータサイエンスにおいて重要な役割を果たしています。ただし、必要な技術はプロジェクトや業界によって異なるため、適切な技術を選択することが必要です。

次の章では、実際にデータサイエンスが活躍する身近な事例を見ていきましょう。*3）

データサイエンスの身近な事例

データサイエンスは社会や生活の中の多くの場面で利用されています。代表的な例をいくつか見てみましょう。

オンラインショッピング

オンラインショッピングサイトでは、データサイエンスを利用して顧客の行動履歴や購入履歴などのデータを収集し、データ分析を行っています。例を挙げると、Amazonは、データサイエンスを活用して、オンラインショッピングの効率化や顧客満足度の向上に努めています。

Amazonはこのようにデータサイエンスを活用し、ユーザーにとってより便利で快適なオンラインショッピング体験を提供しています。

銀行業務

銀行では、顧客の取引履歴やクレジットスコアなどのデータを収集・分析し、信用リスク評価やクレジットカードの不正利用検知などに活用されています。特に、データサイエンスを活用した不正取引の検出に積極的な銀行として、三菱UFJ銀行が挙げられます。

三菱UFJ銀行は、データサイエンスを駆使し、膨大な取引データや顧客の行動データを分析して、不正取引を検出するシステムを開発しています。このシステムにより、不正取引の検出率を向上させ、顧客の資産を保護しています。

医療分野

医療分野では、患者の診療履歴や遺伝子情報などのデータを収集・分析し、病気の早期発見や治療法の開発などに活用されています。データサイエンスを活用した病気の早期発見に積極的な病院として、国立がん研究センター東病院が挙げられます。

国立がん研究センター東病院は、患者の過去の診療記録や検査結果を分析して、病気の早期発見に役立てています。この取り組みにより、病気の早期発見率を向上させ、患者の病気治療後の状態を改善しています。

交通システム

交通システムでは、交通量や道路状況などのデータを収集・分析し、交通渋滞の予測や最適なルート案内などに活用されています。例えば、交通渋滞の解消では、交通量や天気などのデータを分析して、最適な交通ルートや交通手段を推奨しています。

また、交通事故を減少させるために、交通事故の発生状況やドライバーの運転行動などのデータを分析して、交通事故を防ぐための対策を立てることに役立てています。身近な例では、GoogleマップやYahoo!カーナビなどのナビゲーションアプリで、データサイエンスの技術により、交通渋滞の状況をリアルタイムで確認することを可能にしています。

スポーツ競技

スポーツ競技では、選手のパフォーマンスデータや試合の結果などのデータを収集・分析し、戦術の最適化や選手の能力評価などに活用されています。野球を例に挙げると、

など、データサイエンスは、野球のあらゆる場面で活用されています。

このように、現在すでに幅広い分野で活用されているデータサイエンスですが、今後は技術の進歩やインフラ整備などと共に、さらに活躍の場を広げると予想されています。次の章ではデータサイエンティストに求められるスキルを確認しましょう。*4）

データサイエンティストに求められるスキル

データサイエンティストは、データから意味のある情報を抽出し、ビジネスの課題を解決するために、以下のようなスキルを身につける必要があります。

データサイエンスに必要なスキルの中には、AIに任せることができるものもあります。例えば、データの収集や整理、データベースの管理などです。また、機械学習やデータ分析などの技術は、AIがまだ発展途上ですが、今後は人間の代わりに行うようになる可能性があります。

しかし、データサイエンティストの仕事は、データの分析や解釈だけではありません。データから意味のある情報を抽出し、ビジネスの課題を解決するためには、ビジネスの知識や問題解決能力も必要です。これらのスキルは、AIがまだ完全には習得できていない領域です。

【デジタル関係のさまざまな人材とデータサイエンティスト】

資格は必要？

データサイエンティストになるために、必ずしも資格は必要ではありません。しかし、データサイエンティストとして活躍するためには、先ほど挙げたようなさまざまな知識とスキルが必要です。

これらの知識とスキルを身につけるために、大学や専門学校で学ぶこともできますし、独学で学ぶこともできます。データサイエンティストになるための資格としては、以下のようなものがあります。

これらの資格は、データサイエンティストとして活躍するための知識とスキルを証明するものです。このような資格を取得することで、就職や転職に有利になる可能性があります。

プログラミング言語は必須！

プログラミング言語とは、コンピュータに指示を出すための言語で、データサイエンスにはなくてはならない知識です。プログラミング言語には、さまざまな種類があり、それぞれに特徴があります。

データサイエンスにおいて有用なプログラミング言語はいくつかあります。以下に代表的なプログラミング言語をいくつか紹介します。

初めてプログラミングを学ぶ場合は、Pythonがおすすめです。Pythonは学習コミュニティが大きく、初心者にも優しい言語です。

データサイエンティストに必要なスキルを確認したので、次の章ではデータサイエンティストになるための方法を紹介します。*5）

データサイエンティストになるためには

先ほど確認したように、データサイエンティストになるためには、

などのスキルが必要です。これらのスキルを身につけるために、大学でデータサイエンスを学ぶ方法や、講座や本で勉強する方法などがあります。

文系の人もデータサイエンティストになることができます。ただし、数学や統計学の基礎知識は必要です。

また、データサイエンティストになるためには、継続的な勉強が必要です。常に新しい技術や知識を身につけていくことで、データサイエンティストとして活躍することができます。

データサイエンス習得コースの例

【総務省統計局が提供する社会人のためのデータサイエンス入門】

総務省統計局は、データサイエンス人材の育成を目的として、データサイエンス習得プログラムを実施しています。このプログラムは、データサイエンスの基礎知識から応用的な知識までを学ぶことができます。

データサイエンス習得プログラムは、以下の３つのコースに分かれています。

総務省統計局のデータサイエンス習得プログラムは、無料で受講することができます。受講期間は一般的に１年から３年程度です。

このほかにも、経済産業省などからIT人材育成のための講座が提供されています。

【経済産業省が提供する「マナビDX」】

データサイエンスを学ぶ初心者が陥りやすい失敗

データサイエンスには多様なスキルが求められます。一般的に初心者が陥りやすい失敗の例を確認して、あなたが学ぶときは、十分に気をつけましょう。

数学や統計の基礎を十分に理解せずに進んでしまう

データサイエンスは数学や統計の概念に基づいています。初心者がこれらの基礎を飛ばして実践に入ろうとすると、後で理解が追いつかなくなる可能性があります。十分な数学と統計の基礎を学ぶことは、データサイエンスの学習の基盤となります。

プログラミングの重要性を軽視してしまう

データサイエンスではプログラミングが必須です。初心者がプログラミングの重要性を軽視し、プログラミングスキルを磨かないと、データの前処理やモデルの構築などのタスクが困難になる可能性があります。プログラミングの基礎を身につけることは、データサイエンスの学習において不可欠です。

実践を怠ってしまう

データサイエンスは実践によって学ぶことが重要です。理論や概念を学ぶだけでは、実際の問題に対して適用するスキルを身につけることができません。実際のデータセットやプロジェクトに取り組むことで、データサイエンスの手法やツールを実際の問題に適用する経験を積むことが大切です。

データサイエンティストに向いている人の特徴

データサイエンスに向いている人の特徴は、以下のとおりです。

これらがある人はデータサイエンティストに向いていると言えます。データサイエンスは常に新しい技術や手法が生まれてくる分野なので、学習意欲を持ち、常に新しいことを学ぶことも大切です。

データサイエンスは多様なバックグラウンドやスキルセットを持つ人々にとっても魅力的な分野ですから、これらの特徴を完全に満たしていなくても、学習と成長を通じてデータサイエンスのスキルを磨くことは可能です。

データサイエンスは挫折率が高いのは本当？

データサイエンスは多くの専門的な知識を必要とする分野で、時には習得の途中で挫折感を感じることがあります。挫折感を感じる代表的な理由は以下の通りです。

しかし、これらの挑戦を乗り越えることで、データサイエンスは非常に報酬の高いキャリアとなります。次の章では、データサイエンスを学ぶメリットをまとめます。*6）

データサイエンスを学ぶメリット

データサイエンスを学ぶことは、学生や社会人にとって多くのメリットをもたらします。日本ではデータサイエンティストなどの、「デジタル人材」が社会全体として見ても不足していると言われています。

【特にデジタル人材を必要とする部門】

【デジタル人材の充足状況】

上の円グラフからも、データサイエンティストなどのデジタル人材は社会的な需要が高いと言えます。それだけでなく、データサイエンスを学ぶことは、個人としても以下のようなメリットがあると考えられます。

①キャリアの多様性

データサイエンスのスキルは、

など、多様な産業で活用できます。これにより、興味や専門性に合わせてキャリアを選ぶ柔軟性が得られます。

②問題解決能力の向上

データサイエンスは、複雑な問題を解決するためのアプローチを学ぶため、問題解決能力を大幅に向上させることができます。これは、ビジネスだけでなく日常生活においても有用なスキルです。

③高収入

データサイエンスの専門家は、その高度なスキルと知識により、一般的に高い給与を得ることができると言われています。

④将来性

データは今後も増え続けると予測されており、その解析と解釈が重要となるため、データサイエンスのスキルは将来性があると言えます。

⑤知識の深化

データサイエンスを学ぶことで、統計学、プログラミング、機械学習など、様々な分野の知識を深めることができます。

このように、データサイエンスを学ぶことは、個々のキャリアやライフスキルの向上に大いに役に立つと言えます。一般的な社会人が仕事をしながらデータサイエンスを習得するには、平均して１年から３年程度かかると言われています。（学習時間や学習方法、個人の能力によって習得にかかる時間は異なります。）

次の章では、データサイエンスの抱える課題や問題について確認しましょう。*7）

データサイエンスの課題

現状、データサイエンスには、以下のような問題や課題があります。

データの品質と信頼性

データサイエンスの分析やモデリングは、正確なデータに基づいて行われる必要があります。しかし、データの品質や信頼性には課題があります。データが欠損していたり、誤った情報が含まれていたりする場合、分析結果や予測モデルの信頼性が低下します。

データのプライバシーとセキュリティ

データサイエンスの活用には大量のデータが必要ですが、個人情報や機密情報が含まれる場合があります。データのプライバシーとセキュリティを保護するための適切な対策が必要です。また、データの不正アクセスやハッキングのリスクも考慮する必要があります。

解釈可能性と説明性

データサイエンスのモデルやアルゴリズムは、複雑な数学や統計の手法を使用しています。そのため、その結果や予測がどのように導かれたのかを解釈することが難しい場合があります。特に、ブラックボックス※と呼ばれるモデルでは、その結果を説明することが困難です。

偏りとバイアス

データサイエンスでは、データを分析して予測や意思決定を行いますが、データには、偏りやバイアスが含まれていることがあります。

のことです。偏りやバイアスが含まれていると、データ分析の結果に誤りが生じてしまうことがあります。このことが原因で、特定のグループや属性に対して、不公平な結果が出る可能性があります。

このようなバイアスを排除するために、データサイエンティストには適切なデータの収集やモデリング手法の選択が求められます。

これらのデータサイエンスにおける問題や課題に対処するためには、

など、様々な取り組みが必要です。また、倫理的な観点や社会的な影響も考慮しながら、データサイエンスを活用することが重要です。

次の章ではデータサイエンスとSDGsの関係について考えてみましょう。*8）

データサイエンスとSDGs

データサイエンスとSDGsの関係は、すぐにはイメージしにくいかもしれません。しかし、データサイエンスの技術は、SDGsの目標達成に貢献することができます。

例えば、データサイエンスを活用することで、貧困、飢餓、不平等、気候変動などの問題を解決するための解決策を導き出すことができます。また、データサイエンスを活用することで、効果的な政策やプログラムを策定・実施することができます。

具体的に見ていきましょう。

政策立案と戦略策定

データサイエンスは、政策立案や戦略策定において、データに基づいた意思決定を支援するために役立ちます。例えば、SDGsの目標1「貧困をなくそう」を達成するためには、貧困に苦しむ人々の数や、貧困の原因をデータで分析する必要があります。

そして、そのデータを分析した結果に基づいて、貧困をなくすための政策や戦略を立案することができます。

社会や環境の課題の特定と優先順位付け

データサイエンスは、社会や環境の課題を特定し、優先順位付けするのに役立ちます。例えば、SDGsの目標11「住み続けられるまちづくりを」を達成するためには、都市化の進展による人口増加や、気候変動による環境問題などの課題を特定する必要があります。

データサイエンスによって、その課題を特定した結果に基づいて、解決するための政策や戦略を立案することができます。また、データの分析により、貧困の地域や環境問題の深刻度を把握し、必要な物を効果的に配分することが可能です。

SDGsの進捗状況のモニタリングと評価

データサイエンスは、SDGsの進捗状況をモニタリングし、評価するのに役立ちます。

具体的には、次のようなものが挙げられます。

データの収集や分析により、SDGs目標の達成度や進捗状況を数値に置き換えて評価することができます。

イノベーションと技術の活用

データサイエンスは、新たなイノベーションや技術の開発にも貢献します。データの分析や機械学習の手法を活用することで、持続可能なエネルギーの開発や環境保護など、新たな解決策や技術の創出が可能になります。

データサイエンスの手法や技術を活用することで、SDGsの達成に向けた効果的な取り組みが可能になります。データサイエンスはSDGsの実現に貢献する重要な手段なのです。

まとめ

データサイエンスは、将来にわたって需要が高まると予測されています。データの分析や活用能力は、現代社会においてますます重要となっています。

データサイエンスの学習は、自身のスキルを向上させ、将来のキャリアにおいて競争力を持つための効果的な手段です。データに基づいた意思決定や問題解決能力を身につけることで、さまざまな業界や社会の課題に対して貢献することができます。

この記事を読んで、さらに興味がわいたならぜひ、データサイエンスの学習に挑戦してみてください！

〈参考・引用文献〉
*1）データサイエンスとは
内閣府『デジタル人材の育成・確保に向けて』p.2（2022年2月）
IBM『データサイエンスとは』
 Harvard Business Review『Data Scientist: The Sexiest Job of the 21st Century』
デジタル庁『データ戦略の推進状況』（2022年9月）
*2）データサイエンスのプロジェクト進行について
経済産業省『Society5.0実現に向けたデータサイエンティスト育成について』p.7
経済産業省『デジタルスキル標準 ver.1.0』（2022年12月）
NTT PC Communications『データサイエンスチームのプロジェクトマネジメント』（2018年6月）
IBM『データサイエンスとは』
*3）データサイエンスと関連するテクノロジー
Apple『機械学習とAI』
日本経済新聞『データサイエンスとは　専門人材、世界で需要高まる』（2023年2月）
Softbank『テクノロジーが導く未来を体験。ソフトバンク 先端技術研究所の技術展「ギジュツノチカラ ADVANCED TECH SHOW 2023」レポート』（2023年4月）
*4）データサイエンスの身近な事例
IBM『データ分析とAIドリブン分析』
総務省『ビッグデータの活用が促す成長の可能性』
総務省『デジタルデータの経済的価値の計測と活用の現状に関する調査研究の請負』（2020年3月）
経済産業省『中東欧５カ国IT 産業及び人材に関する現地調査レポート』（2023年2月）
日経リサーチ『DATA SCIENTIST日経リサーチのデータサイエンティストとは』
Amazon『データサイエンスとは』
日本経済新聞『三菱UFJ銀行、生成AIを110業務で導入　手続き照会など』（2023年6月）
日本経済新聞『三菱UFJ、サイバーエージェントと広告事業　データ活用』（2022年7月）
日本経済新聞『三菱UFJ銀、窓口業務7割デジタル化 米銀は無人店も　大手行、問われる速度』（2023年6月）
日本経済新聞『TIS、国立がん研究センター東病院とITを活用し患者の潜在的な症状をデータとして抽出するための共同研究を開始』（2022年1月）
国立がんセンター東病院『データサイエンス部』
Google『データドリブンのスタイル設定を発表: Google マップの行政界情報をスタイル設定して、必要な情報を的確に伝える』（2022年6月）
日本経済新聞『グーグルマップに鉄道の現在位置　オープンデータ活用』（2021年2月）
YAHOO！JAPAN『Yahoo!カーナビ、走行データを活用し東京2020大会を見据えた交通量の調査結果を公開」（2019年8月）
YAHOO！JAPAN『ヤフーのVPoEが語る「UXのシームレス化」を目指す検索体験とローカル情報提供の質向上とは』（2022年11月）
総務省『第９回 ビッグデータ等の利活用推進に関する産官学協議のための連携会議議事概要 』（2020年2月）
DNA×AI『テクノロジーを活用した横浜DeNAベイスターズ選手の強化施策』
国立研究開発法人 科学技術振興機構『データサイエンス分野からのスポーツへの関わり』（2021年）
東京新聞『高校球児もデータサイエンスを駆使　「頭を使って実力差を埋める」進学校の挑戦』（2023年2月）
*5）データサイエンティストに求められるスキル
経済産業省『デジタルスキル標準 ver.1.0』p.9（2022年12月）
日経XTECH『5分でわかるデータサイエンティストの基礎知識』
日本経済大学『数理・データサイエンス・AIリテラシープログラム』
経済産業省『経産省におけるデジタル⼈材育成の取組状況について』（2023年6月）
*6）データサイエンティストになるためには
総務省『社会人のためのデータサイエンス入門』（2023年6月）
経済産業省『IT人材の育成』
Microsoft『データ サイエンスとは』
Microsoft『データ サイエンティスト』
*7）データサイエンスを学ぶメリット
経済産業省『「人材育成」を通じた生産性向上・人材不足対策の推進』（2017年12月）
総務省『第1部　特集　ICTがもたらす世界規模でのパラダイムシフト 第4節　本格的なデータ活用社会の到来』
総務省『データ利活用の促進』
経済産業省『データ利活用のポイント集』
*8）データサイエンスの課題
総務省『データ流通・利活用における課題 安心・安全なデータ流通・利活用環境整備の必要性』
経済産業省『令和２年度我が国におけるデータ駆動型社会に係る基盤整備（デジタル人材政策に関する調査）』（2021年3月）
IPA『デジタル時代のスキル変革等に関する調査(2022年度)全体報告書』（2023年4月）
内閣府『デジタル人材の育成・確保に向けて』（2022年2月）