データアナリスト（データ分析職）の職務経歴書の書き方｜採用担当に伝わる記入例と無料テンプレート

データアナリストの職務経歴書で評価されるのは、使える技術の多さではありません。「分析でビジネスの何を動かしたか」が具体的に伝わるかどうかです。SQLやPythonを並べただけでは、採用担当は「入社後に成果を出せる人か」を判断できません。

2026年の今は、SQLの下書きや定型の集計、文章の分類を生成AIに任せられる場面が増えました。ただし、採用担当が知りたいのは「AIを使えます」ではありません。AIで分析の速さや範囲をどう変え、その正しさをどう確かめたかが、分析職としての新しい評価軸です。

この記事では、EC事業会社でデータアナリストとして働く6年目の記入例をもとに、項目ごとの書き方と、なぜそう書くと評価されるのかを解説します。ビジネスアナリスト・マーケティング分析・データサイエンティスト・BI／データ基盤寄り・生成AI活用推進寄りの5つのポジション別の書き分け方と、AI活用の経験の書き方も紹介します。

データアナリストの職務経歴書の記入例

まずは完成イメージです。Web広告代理店で4年間広告運用を経験したあと、EC事業会社に移ってデータアナリストとして5年半働いている人を想定しています。画像をタップすると拡大できます。

この記入例と同じ形式のテンプレートを無料で用意しています。Word・Excel・PDFの3形式で、それぞれ空欄テンプレートと記入見本の2点セットです。

データで見る：分析職の転職で、職務経歴書が合否を分ける理由

書き方の前に、分析職の転職市場と、企業が専門職の転職者に何を求めているのかをデータで確認しておきましょう。なお、公的な統計には「データアナリスト」だけを切り出した区分がありません。そのため、分析職を含む近い区分のデータを使い、範囲はその都度注記します。

IT系の求人倍率は12倍超。分析職を含む区分の求人は多い

転職サービスdodaの集計では、2026年8月の転職求人倍率は全体で2.86倍でした。職種別に見ると、「エンジニア（IT・通信）」は12.04倍と、全職種で最も高い水準です。「企画・管理」も3.28倍で、全体を上回っています。

出典：doda「転職求人倍率レポート」データ（パーソルキャリア）（2026年9月17日発表・2026年8月分）

dodaの職種区分には「データアナリスト」という項目はありません。分析職の求人は、データ基盤やエンジニアリング寄りなら「エンジニア（IT・通信）」、事業企画やマーケティング寄りなら「企画・管理」に含まれると考えられます。どちらの区分でも求人は多く、応募先の選択肢は広い状況です。

ただし、求人倍率が高いことは「書類が通りやすい」ことを意味しません。分析職の求人は、求めるスキルや担当範囲が会社ごとに大きく異なります。応募先が求める役割と、自分の経験がどれだけ重なるかを書類で示せるかが、通過を左右します。

企業が専門職の転職者に期待するのは「即戦力」と「専門知識」

厚生労働省が2026年9月に公表した「転職者実態調査」では、事業所が転職者を採用した理由を職種別に調べています。データアナリストは「専門的・技術的な仕事」の区分に近い職種です。この区分には情報処理技術者のほか、医療・教育などの専門職も含まれる点に注意してください。

出典：令和7（2025）年転職者実態調査の概況（厚生労働省）（表4）

最も多いのは「経験を活かし即戦力になる」（64.1%）、次いで「専門知識・能力がある」（51.2%）です。「離職者の補充」（44.3%）を上回っており、欠員を埋めるだけでなく、経験と専門性を買って採用している事業所が多いことがわかります。

データ活用の最大の壁は「人材の確保」

情報処理推進機構（IPA）の「DX動向2026」では、データの整備・管理・流通に取り組む企業に課題を聞いています。最も多かったのは「人材の確保が難しい」で51.2%でした。「データの標準化が難しい」（36.8%）、「管理システムが整備されていない」（32.6%）を上回っています。

出典：DX動向2026（情報処理推進機構）（図表3-30）

同じ調査では、データを「全社で利活用している」企業は20.0%、「事業部門・部署ごとに利活用している」企業は39.9%でした。データを使い始めた企業でも、それを担う人が足りていない状況がうかがえます。

ただし、この「人材」は分析職だけでなく、データ基盤の整備や管理を担う人も含みます。そのため応募先によって、分析で施策を動かす人を求めているのか、データを整える人を求めているのかは異なります。職務経歴書では、自分がどちらの経験をどれだけ持っているかを書き分けることが大切です。

採用担当がデータアナリストの職務経歴書で見ている3つのこと

ここまでのデータと、分析職の採用の現場でよく言われる傾向を踏まえると、採用担当は書類を読みながら次の3つを確認しています。生成AIで集計やコードの作成が速くなった今は、「何を問い、どう確かめ、何を動かしたか」の比重がさらに高まっていると考えられます。どの項目を書くときも、このどれかが伝わるかを意識しましょう。

1. ビジネスへのインパクト分析の結果、施策の効果・売上・コスト・CVR（購入率）などの数字がどう動いたかが書かれているか。AIで作業が速くなった場合も、その結果どんな判断や施策につながったかまで見られます。
2. 担当範囲と技術の使い方課題設定・集計・分析・提案・効果検証のどこを担い、SQL・Python・生成AIなどの道具をどう使い分けたか。AIに任せた部分と、自分で検証した部分の区別がつくかも含みます。
3. 関係者を動かす力分析結果を、経営層や現場が判断・行動できる形で伝え、施策の実行につなげたか。AIの出力を含め、根拠と限界を添えて説明できるかが信頼につながります。

項目別の書き方：OK例とNG例の違い

ここからは項目ごとに、NG例とOK例を並べて解説します。同じ経験でも、書き方ひとつで採用担当の受け取り方は大きく変わります。

職務要約：分析で「何を動かした人か」を3〜5行で伝える

職務要約は、採用担当が最初に読む部分です。ここで「自社で活躍しそうか」の当たりをつけられます。業界・分析の対象領域・経験年数・主な技術・一番の成果を3〜5行にまとめます。

職務経歴：プロジェクトごとに「目的・役割・使用技術・成果」をセットで書く

職務経歴は、データアナリストの職務経歴書でいちばん重要な項目です。分析職は仕事がプロジェクト単位で進むことが多いため、プロジェクトごとに区切って書くと、何をしてきた人かが格段に伝わりやすくなります。下の画像の3つのポイントを押さえましょう。

1つのプロジェクトは、目的・役割・使用技術・成果の4点セットで書くのが基本です。

画像の③のように、AIを使ったプロジェクトも同じ4点セットで書きます。違いは、成果に「精度をどう確かめたか」を加えることです。詳しくは後半のAIのセクションで解説します。

特に差がつくのが、プロジェクトの成果の書き方です。

活かせる経験・知識・スキル：「何ができるか」を3つに絞る

経験したことを全部並べるのではなく、応募先の仕事で使えるものを3つ程度に絞って箇条書きにします。技術名はテクニカルスキル欄に任せ、ここでは「技術を使って何ができるか」を書きます。

テクニカルスキル：技術名に「何を・何年」を添える

分析職では、PCスキル欄を「テクニカルスキル」として、言語・DB・BIツール・統計／機械学習・クラウドなどの分類ごとに整理すると読みやすくなります。技術名には何に使ったか・何年使ったかを添えます。

資格は必須ではありませんが、統計検定やG検定などは知識の裏付けとして評価されることがあります。実務経験が短い人ほど、資格で基礎知識を補足すると効果的です。

自己PR：強みは2つまで。「測る力」をAIの使い方でも示す

自己PRは「強み → それを発揮したエピソード → 結果の数字」の順に書くと説得力が出ます。分析職では、施策の効果を正しく測る力と、関係者を動かす力の2つが定番です。2026年は、AIの出力を確かめた経験を「測る力」のエピソードに加えると、強みが今の仕事に通じることを示せます。

ポジション別：職務経歴書の書き分け方

同じデータ分析職でも、ポジションによって採用担当が見るポイントと、強調すべき経験は大きく変わります。まずは全体像を表で確認し、そのあと応募先に近いポジションの解説を読んでください。

ポジション	採用担当が見るポイント	強調したい経験・数字
事業会社のビジネスアナリスト	経営・事業の判断に分析で関わった経験	意思決定への貢献、売上・コストへの影響額
マーケティング分析	施策の効果を正しく測り、改善した経験	CVR・CPA・LTVの改善幅、効果検証の本数
データサイエンティスト（機械学習寄り）	モデルを作り、業務で使われるまで運用した経験	精度指標と、導入後のビジネス効果
BI・データ基盤寄り	データを整え、使われる仕組みを作った経験	削減した工数、利用者数、データ量
生成AI・AI活用推進寄り	AIを業務に組み込み、精度と効果を検証した経験	回答・分類の精度、削減工数、利用部署数

事業会社のビジネスアナリスト

ビジネスアナリストは、経営や事業部門の意思決定を分析で支えるポジションです。高度な手法よりも、「どんな判断に、分析がどう役立ったか」が評価の分かれ目です。

マーケティング分析

マーケティング分析では、広告・CRM・サイト改善などの施策の効果を測り、改善につなげる力が見られます。効果検証の設計を自分でできるかどうかが、大きなアピールポイントになります。

データサイエンティスト（機械学習寄り）

機械学習寄りのポジションでは、予測モデルなどを作る技術力に加えて、そのモデルが業務で使われ、成果につながったかが見られます。精度の数字だけでは、ビジネスでの価値は伝わりません。

BI・データ基盤寄り

BIやデータ基盤寄りのポジションでは、データを集めて整え、社内の誰もが使える状態にした経験が見られます。作った仕組みが「どれだけ使われ、どれだけ手間を減らしたか」を数字で示すのがポイントです。

生成AI・AI活用推進寄り

社内の生成AI活用を進めるポジションや、LLM（大規模言語モデル）を使った仕組みを作るポジションも増えてきました。ここで見られるのは、AIを「入れた」ことではありません。精度をどう測り、業務で安心して使える水準まで持っていったかです。分析職が得意な「測る力」がそのまま活きる領域です。

あわせて読みたい：SE（システムエンジニア）の職務経歴書の書き方

2026年のデータ分析とAI：職務経歴書にどう書くか

最初にお伝えしたいのは、AIの使い方や、AI経験を求める度合いは応募先によって大きく違うということです。IPAの「DX動向2026」では、AIを導入している企業は従業員1,001人以上で8割近くにのぼる一方、101人以下では16.6%でした。業界や社内ルールによっては、業務データをAIに入れること自体を禁止している会社もあります。

まずは求人票に「生成AI」「LLM」「AIツール」などの言葉があるかを確認しましょう。記載があれば、プロジェクトとして詳しく書く価値があります。記載がなければ、テクニカルスキル欄に1行添える程度で十分です。

AIで速くなる作業と、価値が上がる仕事

パーソルキャリアの調査では、中途採用で求める人物像が「変わった」と答えた企業が75.1%でした。今後3年以内に中途採用が増える領域の最多は「データ・デジタル／IT企画系」、減る領域の最多は「定型・ルーティン業務中心の職種」です。対象はAIを導入済みの従業員501人以上の企業の人事・採用担当者515人で、大企業に限った結果です。それでも、分析職の中でも、定型の作業より判断に関わる仕事が求められる方向はうかがえます。

仕事の場面	AIで速くなりやすい作業	人の価値が上がる仕事
集計・レポート	定型の集計、月次レポートの作成	何を見るべきかという問いの設定
コード	SQL・Pythonの下書き、エラー調査	集計の定義や結果が正しいかの検証
文章のデータ	自由記述の分類・要約	分類精度の検証、示唆の読み取り
報告・提案	グラフや報告文の下書き	ビジネス判断への翻訳、関係者との合意

もう一つ大事なのが、データの品質です。社内のAI分析アシスタントや、BIツールの自然言語クエリ（話し言葉でデータを聞ける機能）は、元データの定義がばらばらだと、もっともらしい間違いを返します。前出のグラフのとおり、IPAの調査ではデータ整備の課題の1位が「人材の確保が難しい」（51.2%）でした。同じ調査のAI関連人材でも、AIツールを使える従業員は不足の回答が減った一方、AI導入を推進できる従業員や、データマネジメントを企画・推進できる人材は、不足の回答が高いままです。データを整え、AIの答えを検証できる人の価値は、むしろ上がっていると考えられます。

2026年の分析職で現実的なAIの使い方

段階	使い方の例	職務経歴書で示したいこと
①コード作成・レビューの補助	SQL・Pythonの下書き、エラー原因の調査、既存クエリの読み解き	出力を自分でレビュー・テストしたこと
②分析の壁打ち・文章化	切り口や仮説の洗い出し、報告文の下書き	仮説の採否や数字は自分で確かめたこと
③LLMを分析の手段にする	問い合わせ・レビュー・アンケートの自由記述の分類や要約	精度の検証方法と、分析で得た示唆
④社内のAI活用の整備・評価	AI分析アシスタントの評価、参照するデータやテーブル定義の整備	回答精度の改善幅、利用の広がり

①②は多くの分析職にとって日常的な使い方です。コードを書く時間は短くなりますが、そのぶん出てきたコードや集計が正しいかを確かめる力が問われます。速さを誇るより、レビューやテストの仕方を書くほうが信頼につながります。

③④は、これまで一部しか読めなかった文章のデータを全件分析したり、社内の誰もがデータを聞ける仕組みを作ったりする使い方です。分析の範囲は大きく広がります。ただしLLMは、ときどきもっともらしく間違えます（ハルシネーション）。人の判断と照らし合わせて精度を数字で確かめる工程こそが、分析職の腕の見せどころです。

職務経歴書での書き方：場面・検証・効果をセットで

AIの経験は「AIを活用した」と書くだけでは伝わりません。使った場面・自分で検証したこと・効果の3つをセットで書きます。

AI活用を書くときの注意点

• 機密・個人情報を外部のAIに入れていないことがわかるように書く。「社内承認済みの環境で」「個人情報はマスキングして」と一言添えるだけで、情報管理の意識が伝わります。
• 会社のルールに従って使ったことを前提に書く。ルールのない時期に個人の判断で業務データを入れた経験は、書かないほうが無難です。
• 盛らない。「AIで分析を自動化」と書いて実際は一部の作業だけだった場合、面接で検証方法を聞かれて答えに詰まります。

AIを使っていない・使えない職場だった人は

AIを使っていない、または社内ルールで使えない職場だった人も、それだけで評価が下がると考える必要はありません。正しい問いを立て、データを確かめ、効果を測る力は、AIの出力を検証するための土台そのものだからです。

職務経歴書では、SQLやPythonで定型の集計を自動化した経験、自由記述をルールで分類した経験、データの定義をそろえた経験などを書きましょう。どれもAIを業務に組み込むときに必要になる経験です。個人で学んでいる場合は、公開データで試したことを「学習中」として書けます。業務データを個人のAIで試すのは避けてください。

実績の数字が書けないときの対処法

「分析が売上にどう効いたか測れない」「守秘義務で数字を出せない」という人も、書き方を工夫すれば十分に評価されます。

あわせて読みたい：アピールできる実績がない人の職務経歴書の書き方

提出前のチェックリスト

書き終えたら、提出前に次の項目を確認しましょう。

• 職務要約に、業界・分析の対象領域・経験年数・一番の成果が入っている
• プロジェクトごとに「目的・役割（自分の担当範囲）・使用技術・成果」が書かれている
• 成果の数字に、比較の基準（比較群・施策前・前年など）を添えている
• AIを使った業務は「使った場面・自分で検証したこと・効果」で書き、機密データの扱いにも触れている
• テクニカルスキルに、技術ごとの使い方と経験年数を書いている
• 社外秘の数字や顧客名を書いていない
• A4で1〜2枚（多くても3枚以内）に収まり、誤字脱字がない

よくある質問

職務経歴書を生成AIで作ってもいいですか？

構成の相談や文章の推敲に使うのは問題ありません。ただし、数字・年月・担当範囲は必ず自分で確認してください。生成AIはもっともらしい表現で事実を盛ることがあり、面接で説明できない内容が混ざるおそれがあります。在籍中の会社の社外秘の情報は、AIにも入力しないようにしましょう。

GitHubやポートフォリオのURLは書いたほうがいいですか？

公開できる分析や個人で作ったコードがあれば、テクニカルスキル欄の近くにURLを書くと技術力の裏付けになります。会社の業務で書いたコードや社内データを含むものは公開してはいけません。

未経験からデータアナリストに応募する場合は、どう書けばいいですか？

現職でExcelやSQLを使って集計・分析し、業務を改善した経験を中心に書きます。独学で学んだ技術や資格もテクニカルスキル欄に書き、学習の継続を示しましょう。

使ったことのある技術は全部書いたほうがいいですか？

実務で使った技術を中心に書き、経験年数や使い方を添えます。少し触っただけの技術は「学習中」と書き分けると、面接で深掘りされても困りません。

分析の成果を少し大きめに書いても大丈夫ですか？

事実と異なる内容は書いてはいけません。分析職の面接では、数字の算出方法や比較の条件を詳しく聞かれることがよくあります。試算の場合は「試算」と書き添えましょう。