中学生から就活生まで。
仕事と会社と大学を、わかる言葉で。
学年順位から、進学先・就職先・生涯年収まで。登録なし・無料、全国 4,961 校に対応。
同じ高校の先輩たちが、どんな大学に進んだか。その実績から、いまの順位から考えられる進学先・就職先、40歳の年収と生涯年収の目安を出します。順位を動かすと、未来がどう変わるかも見られます。
同じくらいの順位の先輩が進んだ会社の、平均的な年収の推移です。
押すと、その業界の仕事や職種の説明が見られます。
押すと、どんな会社なのかが見られます。
学年順位から「学年の上位何％か」を出し、同じくらいの位置にいた先輩たちの進学先を確率で表示します。上位の人ほど順位どおりの進学先に進みやすいとして計算しています。浪人した先輩は、上位にも下位にもいるため計算から外しています。
高校が出す「合格者数」は1人が何校も受かると重複するため、上位の帯から順に、同じ帯での複数合格と、上の帯に進んだ人の滑り止め合格を差し引いて、実際の進学者数を推定しています。
就職先は、大学帯ごとに「トップ企業・大手・中堅・中小」に入る割合と、業界の割合から計算します。生涯年収は22〜64歳の給与の合計（退職金は含まない）で、下の表はいまの仮の値です。各社の有価証券報告書の平均年収と、厚生労働省の賃金統計に置き換えていきます。
選ぶたびに、予想がその場で変わります。
行動ごとの効果は、就職実績の傾向をもとにした目安です。実際は本人しだいで大きく変わります。
文理選択は、高1〜高2のうちに決めることが多い選択です。ここで選んだ方によって、高校で受ける授業と受験科目が変わり、行ける学部が変わります。学部が変われば、大学での時間割や過ごし方、就職するときに選べる仕事、そしてその後の働き方まで変わっていきます。どちらが上ということはありません。それぞれで身につく力と大変なところを比べて、自分に合う方を考えてみましょう。
学部の名前だけでは、何をするのかはわかりにくいものです。タップすると授業や4年間の流れ、進路まで見られます。
仕事のことを知るのは、ふつうは就活のときです。でも、なるための道が高校の文理選択や学部選びで決まる仕事もあります。
保存した仕事・学部・会社、診断の結果、会社スタンプ帳をまとめて見られます。
まず、名前の似た学部とのちがいです。経営学部は、会社の戦略、マーケティング、会計、組織など「会社をどう動かすか」が中心です。情報学部や情報工学科は、コンピュータのしくみやプログラミング、ネットワークなど「情報技術そのもの」が中心です。経営情報学部は、その2つを組み合わせて「情報技術を使って会社をどう動かすか」を学ぶ学部で、日本では1987年に静岡県立大学に設置されたのが最初とされています。データサイエンス学部は、統計学と情報学を土台に、大量のデータから価値を引き出す方法を学ぶ学部で、2017年に滋賀大学が日本で初めて設置し、その後、横浜市立大学（2018年）、武蔵野大学（2019年、私立大学で初）、一橋大学（2023年、ソーシャル・データサイエンス学部）などが続きました。
パソコンが得意な人がプログラマーになるための学部
経営学と情報学を組み合わせて学ぶ学科です。たとえば、コンビニがPOSレジのデータを使って、どの商品をどの時間帯に多く並べるかを決めるしくみを学びます。静岡県立大学の経営情報学部では「経営」「総合政策」「データサイエンス」「観光マネジメント」の4分野から重点的に学ぶ分野を選ぶメジャー制をとっています（河合塾Kei-Net）。
統計学、機械学習、プログラミングを中心に、データを集め、分析し、意思決定に生かす方法を学びます。たとえば、天気や曜日のデータから、スーパーのお弁当が何個売れるかを予測して、売れ残りを減らすといった課題に取り組みます。
データサイエンスと、経済学、経営学、法学、社会学などの社会科学を組み合わせて学ぶ分野です。たとえば、SNSの投稿データから世の中の関心の変化を読み取り、政策や企業の判断に生かす方法を考えます。
会社で使われる情報システムの企画、設計、運用を学びます。たとえば、ネット通販で注文が入ると、倉庫に連絡が行き、在庫が減り、配送の手配がされるまでの一連のしくみを考えます。
押すと、その授業の中身が見られます。
データの平均やばらつきの求め方、2つのデータの関係の調べ方、偶然かどうかを確かめる方法（検定）などを学びます。たとえば、新しいメニューを出した店と出していない店で、売り上げに本当に差があるのかを確かめます。
データサイエンスの土台になる、もっとも大切な科目です。数式が多く出てくるので、高校の数学、とくに確率や数列の理解があると助かります。
データを分析するためのプログラミング言語を学びます。たとえば、数万行の売り上げデータを読み込み、月ごとの合計をグラフにするプログラムをつくります。
最初は文法のまちがいでプログラムが動かず苦労しますが、慣れるとExcelでは何時間もかかる作業が数秒で終わるようになります。毎週の課題で、少しずつ書ける量を増やしていきます。
行列やベクトル、微分などの数学を学びます。AIや機械学習のしくみを理解するために必要な数学です。
文系の入試で入った学生には難しく感じられる科目です。大学によっては、高校数学の復習から始める授業を用意しています。
データからパターンを見つけて予測や分類をするしくみを学びます。たとえば、過去の天気と電気の使用量のデータから、明日の電力需要を予測します。
さまざまな手法を学び、実際のデータで試して、どの方法がいちばんよく当たるかを比べます。どうしてその予測になったのかを説明できることも大切にされています。
大量のデータを整理して保存し、必要なときにすぐ取り出せるしくみを学びます。たとえば、図書館の蔵書検索や、ネット通販の商品検索の裏側にあるしくみです。
SQLという言語を使って、データを取り出したり集計したりする練習をします。会社で働くとすぐに使う技術の1つです。
会社がどのように利益を生み出し、競争に勝とうとしているのかを学びます。たとえば、ハンバーガーチェーンが値下げをするか、高級路線にするかをどう決めているのかを考えます。
データの分析だけでなく、その結果を会社の判断にどう生かすかを考えるために必要な科目です。企業の事例を読んで議論する授業が多くあります。
お客さんのニーズを調べ、商品やサービスをどう売るかを考える方法を、データを使って学びます。たとえば、ポイントカードの購買データから、どんな人がどの商品を一緒に買っているかを調べます。
実際の企業から提供されたデータを使って分析する授業もあります。分析の結果を、わかりやすいグラフと言葉で発表する力も求められます。
会社や役所で使われる情報システムが、どのようにつくられ、どのように使われているかを学びます。たとえば、銀行のATMや、学校の成績管理システム、電車のICカードの改札などです。
システムをつくる人と、使う人の両方の立場から考えるのが特徴です。システム開発の失敗事例から学ぶ授業もあります。
経営情報学部・データサイエンス学部では、パソコンを使った演習と、実際のデータを使ったプロジェクトが学びの中心です。1〜2年生で統計、プログラミング、数学の基礎を身につけ、3年生ごろからは企業や自治体から提供されたデータを分析して、課題の解決策を提案するプロジェクト型の授業に取り組みます。たとえば、自治体のバスの乗車データから、乗る人が少ない路線の改善案を考えるといった内容です。データの前処理（まちがいや抜けを直す作業）に思った以上に時間がかかったり、分析の結果がはっきりしなかったりと、教科書どおりにいかない難しさを経験します。4年生ではゼミで卒業研究に取り組み、論文やシステムとしてまとめます。
卒業生の進路は、IT企業や情報サービス業がもっとも多く、メーカー、金融、コンサルティング、広告、公務員など、データや情報システムを扱うあらゆる分野に広がっています。大学院に進んで、より専門的なデータサイエンティストや研究職をめざす人も少なくありません。たとえば、滋賀大学のデータサイエンス学部では、2024年度の卒業者93人のうち、就職が75人、進学が17人でした（河合塾Kei-Net）。横浜市立大学のデータサイエンス学部では、2023年3月の就職者のうち、情報通信業・マスコミが49.0％、広告・コンサルティング・専門サービス業が17.0％を占めています。
数字やグラフを見るのが好きな人、「なぜこうなるのか」をデータで確かめたい人に向いています。プログラミングの経験は入学前になくてもかまいませんが、パソコンでコツコツと作業を続けることが苦にならないことは大切です。また、データの分析は、それを使う人に伝わってはじめて意味をもつので、人と話したり、わかりやすく説明したりするのが好きな人も力を発揮できます。スポーツの成績データや、ゲームの攻略の数字を調べるのが好きな人にも向いています。
会社のしくみや、お店の経営に興味があり、ITを道具として使いこなしたい人に向いています。数学がとても得意でなくても、文系の入試で入れる大学もあります。
数学、とくに確率や統計が好きな人、データからパターンを見つけるのが楽しい人に向いています。理系の入試を課す大学が多いです。
入学してから多くの人が驚くのは、数学の量です。とくにデータサイエンス学部では、統計学や線形代数、微分積分を本格的に学ぶので、文系で入った人は苦労することがあります。また、実際のデータは教科書のようにきれいではなく、抜けやまちがいを直す作業に多くの時間がかかります。「AIをつくる華やかな仕事」というイメージとはちがい、地道な作業が多いことを知っておくとよいです。
データを分析して終わりではなく、その結果を使う人に説明し、行動を変えてもらうところまでが仕事です。人に伝える力の大切さに気づく学生も多いです。
AIやデータ分析の技術は、数年で大きく変わります。大学で学んだことを土台に、社会に出てからも学び続ける姿勢が求められます。
データサイエンスは、私たちの身近なところですでにたくさん使われています。たとえば、動画サイトのおすすめ、ネット通販の「この商品を買った人はこんな商品も見ています」、天気予報、電車の混雑予測、スポーツの選手の起用や戦術の分析などです。病院では、検査のデータから病気の早期発見に役立てる研究も進んでいます。国の取り組みとして、大学での数理・データサイエンス・AI教育を認定する制度もあり、データを扱う力は、どの学部の学生にも求められるようになっています。
野球やサッカーでは、選手の動きやボールの速さ、回転などをデータで記録し、練習や作戦に生かすことが広がっています。プロ野球の球団に就職するデータサイエンス学部の卒業生もいます。
多くの大学では、1年生でプログラミングの基礎から学べるようになっています。入学前の経験は必須ではありませんが、少しでもふれておくと入学後に楽になります。
学部を卒業してデータ分析の仕事に就く人も多くいます。ただし、研究開発や高度な分析を担当する仕事では、大学院で学んだ人が多い傾向があります。
AIの道具が便利になっても、どんな問題を解くべきかを決めること、データの意味を読み取ること、結果を使って人を動かすことは、人が担う大切な仕事です。技術が変わるので、学び続けることが大切です。
統計や数学の授業は避けられませんが、大学によっては高校数学の復習から始める授業や、学習サポートを用意しています。苦手でも、コツコツ取り組めば身につけられます。
数字はすべて公開データにもとづく目安です。出典は出典・サイトポリシーにまとめています。
この学部に通うといくらかかる？国公立・私立・学部ごとの学費の総額を見る社名だけでは何の会社かわかりません。業界タグと、何をしている会社かを見てみましょう。タップすると詳しく見られます。