「来月からBIツール導入するから、SQLでデータ抽出できるようになっておいて」

ある日突然、上司からこう言われたら、あなたはどう動くだろうか。

DX推進の波は「エンジニアだけの話」ではなくなった。IPA（情報処理推進機構）の調査では、日本企業の53.1%がDX人材不足を最大課題に挙げており、営業・企画・経理など「非エンジニア」にもデータ分析スキルが求められる時代に入っている。

僕自身、銀行員時代はExcelのVLOOKUPとピボットテーブルが「最強の武器」だった。融資審査の数字を回すのに不自由はなかったが、エンジニアに転身してから気づいた。Excelで培った「データを構造的に見る力」は、SQLやPythonを学ぶ最大のアドバンテージになるということに。

この記事では、非エンジニアがExcel→SQL→Pythonの順で「業務に即使えるレベル」まで最短到達するための学習設計を、僕の実体験をもとに構造化して伝える。

なぜ「Excel→SQL→Python」の順番が最適なのか

多くの人が「Pythonを学べばデータ分析ができる」と考えて、いきなりプログラミングに飛びつく。しかしこれは設計ミスだ。

データ分析の本質は「どのデータを、どう切り、何を読み取るか」という思考力にある。ツールはその思考を実行する手段にすぎない。

各ツールの役割を整理する

ツール得意領域限界
Excel数百〜数万行の探索的分析、可視化100万行超でフリーズ、再現性が低い
SQL大規模データの抽出・集計・結合高度な統計処理や機械学習には不向き
Python自動化、統計分析、機械学習、可視化環境構築のハードルが高い

この3つは「代替関係」ではなく「積み上げ関係」だ。Excelで身につけた「行と列でデータを捉える感覚」がSQLのSELECT文に直結し、SQLで培った「条件で絞り込んで集計する」思考がPythonのpandasにそのまま活きる。

構造で勝つなら、この順番を崩してはいけない。

ステップ1：Excelの「分析機能」を業務レベルに引き上げる（2週間）

「Excelなら使えます」と言う人の多くは、実は「入力」と「表作成」しかしていない。データ分析で使うExcelは別物だ。

2週間で押さえるべき5つの機能

  1. ピボットテーブル：集計の基本。「何を軸に、何を数えるか」の感覚を鍛える
  2. VLOOKUP / XLOOKUP：テーブル結合の概念（SQLのJOINに直結）
  3. IF / COUNTIFS / SUMIFS：条件分岐と条件付き集計（SQLのWHERE句に直結）
  4. データの入力規則・整形：「汚いデータ」を扱う前処理の基礎
  5. グラフ・条件付き書式：分析結果を他者に伝えるスキル

僕が銀行員時代に毎日やっていた融資案件のスコアリング集計は、まさにこの5つの組み合わせだった。住宅ローンの審査件数を支店別・月別にピボットで回し、異常値をCOUNTIFSで抽出する。この「日常業務の延長」として学ぶのがポイントだ。

実践のコツ：自分の業務データで手を動かす

架空のサンプルデータではなく、実際の業務で使うデータ（売上、顧客リスト、アンケート結果など）を素材にすること。まず手を動かす。教材を読む時間は最小限に、手を動かす時間を最大化する。

ステップ2：SQLで「データベースから自分で取れる人」になる（4〜6週間）

Excelの限界を感じるのは、だいたい「データが100万行を超えたとき」か「複数のテーブルを結合したいとき」だ。ここからがSQLの出番になる。

非エンジニアが最初に覚えるべきSQL 7構文

  1. SELECT / FROM：どのテーブルから何を取るか
  2. WHERE：条件で絞る（ExcelのフィルターやIF関数と同じ発想）
  3. GROUP BY / 集計関数：ピボットテーブルと同じ「軸を決めて数える」
  4. ORDER BY：並び替え
  5. JOIN：VLOOKUPの上位互換。複数テーブルの結合
  6. HAVING：集計結果に対する条件（COUNTIFS的な発想）
  7. サブクエリ：クエリの中にクエリを入れる（ネスト関数と同じ構造）

Excelとの対応表で理解を加速する

Excelの操作SQLの対応
フィルターWHERE句
ピボットテーブルGROUP BY + 集計関数
VLOOKUPJOIN
COUNTIFSCOUNT + WHERE / HAVING
シートを分けるテーブル設計

この対応関係がわかると、SQLは「新しい言語」ではなく「Excelの発想を大規模データに適用する道具」として捉えられる。

学習環境のおすすめ

BigQueryの無料枠やSQLiteを使えば、環境構築のストレスなく始められる。Udemyの「BigQueryで学ぶ非エンジニアのためのSQLデータ分析入門」のような講座も、実務寄りで挫折しにくい。

ただし講座を「見るだけ」では力がつかない。自分の業務データ（CSVでエクスポートしたもの）をBigQueryに入れ、「先月の売上トップ10顧客は？」「解約率が高い曜日は？」など、自分のビジネス上の問いをSQLで答える練習をすることが最短ルートだ。

ステップ3：Pythonで「自動化と深掘り」を手に入れる（6〜8週間）

SQLで基本的なデータ抽出ができるようになったら、次はPythonだ。ただし注意点がある。非エンジニアがPythonを学ぶ目的は「エンジニアになること」ではない。

非エンジニアに必要なPython範囲

  • pandas：データの読み込み・加工・集計（SQLの結果をさらに加工する）
  • matplotlib / seaborn：Excelでは作れない高度な可視化
  • 自動化スクリプト：毎週やっている定型レポートを1クリックで生成
  • 基礎統計：平均・中央値・標準偏差・相関の計算と解釈

機械学習やディープラーニングは、この段階では不要だ。「毎週3時間かけていたレポート作成が15分になった」という成果が出れば、Pythonを学んだ投資は十分に回収できる。

環境構築で挫折しないために

非エンジニアがPythonで最も挫折しやすいのは「環境構築」だ。Google Colaboratoryを使えば、ブラウザだけでPythonが動く。インストール不要、無料。ここから始めれば環境構築で1週間を溶かす事故を防げる。

「出口」から逆算する学習設計の極意

ここまで読んで「よし、Excelから始めよう」と思った人にひとつ重要な注意がある。

学習の出口を先に定義してから始めること。

僕が銀行を辞めてプログラミングスクールに50万円払い、結局挫折した最大の理由は「出口を決めずに入口に立った」ことだった。カリキュラムが就職対策設計で、自分の「銀行のドメイン知識を活かしてSaaSを作る」という志向と噛み合っていなかった。

データ分析も同じだ。「SQLを覚えたい」ではなく、「来月のマーケティング会議で、チャネル別CVRを自分で集計して提案できる状態になる」という具体的な業務シーンをゴールにする。出口が明確なら、学ぶべき範囲は自動的に絞られる。

40代でも遅くない──前職の知識が最大の武器になる理由

「今さらプログラミングなんて」と思う人がいるかもしれない。しかし非エンジニアがデータ分析を学ぶとき、最大の武器は「技術力」ではなく「業務理解」だ。

僕がエンジニア転身後、最初の案件で住宅ローンSaaSの仕様書を読んだとき、計算式の欠陥に気づけたのは10年間の銀行業務があったからだ。技術は後から身につくが、ドメイン知識の深さは一朝一夕では手に入らない。

営業なら「どの数字が受注に効くか」を知っている。経理なら「どの勘定科目の異常値が監査で問題になるか」を知っている。その知識がある状態でSQLを覚えれば、「何を集計すべきか」の問いを立てる力で、データサイエンティストを凌駕することすらある。

実践ロードマップ：12週間の学習スケジュール

第1〜2週：Excel分析力の底上げ

  • 毎朝30分、業務データでピボットテーブルを回す
  • VLOOKUPで2つのシートを結合する練習を3パターン
  • 成果物：週次レポートをピボットテーブルで自動化

第3〜8週：SQL基礎〜実務レベル

  • 最初の2週間：SELECT / WHERE / GROUP BYの基本
  • 次の2週間：JOINとサブクエリ
  • 最後の2週間：業務データで実際にクエリを書く
  • 成果物：定例会議の数字をSQLで自分で引けるようになる

第9〜12週：Python入門〜自動化

  • Google Colaboratoryでpandasの基本操作
  • SQLで抽出したCSVをpandasで加工・可視化
  • 定型レポートの自動生成スクリプトを1本作る
  • 成果物：月次レポート自動化スクリプト

朝5時に起きてコーディング2時間——僕が独学時代に確立したルーティンだが、フルタイムで働きながら学ぶなら、この「始業前の2時間」が最も確実に確保できる時間帯だ。通勤時間にドキュメントを読み、朝に手を動かす。このサイクルを12週間回せば、確実に「データを自分で扱える人」になれる。

よくある質問（FAQ）

Q1. 数学が苦手でもデータ分析はできますか？

できます。業務レベルのデータ分析で必要な数学は、四則演算・割合・平均・比較程度です。高度な統計は必要になった段階で学べば十分。まずは「データを正しく集計して読み取る力」を優先してください。

Q2. ExcelのスキルがどのレベルならSQLに進んでいいですか？

ピボットテーブルを「何も見ずに作れる」、VLOOKUPで「2つの表を結合できる」状態がSQLに進む目安です。逆に言えば、関数を100個覚える必要はありません。

Q3. SQLとPythonどちらか一方だけで十分ですか？

多くの業務シーンでは、SQLだけで80%のデータ抽出・集計はカバーできます。ただし「自動化」「複雑な可視化」「統計分析」が必要になったときにPythonが活きます。まずSQLを確実に身につけ、必要に応じてPythonを追加するのが現実的です。

Q4. 独学と講座、どちらがおすすめですか？

業務データで練習できる環境があるなら独学で十分です。ただし「何を質問すればいいかわからない」段階では、体系的な講座が時間短縮になります。Google Colaboratory＋BigQuery無料枠＋公式ドキュメントの組み合わせなら費用ゼロで始められます。

Q5. AIツール（ChatGPTなど）があればSQLやPythonを覚えなくてもいいのでは？

AIは「書き方」を教えてくれますが、「何を集計すべきか」「この結果は正しいか」の判断は人間にしかできません。SQL・Pythonの基礎がある人がAIを使うと生産性が爆発的に上がりますが、基礎なしでAIに丸投げすると、間違った集計結果を正しいと思い込むリスクがあります。

まとめ

非エンジニアがデータ分析スキルを身につけるための最短ルートは、Excel→SQL→Pythonの積み上げ式だ。新しいスキルを「ゼロから」学ぶのではなく、すでに持っているExcelの発想を拡張する形で進める。

出口を先に定義し、自分の業務データで手を動かし、前職の知識を武器に変える。この設計ができれば、12週間で「データを自分で扱える人」への転身は十分に射程圏内だ。

40代でも遅くない。むしろ業務経験が長いほど、「何を分析すべきか」を知っているアドバンテージがある。まず手を動かそう。

参考文献

  • IPA（情報処理推進機構）「DX白書2023 第4部 デジタル時代の人材」
    https://www.ipa.go.jp/publish/wp-dx/gmcbt8000000botk-att/000108046.pdf
  • Analytics Vidhya「Data Analyst Learning Path 2026」
    https://www.analyticsvidhya.com/blog/2025/12/data-analyst-learning-path/
  • Dataquest「12 Data Analyst Skills That Will Get You Hired in 2026」
    https://www.dataquest.io/blog/data-analyst-skills/