「データやAIを学びたいけど、何から始めればいいか分からない」
「スクールや教材が多すぎて、結局手が止まっている」
「勉強しているつもりだけど、“本当にスキルが付いた”と言い切れない」もし、今のあなたがこんなモヤモヤを抱えている20代社会人なら、この記事は半年〜1年の学びの地図（ロードマップ）として役立つはずです。
このページでは、文系を含む20代社会人が、今の仕事を続けながら、
半年〜1年で「自信を持って語れる」データ・AIスキルを身につけるためのステップを、実務目線で整理していきます。
このロードマップの前提とゴール
このロードマップで目指すゴール
このロードマップで目指すのは、いきなり「最強エンジニア」になることではありません。
- データやAIについて、仕事の場で自信を持って話せる
- 基本的な分析や可視化を、自分の手でこなせる
- 「この分野なら、これくらいはできます」と胸を張って言える
という状態です。
転職だけでなく、今の会社の中での評価アップ・業務改善にもつながるレベルを目指します。
想定している読者
このロードマップは、主に次のような方を想定しています。
- 20代社会人（文系・未経験を含む）
- 今の仕事や将来にモヤモヤしている
- データ・AI領域に興味はあるが、何から手をつければいいか分からない
- スクールに通う前に、ある程度「自分でも進めたい」と思っている
「数学が苦手」「プログラミング未経験」でも大丈夫です。
その前提でステップを組んでいます。
学習時間のイメージ
目安としては、次のようなペースを想定しています。
- 平日：30分〜1時間
- 週末：1〜2時間
これくらいでも、半年〜1年しっかり積み上げれば、十分に“話せるレベル”に届きます。
逆に、最初から「毎日3時間やる！」と決めてしまうと、ほとんどの人は続きません。
ステップ0：現状とゴールを整理する（約1週間）
いきなり教材を開く前に、まずは自分の現在地とゴールを言語化することをおすすめします。
今のスキル・環境をざっくり棚卸しする
ノートやメモアプリに、次のような項目を書き出してみてください。
- 今の仕事でデータを触る機会はどれくらいあるか
- Excel（やスプレッドシート）をどの程度使っているか
- プログラミング経験の有無
- 数学への抵抗感（苦手／普通／好き）
完璧でなくて大丈夫です。
「今の自分はこのくらいからスタートする」と自覚することが大切です。
半年〜1年後にどうなっていたいかを書き出す
次に、半年〜1年後の理想の姿を簡単に書きます。
- 「ExcelとSQLで、簡単な集計・レポートなら一人で作れるようになっている」
- 「BIツールでダッシュボードを作って、上司に説明できている」
- 「データ・AIスクールに投資するかどうか、自分で判断できる」
など、「こうなっていたら嬉しい」という状態を3〜5個ほど書き出してみましょう。
学習時間の上限を決める
最後に、学習に使える時間の「上限」を決めます。
- 平日は最大○分まで
- 週末は○時間まで
といった形で、「これなら続けられそう」というラインを先に決めることで、途中で「やりすぎて燃え尽きる」を防げます。
ステップ1：データ・AIリテラシー＋Excelの基礎（1ヶ月）
まずは「データ・AIの全体像」と「Excel・スプレッドシートの基礎」から始めます。Excel・スプレッドシートを使用する理由は、日々使用したツールであり身近にデータを触れる手段だからです。
ステップ1で学ぶExcelの具体的な手順を詳しく知りたい方は、以下の記事もあわせてご覧ください。
このステップの目的
- データ分析やAIのざっくりした全体像をつかむ
- 日々の業務でも使えるレベルで、Excelの集計・グラフができるようになる
学ぶ内容のイメージ
- 平均・合計などの基本関数
- 四則演算・IF関数などのよく使う関数
- ピボットテーブルによる集計
- 基本的なグラフ（棒グラフ・折れ線グラフ など）
- データ分析プロセスの流れ
- 目的を決める
- 仮説を立てる
- データを集計・可視化する
- 結果から次のアクションを考える
- 一番重要です。目的は課題の解決であり、データ分析はあくまでも手段の一種であることを念頭に置いてください。実務でデータ分析が目的とならないためです。
到達レベルの目安
- 「この売上データから、部門別の推移グラフを作って説明して」と言われて、なんとか形にできる
- 自分の仕事のデータで、簡単な「見える化」を試せる
ステップ2：SQLでデータを扱えるようになる（1〜2ヶ月）
次は、SQLを使ってデータベースから必要な情報を取り出す力をつけます。
ステップ2で学ぶSQLの具体的な手順を詳しく知りたい方は、以下の記事もあわせてご覧ください。
このステップの目的
- 自分でデータを引き出せるようになり、「加工前の生データ」にも怖さを感じなくなる
学ぶ内容のイメージ
- SELECT / FROM / WHERE などの基本構文
- ORDER BY（並べ替え）
- GROUP BY（集計）
- JOIN（テーブル結合）
- COUNT / SUM / AVG などの集計関数
オンライン教材や書籍を使いながら、実際に手を動かしてクエリを書く練習をしていきます。
到達レベルの目安
- 「顧客ごとの売上合計」や「月別の件数推移」などの基本的な集計クエリを書ける
- 既存のSQLを読んで「だいたい何をしているか分かる」
ステップ3：BIツールで可視化・レポートを作る（1〜2ヶ月）
ここでは、TableauなどのBIツールを使ってデータを「見せる」力を鍛えます。
ステップ3で学ぶBIの具体的な手順を詳しく知りたい方は、以下の記事もあわせてご覧ください。
このステップの目的
- 関係者に伝わるグラフ・ダッシュボードを作れるようになること
- データを「見せて終わり」ではなく、「どう解釈するか」まで話せるようになること
学ぶ内容のイメージ
- BIツールの基本操作 （データ接続・フィールドのドラッグ＆ドロップ など）
- よく使う可視化：棒グラフ／折れ線／散布図／ヒートマップ
- ダッシュボードの作り方
- 複数グラフを1画面にまとめる
- 絞り込み（フィルタ）の使い方
- 「見た目」だけでなく、「どんな結論を伝えたいのか」を意識した構成
到達レベルの目安
- 1つのテーマ（例：売上・問い合わせ件数など）について、 1枚のダッシュボードでストーリーを持って説明できる
- 上司や同僚から、「このグラフ分かりやすいね」と言ってもらえるレベル
ステップ4：Python＋簡単な機械学習の基礎（2〜3ヶ月）
ここからは少し踏み込んで、Pythonと簡単な機械学習に触れていきます。
ステップ4で学ぶPython+簡単な機械学習の具体的な手順を詳しく知りたい方は、以下の記事もあわせてご覧ください。
このステップの目的
- コードを書くことへの抵抗を減らし、 AI・機械学習の「中身のイメージ」を持つこと
学ぶ内容のイメージ
- Pythonの基本文法
- 変数・リスト・辞書
- 条件分岐（if）
- ループ（for）
- 関数の定義
- pandasによるデータ前処理
- CSVの読み込み
- 行・列の抽出
- 集計・結合
- scikit-learnによる簡単な機械学習
- 回帰（数値予測）の入門
- 分類（Yes/Noを判定するモデル）の入門
到達レベルの目安
- チュートリアルを見ながらであれば、自分のデータを読み込んで簡単なモデルを動かせる
- 「機械学習って何をしているの？」と聞かれたときに、 ざっくり説明できる
ステップ5：ポートフォリオ・アウトプットを作る（1〜2ヶ月）
学んだことを「形に残るアウトプット」にするフェーズです。
ステップ5で学ぶポートフォリオ・アウトプット作成の具体的な手順を詳しく知りたい方は、以下の記事もあわせてご覧ください。
このステップの目的
- 「勉強しました」で終わらせず、第三者に見せられる成果物をつくること
ポートフォリオの例
- BIツールで作成したダッシュボード＋解説スライド
- Pythonでの分析ノート（Jupyter Notebookなど）と、その結果のまとめ
- 業務データを匿名化したうえでの改善提案資料 など
アウトプットの置き場所
- 自分のブログ
- GitHub
- Notionや個人用サイト
「完璧な作品」ではなくて構いません。
- “途中でもいいので、外に見せられる形にする”ことが大切です。
ステップ6：キャリアアクションに落とし込む
最後に、身につけたスキルをキャリアの一歩につなげるフェーズです。
ステップ6で学ぶキャリアアクションを詳しく知りたい方は、以下の記事もあわせてご覧ください。
社内での活かし方
- 小さな分析テーマを、自分から提案してみる
- 今すでにあるExcelレポートを、BIで置き換えてみる
- 上司やチームに、「こんなことができるようになりました」と共有する
「いきなり異動や転職」ではなく、今の職場の中で「データ・AI担当っぽいポジション」を取っていくイメージです。
転職や副業を視野に入れる場合
- 自分のポートフォリオをまとめ、何ができるかをスライドに整理する
- 転職サイト・エージェントなどで「データアナリスト」「BIエンジニア」の求人を眺めてみる
- 情報収集だけでもいいので、市場感に触れる
スクールを使うならいつがベストか
スクールは、「完全なるゼロの状態」よりも、
- Excel・SQL・BIの基礎を一通り触った後
- 「自分の弱点」や「伸ばしたい方向」が少し見えてきた後
のほうが、投資効率が高くなります。
「独学でここまで来たけれど、もう一段レベルを上げたい」という段階で、スクールやオンライン講座を検討するのがおすすめです。
よくあるつまずきポイントと避けたい勉強法
最後に、実務と資格学習を両方経験してきた立場から、よくあるつまずきポイントも挙げておきます。
一気に全部やろうとして挫折する
- PythonもSQLも機械学習も…と、全部を同時にやろうとすると続きません。
- このロードマップのように、ステップを区切って1つずつ進めるほうが結果的に近道です。
資格勉強だけに偏ってしまう
- 資格教材は知識を整理するには役立ちますが、実務で求められる「手を動かす力」や「説明する力」は別物です。
- 「資格の勉強7〜8割＋自分のデータでのアウトプット2〜3割」くらいのバランスを意識すると◎です。
- ただし、資格取得は形に残るアウトプットの一つであり、目標として設定しやすいです。そのため、ステップ1~4のゴールとして設定するのは良いです。筆者も資格取得をゴールとして勉強をしていました。
「スクールに通うこと自体」が目的化する
- スクールはあくまで手段であって、目的ではありません。
- 通う前に、「自分は何を伸ばしたいのか」「どの職種を目指すのか」を整理しておくと、後悔しにくくなります。
まとめ：あなたは今、どのステップから始める？
ここまでの内容を、もう一度ざっくりまとめます。
- ステップ0：現状とゴールを整理する
- ステップ1：データ・AIリテラシー＋Excelの基礎（1ヶ月）
- ステップ2：SQLでデータを扱えるようになる（1〜2ヶ月）
- ステップ3：BIツールで可視化・レポートを作る（1〜2ヶ月）
- ステップ4：Python＋簡単な機械学習の基礎（2〜3ヶ月）
- ステップ5：ポートフォリオ・アウトプットを作る（1〜2ヶ月）
- ステップ6：キャリアアクションに落とし込む
全部を完璧にやる必要はありません。
まずは、「今の自分はどのステップから始めるべきか」を決めるところからでOKです。
各ステップの詳しい解説記事
このロードマップでは全体像だけをお伝えしました。
実際に手を動かしながら進めたい方は、ステップごとの詳しい解説記事もあわせて読んでみてください。
ステップ1：Excel基礎
→ 【ステップ1】Excel基礎｜関数・ピボットで“数字に強い人”になる（初心者向け）
ステップ2：SQL入門
→ 【ステップ2】SQL入門｜SELECT〜JOIN〜集計で“データを取りに行ける人”になる
ステップ3：BI（Tableau）入門
→ 【ステップ3】Tableau入門｜ダッシュボードの作り方と基本手順（初心者向け）
ステップ4：Python＋簡単な機械学習の基礎
→ 【ステップ4】Python×機械学習超入門｜データ分析→簡単なモデルまで（初心者向け）
ステップ5：ポートフォリオ・アウトプットの作成
→ 【ステップ5】データ分析ポートフォリオの作り方｜未経験でも伝わる成果物の型
ステップ6：キャリアアクション
→ 【ステップ6】データ職へのキャリアアクション｜学習→成果物→応募の行動リスト
このロードマップを読んで、もし
- 「スクールを使うなら、どんな基準で選べばいいんだろう？」
- 「独学とスクール、どこまで自分でやるべきか迷う」
と感じたら、次はデータ・AIスクールの選び方をまとめた記事を読んでみてください。
あなたの半年〜1年の学びが「なんとなく不安だから」ではなく「納得して選んだ一歩」になるよう、順番に一緒に整えていきましょう。
あわせて読みたい関連記事
→ データ分析の落とし穴7選｜数字が合わない原因と対策（実務チェックリスト）
→ 今の会社でできる小さなデータ活用チャレンジ12選｜“実務経験がない不安”を減らす
