CMO株式会社
Web 分析 キャリアガイド

CMO Guidebook

Web 分析 キャリアガイド

GA4・SQL・BI ツールを軸に働くマーケティングアナリストの職務・年収・キャリアパスを公開データから体系化する

Web 分析・マーケティングデータ分析職の職務範囲、業界構造、必要スキル（4 層モデル）、平均年収レンジ（複数公開ソースのクロスチェック）、キャリアパス、転職・職種転換、学習リソースまで、GA4・BigQuery・SQL を駆使してマーケティング意思決定を支える人材の長期キャリアを 7 章 + はじめにでまとめました。年収レンジは doda / JAC Recruitment / 求人ボックス / マイナビ転職 / Geekly Media 等の 2024〜2025 年データに基づき、出典 URL を本文に明記しています。

この資料の対象

  • Web 分析・マーケティングアナリストとして実務に携わるマーケター
  • 広告運用・SEO・エンジニアから Web 分析への職種転換を検討する人
  • 事業会社のインハウス分析チームの責任者・採用担当
  • 代理店・分析支援会社所属のアナリスト・コンサル

目次

  1. 00はじめに
  2. 01第 1 章: Web 分析職の職務範囲
  3. 02第 2 章: 業界構造と職種マップ
  4. 03第 3 章: 必要なスキル
  5. 04第 4 章: 平均年収と給与レンジ
  6. 05第 5 章: キャリアパス
  7. 06第 6 章: 転職・職種転換
  8. 07第 7 章: 学習リソースと資格

PDF をダウンロード

下のボタンを押すとブラウザの印刷ダイアログが開きます。「送信先」で「PDF として保存」を選択してダウンロードしてください。

はじめに — このガイドブックの読み方

Web 分析・マーケティングデータ分析は、GA4・Search Console・BI ツール・SQL を駆使して顧客行動を読み解き、マーケティング施策の意思決定を支える職能です。職種名は「Web アナリスト」「マーケティングアナリスト」「データアナリスト（マーケティング）」「グロースアナリスト」など複数に分散し、年収レンジ・キャリアパスは外から見えにくい職能でもあります。本ガイドは、Web 分析を中心に働くマーケターの 職務範囲・必要スキル・年収・キャリアパス を、公開データの引用とともに体系化した、職種別キャリアガイドの 1 冊です。

CMO マーケターキャリアガイドが「マーケターという職能の獲得・運用・更新」をマーケター全般で扱うのに対し、本書は Web 分析・マーケティングデータ分析を主領域とするキャリア に絞って具体化します。

本書の特徴

  • 公開データに基づく年収レンジ — doda・JAC Recruitment・求人ボックス・マイナビ転職等の 2024〜2025 年データを複数クロスチェックして提示します
  • 役割タイプ別の整理 — Web アナリスト / マーケティングアナリスト / グロースアナリスト / 事業会社のインハウス分析リード / アナリティクスエンジニアといった役割を職務範囲で区別します
  • データエンジニア・BI エンジニアとの境界整理 — マーケティング起点の分析職と、データ基盤を作る職能の違いを章ごとに明示します

想定読者

役割 本書から得られるもの
Web 分析を担当している実務者 次のステージへの足場、年収交渉の根拠データ
Web 分析への職種転換を検討する人 異職種からの参入経路、未経験 → 実務年数別の到達目安
インハウス分析チームの責任者 採用要件設計・等級設計の業界相場
マーケティング責任者・経営層 分析組織の投資判断、外部委託 vs 内製の評価軸
編集者・広告運用・エンジニア 分析隣接職からのキャリア拡張選択肢

本書の構成

本書は次の 7 章で構成されています。職務理解（1〜2 章）、スキルと年収（3〜4 章）、キャリア設計（5〜6 章）、学習（7 章）の 4 層構造で読み解けます。

第 1 章: Web 分析職の職務範囲 — 何をする仕事か
第 2 章: 業界構造と職種マップ — どこで働く選択肢があるか
第 3 章: 必要なスキル — 4 層モデルで棚卸しする
第 4 章: 平均年収と給与レンジ — 公開データのクロスチェック
第 5 章: キャリアパス — ジュニアから部長・独立まで
第 6 章: 転職・職種転換 — 評価される経歴と選び方
第 7 章: 学習リソースと資格 — 1〜3 年で着地するための投資

各章は独立して読めますが、第 1〜2 章で職務範囲と業界構造を把握し、第 3 章でスキルを棚卸ししてから第 4 章以降のキャリア・年収を読むと、自分の現在地と次の選択肢が立体的に見える構成にしています。

「Web 分析職」と「データエンジニア / BI エンジニア」の違い

本書は マーケティング起点で数字を読み、施策に接続する職能 を扱います。データ基盤の構築・運用を中心とするデータエンジニアや、全社 BI のアーキテクチャを担う BI エンジニアは射程外です。両者の境界はぼやけることもありますが、本書では「分析結果から打ち手まで言語化できるか」を Web 分析職の必須要件としています。

軸 Web 分析職（本書） データエンジニア / BI エンジニア
主たる成果物 施策の意思決定、レポート、KPI ダッシュボード データパイプライン、データウェアハウス、共通 BI 基盤
評価される指標 事業 KPI への接続、施策の質 データの正確性、可用性、スケーラビリティ
主たるツール GA4、BI ツール、SQL、スプレッドシート、CDP dbt、BigQuery、Airflow、Terraform
マーケ部門との距離 同じ部門 or 隣接部門 データ基盤チーム or 情報システム部門

職務範囲が重なる組織もあるため、求人票・面接ではどの責任を持つかを言語化することが重要です。

出典・データ更新方針

  • 年収・市場規模データは記事末に出典 URL と取得年月を明記します
  • 数値はレンジで提示し、単一の中央値に依存しません
  • データの陳腐化を防ぐため、毎年改訂を予定しています
  • AI 検索・生成 AI 活用領域は仕様変化が速いため、章末に「最終確認日」を明示します

第 1 章 — Web 分析職の職務範囲

Web 分析職は「GA4 のレポートを作る人」と狭く理解されがちだが、実際の職務範囲は計測の設計から打ち手の言語化まで広い。検索流入・広告・SNS・直接訪問など複数チャネルのデータを横断し、 マーケティング施策の意思決定を数字で裏付ける実装職能 である。本章では、Web 分析職の実態を 5 つの主要業務に分けて整理する。

5 つの主要業務

業務 内容 関連職種との接続
計測設計 計測すべき指標の定義、GA4・GTM のタグ設計、データレイヤー設計 エンジニア、PdM、マーケ責任者
データ収集と前処理 BigQuery / DWH へのデータ集約、ETL、データ品質管理 データエンジニア、BI チーム
分析と示唆抽出 セグメント分析、ファネル分析、コホート分析、AB テスト読み解き グロース、SEO、広告運用、CRM
ダッシュボードとレポーティング Looker Studio / Tableau での可視化、KPI モニタリング、定例レポート 経営層、マーケ責任者、現場担当
施策提案と検証設計 仮説立案、AB テスト設計、改善優先順位の決定、効果検証 プロダクト、UX、編集、広告運用

「Web 分析担当」と一言で言われる職務には、これら 5 業務の どこをどの深さでカバーするか という幅がある。求人票を読むときも、自分の経歴を語るときも、5 業務のうちどれが主戦場かを明示すると伝わりやすい。

特に重要なのは「分析（3）」と「施策提案（5）」を一気通貫で担当できるか。 数字を出すだけで終わる人 と 数字から打ち手まで言語化できる人 では、市場価値が大きく異なる。

1 週間の典型的なタスク（実務担当の例）

事業会社のインハウス Web 分析担当（経験 3〜5 年想定）の典型的な 1 週間。

曜日 主なタスク
月 週次ダッシュボード確認、流入・CV の異常検知、関係部門への共有
火 担当領域のセグメント分析、仮説の言語化、施策担当との打ち合わせ
水 AB テストの結果集計、統計的有意性の検証、次回テスト設計
木 GA4 / GTM の計測修正、データ品質チェック、エンジニア協働
金 月次戦略会議資料の作成、施策の効果検証、来週のロードマップ

代理店・分析支援会社側の場合は、「クライアントとの定例ミーティング」「分析レポートの作成」「複数案件のポートフォリオ管理」が時間配分の上位に来る。

似た職種との違い

Web 分析職と混同されやすい職種を整理する。境界は組織によって動くが、典型的な責任の重心は以下のとおり。

職種 主な責任の重心 Web 分析職との関係
データサイエンティスト 機械学習・統計モデルの開発、予測・推論 Web 分析より分析手法が深く、マーケ施策との距離はやや遠い
データエンジニア データパイプライン、DWH、ETL の構築 分析の前提条件を整える役割。マーケ KPI には触れにくい
BI エンジニア / アナリティクスエンジニア dbt / DWH を中心に共通指標の整備 データエンジニアと分析職の橋渡し。Web 分析の上流
グロースマーケター 数字を見て施策を打ち、伸ばす Web 分析と重なる領域は多いが、施策実装まで持つ
デジタル広告運用 有料媒体の運用と最適化 分析の主要顧客の 1 つ、媒体内最適化が主担当
Web ディレクター サイト全体の設計・進行管理 分析データを参考に意思決定するが、計測は主業務ではない
CRM・MA 担当 既存顧客への施策設計と運用 分析と協働するが、フェーズはリテンション側

採用面接や経歴書では、「私は Web 分析職です」と言い切るより、 5 業務のどこをどう経験したか を語るほうが、組織側の評価が安定する。

「数字を出す人」と「打ち手を出す人」の差

業界で繰り返し指摘される、Web 分析職のキャリアを左右する分岐がここにある。

タイプ 仕事の出力 年収カーブの傾向
数字を出す人 レポート、ダッシュボード、抽出データ 400〜600 万円で停滞しやすい
数字から示唆を出す人 「次に何をすべきか」の言語化 600〜900 万円帯に乗りやすい
打ち手を実装まで持ち込む人 施策設計、関係者調整、結果検証 800〜1,200 万円帯に到達

ツール操作の習熟度（L4）が同等でも、上流（L1〜L2）の思考の型に投資した人ほど、長期年収カーブが伸びる。第 3 章のスキルマップで具体化する。

第 2 章 — 業界構造と職種マップ

Web 分析職の年収・キャリアパスを判断するには、「どこで働く選択肢があるか」を先に整理する必要がある。同じ「Web 分析担当」でも、勤め先のセグメントによって責任範囲・年収レンジ・成長環境は大きく異なる。

市場規模

指標 数値 出典
国内インターネット広告市場規模（2024 年度） 3 兆 5,834 億円（前年度比 110.7%） 矢野経済研究所「インターネット広告市場に関する調査（2025）」
国内インターネット広告市場規模（2025 年度見込） 3 兆 8,955 億円（前年度比 108.7%） 同上
グローバルデジタル広告市場（2025） 約 7,121 億ドル → 2035 年: 約 1 兆 511 億ドル（CAGR 約 3.97%） Business Research Insights「Digital Advertising Market」（2025）
国内 CDP 市場 急拡大、Adobe / Salesforce / Treasure Data 等が AI 機能を強化 各種市場調査（2025）
日本のマーケターが優先するメディア（2025） デジタル動画 51%、ソーシャル 42%、検索 37% IAS「The 2025 Industry Pulse Report 日本版」

市場全体は拡大基調にあり、デジタル広告とリテールメディア・CDP の伸びが大きい。広告投下量が増えるほど 「効果を測定して最適化する人」 の需要も拡大し、Web 分析職の求人需要は中期的に縮小しない見通し。

業界セグメント

Web 分析職が働く場所は、大きく 4 つに分類できる。

セグメント 代表企業 仕事の特徴 年収レンジの傾向
分析・データ支援会社 プリンシプル、メンバーズ、トライベック、フリークアウト、電通デジタル 多業種クライアントを担当、ツール・分析手法の引き出しが広がる 担当〜マネージャーで広く分布
総合デジタル代理店 サイバーエージェント、セプテーニ、博報堂 DY デジタル 広告運用・CRM とセットでの分析支援、戦略提案まで 中位、職位次第で上位
Web 制作・開発企業 LIG、メンバーズ、ベイジ等 計測実装・タグ設計に強み、サイト構築一体で受注 エンジニア寄りの給与体系
インハウス（事業会社） リクルート、楽天、メルカリ、SaaS / FinTech / EC 各社 自社プロダクトに深くコミット、分析が事業 KPI に直結 ベンチャー〜大手で上限が高い

事業会社のインハウス分析職は近年急速に増加。特に SaaS・FinTech・EC・メディア 領域で年収レンジが高い傾向がある（doda・JAC Recruitment 求人検索、2025 取得）。

出典: JAC Recruitment「Web アナリストの転職事情」（最終確認 2026-05-25）、矢野経済研究所「インターネット広告市場に関する調査（2025）」

雇用形態と所属の選び方

形態 向いている人 注意点
分析支援・代理店 短期間で多業種・多ツールの経験を積みたい クライアント都合で深堀りが浅くなりがち
インハウス（事業会社） 1 つの事業に長期コミットして CV・売上に責任を持ちたい データ環境が整っていないと前処理ばかりになる
Web 制作会社 計測実装から運用まで一気通貫で見たい 戦略レイヤーの仕事は限定的になりがち
フリーランス・独立 案件選択と価格設定の自由度がほしい 営業・契約・税務を自分で持つ必要がある
副業 + 本業 リスクを抑えて独立可能性を試したい 本業との利益相反、時間管理

役職カテゴリ

組織側から見た典型的な等級・役職カテゴリは以下のとおり。職位名は会社ごとに異なるため、 責任スコープ で読み替える。

等級 典型的な職位名 責任スコープ
ジュニア アシスタント、Jr. アナリスト 個別タスク（レポート作成、データ抽出、定例集計）
担当 Web アナリスト、マーケティングアナリスト 1 サービス or 1 領域の分析判断、施策提案の起点
プランナー シニアアナリスト、コンサル型アナリスト 複数施策・複数領域の分析設計、計測戦略の立案
リード 分析リード、Analytics Lead チーム内分析方針、データ品質管理、教育
マネージャー 分析マネージャー、Head of Analytics 事業 KPI 接続・予算配分・採用
部長・責任者 データ責任者、VP of Analytics 全社データ戦略、CMO / CDO 直下の意思決定

責任スコープと年収レンジは第 4 章で対応づけて示す。

出典

第 3 章 — Web 分析職に必要なスキル

Web 分析は短期間で陳腐化する戦術知識（特定ツールの仕様、特定 SaaS の運用）と、10 年単位で有効な思考の型（仮説検証、計測設計、統計）が同居する職能である。CMO マーケターキャリアガイド第 2 章の 4 層モデルを Web 分析に当てはめて、スキルを棚卸しする。

4 層モデルで見る Web 分析スキル

層 内容 Web 分析での具体例 陳腐化のしやすさ
L1 思考の型 顧客理解・仮説・検証・学習サイクル、統計的思考 計測設計、AB テスト設計、コホート分析設計、因果推論の基礎 低（10 年以上有効）
L2 領域知識 計測フレーム、マーケティング全体構造、組織連携 KPI ツリー、ファネル設計、アトリビューション、組織のデータカルチャー設計 中（3〜5 年で更新）
L3 戦術知識 GA4、AB テスト、可視化、データ前処理、CDP / MA GA4 イベント設計、Looker / Tableau ダッシュボード設計、AB テスト統計、SQL クエリ最適化 高（1〜3 年で更新）
L4 ツール操作 各種ツール、SQL、Python、スクリプト GA4 / GTM / BigQuery / Looker Studio / Tableau / dbt の UI・API 非常に高（半年で変わる）

学習投資の優先順位は L1 > L2 > L3 > L4。L4 を中心に経験を積むと、ツールの世代交代でリセットされる。L1〜L2 を持つ人は、新しいツール・新しい仕様変更が出ても適応できる。

GA UA から GA4 への移行（2023〜2024）で「ツール操作中心の人」が市場価値を一時的に落としたのも、L1〜L2 の薄さが顕在化した典型例。

スキル棚卸しチェックリスト

経験 2〜5 年の Web 分析担当者を想定した自己評価項目。「説明できる／実行できる／教えられる」の 3 段階で評価する。

L1 思考の型

  • 自社サービスの KPI ツリーを、上流の事業 KPI から末端のチャネル KPI まで描けるか
  • AB テストを「サンプルサイズ × 期間 × 有意水準 × 撤退条件」で設計できるか
  • 過去 6 か月で外れた仮説を 3 つ以上挙げ、外れた理由まで言語化できるか
  • 相関と因果の違いを、自社データの具体例で説明できるか
  • バイアス（生存者バイアス、選択バイアス、観測バイアス）を、自分の分析に当てはめてチェックできるか

L2 領域知識

  • マーケティングファネル（認知 → 検討 → 購入 → 継続）と計測ポイントの対応を描けるか
  • アトリビューションモデル（ラストクリック、データドリブン等）の違いと使い分けを説明できるか
  • 計測設計を「ビジネスゴール → KPI → KPI を測る指標 → タグ設計」の順で組み立てられるか
  • 組織のデータカルチャー（誰がデータを見るか、何が信頼されているか）を観察し、改善設計できるか
  • プライバシー規制（個人情報保護法、Cookie 規制、ITP / IDFA 等）の影響を計測設計に反映できるか

L3 戦術知識

  • GA4 のイベント・パラメータ設計を、ビジネス要件から逆算して設計できるか
  • AB テストの結果を、p 値・信頼区間・効果量で読み解けるか
  • BigQuery 等の DWH で SQL を書き、複数テーブル結合・ウィンドウ関数を使った分析ができるか
  • Looker Studio / Tableau で、ステークホルダー別のダッシュボードを設計・運用できるか
  • CDP / MA のデータ統合を、マーケ施策の文脈で活用設計できるか

L4 ツール操作

  • GA4 と GTM の主要レポート・タグ設定を独力で運用できるか
  • BigQuery / Snowflake 等で、複雑な SQL クエリを書き、クエリ最適化ができるか
  • Python（pandas / scikit-learn）で、データ前処理〜統計分析・基礎的な機械学習ができるか
  • Looker Studio / Tableau / Power BI のいずれかで、保守可能なダッシュボードを設計できるか
  • スプレッドシート関数（QUERY、ARRAYFORMULA、IMPORTRANGE）で、大規模データを操作できるか

JAC Recruitment「Web アナリストの転職事情」（2025）では、 SQL によるデータ集計経験 1 年以上、Python によるデータ分析経験 1 年以上 が必須スキルとして挙げられている。一方で、ビジネス側との対話力（経営視点で語る力）が同等以上に重視されているとも明記されている。

ステージ別の到達目安

経験年数とスキル習得の標準的なスケジュール。

経験 到達目安
0〜3 か月 GA4・GTM の基本操作、SQL 基礎、計測設計の用語理解
累計 1〜2 年 担当領域の分析・レポートを独力で完結、AB テスト読み解きが可能、L1〜L2 の基礎が固まる
累計 2〜3 年 大きな成果に結びつく分析、KPI ツリー設計、施策提案までを一貫して持つ
5 年〜 計測戦略・チーム管理、複数領域横断、L1〜L4 を統合
7 年〜 データ責任者・分析マネージャーとして組織設計・予算配分

最初の 1 年で「学習に時間を割けるか」が、長期年収カーブを決めると言われる。実務に追われて L1〜L2 を後回しにすると、5 年経っても L3〜L4 のループから抜けられない。

ソフトスキル — 戦術知識と同じくらい効く

L1〜L4 はテクニカル寄りだが、現場では次のソフトスキルが年収カーブを大きく左右する。

スキル なぜ効くか
経営層への説明力 投資判断を取りに行く能力。L4 まで強くても説明できなければ予算は降りない
ステークホルダー調整 エンジニア・マーケ・PdM・経営層をまたぐ役割。計測実装は協働なしには進まない
数値で語る力 「順位が上がりました」ではなく「CV が X% 増え、売上に Y 円寄与」で経営層と接続できる
学習継続の習慣 GA4 移行のような大規模変更が定期的に起きる。学習が止まると 2〜3 年で陳腐化する
「わからない」を言える誠実さ 分析職は仮説が外れることが日常。失敗を学習に変える文化を作れる人が等級を上げる

出典

第 4 章 — 平均年収と給与レンジ

Web 分析職の年収は、職位・経験年数・所属セグメント・職種名（Web アナリスト／マーケティングアナリスト／データアナリスト）で大きく変わる。本章では、複数の公開データソースをクロスチェックしてレンジを提示する。 単一のデータに依存せず、自分の状況を「どのレンジに入りそうか」で読む ことを推奨する。

全体水準

指標 数値 出典
Web アナリスト全体の平均年収 約 600 万円前後 JAC Recruitment「Web アナリストの転職事情」（2025）
データアナリスト平均年収（求人ボックス・全国） 約 721 〜 725 万円 求人ボックス「データアナリストの仕事の平均年収」（2025）
データアナリスト年収中央値ボリュームゾーン 554〜657 万円（求人ボックス）／ 646〜745 万円（同・別集計） 求人ボックス（2025、最終確認 2026-05-25）
マーケティング職全体の平均年収（doda） 511 万円（男性 553 万円・女性 457 万円） doda「平均年収ランキング 2025」
日本の全業種平均年収（2025） 429 万円 doda「平均年収ランキング 2025」

「Web アナリスト」より「データアナリスト」というラベルのほうが、求人ボックスの集計上は平均年収が高い。これは「データアナリスト」名義に IT 系・金融系・コンサル系の高単価案件が含まれるため。マーケティング起点の Web 分析職を狙う場合、 求人タイトルだけで判断せず、業務内容で年収を読む ことが重要。

経験年数別レンジ

経験 年収レンジ 主たる役職イメージ
未経験〜0 年 300〜450 万円 アシスタント、Jr. アナリスト
実務経験 2 年 400〜600 万円 Web アナリスト、マーケティングアナリスト
実務経験 5 年 600〜800 万円 シニアアナリスト、コンサル型アナリスト
実務経験 10 年 700〜1,200 万円 分析リード、分析マネージャー
役職者・独立 800〜2,000 万円超 データ責任者、Head of Analytics、独立コンサル

出典: JAC Recruitment「Web アナリストの転職事情」（2025）、求人ボックス「データアナリストの仕事の平均年収」（2025）、Geekly Media（2025）、Offers Magazine（2024-11）

レンジの幅が大きいのは、 同じ経験年数でも所属セグメントと役職で年収が 2 倍以上開く ためである。たとえば 5 年経験で代理店の中位では 500 万円、SaaS インハウスの分析リードでは 900 万円、というケースが同時に存在する。

役職別レンジ

役職 年収レンジ
一般社員（アナリスト・スペシャリスト） 350〜800 万円
係長〜課長（リード・チームマネージャー） 600〜1,000 万円
部長（Head of Analytics、データ責任者） 800〜1,500 万円

出典: JAC Recruitment（2025）、STRIDE「マーケティング職の平均年収」（2026 年版）

企業規模別レンジ

企業規模 年収レンジ 特徴
中小企業 350〜600 万円 一人分析になりやすい、データ環境が整わず前処理が長い
ベンチャー企業 450〜1,000 万円 ストックオプションや業績連動で上振れ、データを 0 から作る経験ができる
大企業 500〜1,200 万円 制度が整い等級が明確、データ環境も整備されていることが多い
外資系 600〜2,000 万円 英語必須、グローバル基準の等級設計、上限が高い

出典: JAC Recruitment（2025）、Sincereed Agent「アナリストの平均年収」（2025）

雇用形態別レンジ

形態 年収レンジ 特徴
代理店・分析支援会社所属 350〜800 万円 案件数で経験積みやすいが、上限が比較的低い
インハウス（事業会社）所属 400〜1,500 万円 上限が高く、事業 KPI 連動で上振れあり
フリーランス・独立 案件単価次第（年収 1,000 万円超も） 案件選択と価格設定の自由度、本人の営業力に依存
派遣社員（参考） 平均時給 2,400 円前後 求人ボックス（2025）。フルタイムで年収 450〜500 万円相当

出典: 求人ボックス「データアナリストの仕事の平均年収」（2025）、JAC Recruitment（2025）

求人例から見る具体の年収

求人例 予定年収 出典
doda 掲載・マーケティングアナリスト 395 万円〜607 万円（中位帯の典型） doda マーケティングアナリスト求人（2025-05 取得）
doda 掲載・マーケティングアナリスト 500 万円〜786 万円 同上
doda 掲載・マーケティングアナリスト 500 万円〜750 万円 同上
マイナビ転職・首都圏マーケ職モデル年収 全 321 職種ランキングに分析職含む（ランキング詳細は転職サイト参照） マイナビ転職「職種別モデル年収平均ランキング 2025」
富士フイルムビジネスイノベーション・自社 EC マーケ職 予定年収 918 万円 doda 求人（2025-05 取得）

特定企業の求人例は時期によって変動するため、 応募時点で求人サイトを最新化して確認 することを推奨する。

年収を伸ばすために効く 4 つの要素

複数のデータソースから抽出した、年収を伸ばしやすい要素は次の 4 つ。

要素 効きやすさ
事業 KPI への接続（数字 → 施策 → 売上） 数字で経営に語れる人は等級が早く上がる
SQL / Python による独力分析 データエンジニア依存を脱し、分析の生産性が大幅に上がる
マネジメント経験 5 名以上のチームを率いた経験は係長〜部長級の必須条件
副業・独立準備 本業給与に副業を上乗せできる、独立で 1,000 万円超も可能

JAC Recruitment（2025）の指摘では、 データエンジニアから Web アナリストに転職した 30 代後半男性が、720 万円から 850 万円へ年収アップ した事例が紹介されている。技術力 × ビジネス視点の両立が、年収カーブを上方修正する典型パターン。

逆に、年収カーブが伸びにくいパターン:

  • L4 ツール操作の経験が中心で、L1〜L2 の戦略思考が育っていない
  • 「数字を出すだけ」で施策提案・実装に踏み込めていない
  • ビジネス側との対話が苦手で、レポート作成で完結している
  • データエンジニア領域に逃げ込み、マーケティング文脈との接続が弱くなった

出典まとめ

データの取得年月は記事執筆時点（2026-05）。各転職サイトの集計値は四半期〜半期で更新されるため、交渉や応募の前に最新値を再確認することを推奨する。

第 5 章 — キャリアパス

Web 分析職のキャリアパスは「上に上がる」一本道ではない。 深さの方向（スペシャリスト）・広さの方向（マーケ全般）・経営の方向（CMO / CDO・独立） の 3 軸で分岐する。本章では、典型的なステージ進行と、その先の選択肢を整理する。

ステージ進行の標準形

CMO マーケターキャリアガイド第 1 章のステージ定義を Web 分析職に当てはめる。

ステージ 典型期間 主な意思決定 年収レンジ
L1 アシスタント 0〜1 年 与えられた集計・レポート補助、計測タグの動作確認 300〜450 万円
L2 アナリスト 1〜4 年 担当領域の分析判断、AB テスト読み解き、ダッシュボード設計 400〜700 万円
L3 シニアアナリスト 3〜7 年 複数領域の分析設計、計測戦略立案、施策提案までを所有 600〜900 万円
L4 分析リード・マネージャー 5〜10 年 チーム編成、データ品質管理、人材育成、予算配分 800〜1,200 万円
L5 部長・経営層 8 年〜 全社データ戦略、CMO / CDO 直下の意思決定、独立 900〜2,000 万円超

出典: JAC Recruitment「Web アナリストの転職事情」（2025）、Geekly Media「データアナリストとは？」（2025）、STRIDE「マーケティング職の平均年収」（2026）

ステージの進み方は人ごとに異なる。最短コースで L1 → L4 まで 6 年というケースも、L2 で 5 年留まって深く専門化するケースも、どちらも合理的な選択である。

3 つの分岐方向

L2〜L3 のあたりで、多くの Web 分析職が次の 3 方向のいずれかへ分岐する。

方向 A: 深さ — 分析スペシャリストとして極める

進路 内容 必要な強み
データサイエンティスト 機械学習・統計モデルを駆使した予測・推論、施策効果の因果推論 統計、Python、機械学習、アルゴリズム理解
マーケティングサイエンティスト MMM（マーケティングミックスモデリング）、アトリビューションモデル開発 計量経済学、ベイズ統計、広告計測
アナリティクスエンジニア dbt / DWH を中心に共通指標の整備、データモデリング SQL、データモデリング、dbt、DWH 設計
計測スペシャリスト（Tag / Tracking） GA4 / GTM / CDP 計測設計、プライバシー対応 タグ実装、データレイヤー設計、規制理解

スペシャリスト方向は、 5 年以上同じ領域で深堀りできる組織 にいることが重要。代理店なら案件多様性、インハウスなら大規模サイト・大量データの存在が条件になる。

方向 B: 広さ — マーケティング全般へ拡張

進路 内容 必要な強み
グロースマーケター 分析を起点に AB テスト・施策実装まで持つ 仮説立案、施策設計、エンジニア協働
デジタルマーケティングマネージャー SEO・広告・CRM の全チャネルを管掌、分析は判断材料 複数チャネルの知識、予算配分、人材育成
プロダクトマーケター（PMM） ICP・ポジショニング起点で施策・計測を統合 戦略思考、競合分析、市場理解
マーケティングディレクター 複数施策の戦略責任、計測の標準化を推進 予算配分、人材育成、経営説明

広さ方向は、 マーケティングの上流（顧客理解・戦略）に時間を移す ことが鍵。Web 分析職が L4 で詰まる多くは「上流に出られない」ことが原因。

方向 C: 経営 — CMO / CDO・独立・経営参画

進路 内容 必要な強み
事業会社の CMO 全社のマーケティングを統括 経営層との対話、予算・組織設計、長期戦略
Chief Data Officer（CDO） 全社データ戦略、データガバナンス、データ組織責任 データガバナンス、組織設計、経営対話
マーケティング責任者（Head of Marketing） マーケ組織全体の運営 マネジメント、採用、評価設計
独立アナリティクスコンサル 複数クライアントへのコンサル 営業、価格設計、契約管理
起業（マーケ支援会社・SaaS） 自社事業として分析知見を商品化 経営、財務、組織設計

出典: プロテンマガジン「マーケティング職のキャリアプラン！CMO の有無でキャリアパスはこんなに違う」（最終確認 2026-05-25）

CMO までの典型ルートとしては、 「アナリスト → グロース → デマンド or マーケディレクター → CMO」 のように、徐々に責任スコープを広げるパターンが多い。Web 分析スペシャリストのまま CMO に上がるケースは少数派だが、 CDO や Head of Analytics のポストは分析職プロパー出身が増えつつある 。

マネジメント vs 個人貢献者の分岐

L3〜L4 で多くの Web 分析職が直面する分岐。

個人貢献者を伸ばす マネジメントを伸ばす
自分で分析設計し、自分で SQL・Python まで書く 5〜10 名のチームを率い、判断の質を上げる
専門領域（MMM / 因果推論 / 計測実装）で第一人者を目指す 採用・評価・組織設計に時間を移す
副業・独立で個人ブランドを作る 経営層との対話を増やし、予算交渉を担う

事業会社の Staff / Principal 相当の個人貢献者キャリアが整備されつつあるため、マネジメントに向かない人でも年収 1,000 万円超は十分に到達可能。

「Web 分析だけ」で年収カーブが詰まる典型パターン

複数の業界記事で繰り返し指摘される、年収が伸びなくなる典型パターン:

パターン 起きること 抜け道
ツール操作中心 L4 だけで止まり、戦略の議論に入れない L1〜L2 の学習に意図的に時間を投下する
レポート作成で完結 「数字を出す人」止まりで施策提案ができない 月 1 件「自分が出した示唆 → 施策化 → 効果」のサイクルを記録する
1 サービスに 5 年以上 横展開の経験がなく、市場価値が読みにくい 副業で別業界の分析案件を持つ
統計の基礎が弱い AB テストや因果推論の議論で発言できない 統計検定 2 級〜準 1 級レベルの基礎を体系学習
ビジネス側との対話が薄い 分析が現場と切り離され、施策に反映されない 越境的なプロジェクトに自ら手を挙げる
AI / LLM 活用を学んでいない 2025 年以降、生成 AI による分析・前処理の自動化に乗り遅れる Claude / ChatGPT / Cursor を分析ワークフローに組み込む

出典

第 6 章 — 転職・職種転換

Web 分析職の転職市場は、需要が高く求人数も多い一方で、 求人タイトルがバラバラで職務範囲が読みにくい という特性がある（「Web アナリスト」「マーケティングアナリスト」「データアナリスト」「グロースアナリスト」が混在）。本章では、転職・職種転換の判断軸と、市場で評価される経歴の作り方を整理する。

求人市場の現状

指標 数値 出典
同社実績の Web アナリスト求人 前年同期比 1.3 倍に増加 JAC Recruitment「Web アナリストの転職事情」（2025）
Indeed「インハウス 分析」関連求人 約 500 件（全国、2025-05 取得） Indeed（2025-05、最終確認 2026-05-25）
拡大領域 ネイティブアプリ、デジタルマーケティング、エネルギー / プラント JAC Recruitment（2025）
高年収帯の業種 SaaS / FinTech / EC / 大手メーカーのインハウス分析 doda・マスメディアン求人検索（2025-05）

事業会社のインハウス分析求人は近年急速に増加。一方で「マーケティングデータ分析できる人材が慢性的に不足している」と複数の業界記事で指摘されている。

評価される経歴の作り方

Web 分析職の経歴書は、 「使ったツールのリスト」ではなく「責任スコープと事業 KPI の接続」 で書くと採用側に伝わる。

強い経歴の要素

要素 例
数字を前提込みで書く 「予算 X 億の広告投資に対し、計測再設計で CV 計測精度を Y% 改善、施策判断のスピードを Z 倍に」
意思決定の所有を示す 「KPI ツリー設計の最終決裁を所有、計測仕様の策定とエンジニア連携を主導」
失敗と学習も書く 「初期に推進した AB テストで 6 割は有意差を出せず、サンプルサイズ計算と仮説設計を見直した」
横の越境を見せる 「エンジニア協働で計測実装、PdM 協働で KPI 再定義、営業協働で商談化指標と Web 行動の接続」
上流接続を見せる 「事業 KPI（売上、LTV）と Web KPI（流入、CV 数）の接続を月次レポートで毎回示した」

弱い経歴の典型

弱い書き方 採用側にどう見えるか
「GA4 でレポートを作成」 何をしたか不明、ツール操作にしか見えない
「アクセス解析を実施」 CV・売上への接続が不明、定例業務にしか見えない
「SQL でデータ抽出」 抽出して何の判断につながったかが不明
「ダッシュボードを構築」 どのステークホルダーが何に使ったか不明
「PDCA を回しました」 何をどう回したかが不明、ツール用語の羅列に見える

職種転換 — Web 分析への入り方

Web 分析は他職種から参入しやすい職能でもある。代表的な参入経路。

参入元 強み 補う必要があるもの
デジタル広告運用 数字・仮説・検証、CV 計測の理解 SQL、データモデリング、計測タグ実装
SEO 担当 Search Console / GA4 の運用経験、CV 設計 SQL、AB テスト統計、ダッシュボード設計
Web ディレクター サイト構造、UX、UI/UX 検証 SQL、統計、計測タグ実装
エンジニア・SRE SQL、データモデリング、計測タグ実装 マーケティング全体構造、KPI ツリー、施策提案
経営企画・営業企画 KPI 設計、ビジネス理解、レポーティング GA4、計測実装、SQL、AB テスト統計
マーケティング全般 ビジネス課題の解像度、施策の文脈理解 SQL、計測実装、統計の基礎

JAC Recruitment（2025）の指摘では、 マーケティング業務経験者は「ビジネス課題の設定」と「顧客理解」で優位 であり、Python / SQL を半年〜8 か月の学習で習得して転職する例が複数あるとされる。

未経験からの参入は、 最初の 1 年で集中的に学ぶ環境 を選ぶことが鍵。代理店・分析支援会社で多業種経験を積むか、事業会社の分析チームに入って先輩から学ぶか、どちらかが標準ルート。

職種転換 — Web 分析からの出方

逆に、Web 分析出身でキャリアを広げる方向の選択肢。

出口 強み 補う必要があるもの
データサイエンティスト SQL、統計、Python の基礎 機械学習、アルゴリズム、論文読解
グロースマーケター 数字・仮説・検証 施策実装、エンジニア協働、UX 知識
プロダクトマネージャー（PdM） データ起点の判断、KPI 設計 プロダクト戦略、開発プロセス、UX
マーケティングディレクター KPI ツリー設計、計測の標準化 予算配分、人材育成、複数チャネル知識
アナリティクスエンジニア SQL、データモデリング、dbt データ基盤の運用、CI / CD、信頼性設計
独立アナリティクスコンサル 専門性、案件遂行力 営業、契約、価格設計

転換時は、 「いきなり別職種に移る」より「現職で隣接領域を担当する」 ほうが成功率が高い（CMO マーケターキャリアガイド第 8 章「キャリア移行」と同じ原則）。

副業・独立の道

Web 分析は副業・独立に親和性が高い職能である。理由は以下の通り。

  • 案件単位で稼働量を調整しやすい（顧問契約、スポット契約、月額契約）
  • 成果が数字で示せるため、価格交渉の根拠を作りやすい
  • 1 案件あたりの単価が比較的高い（月 10〜50 万円が典型）
  • リモート完結しやすく、地方在住でも市場アクセスがある

副業から独立を検討する場合、 辞める前に本業給与の 6 割を副業で再現する ことが、安全度の高い独立タイミングの目安（CMO マーケターキャリアガイド第 8 章）。

副業形態 月額目安 注意点
スポット分析・診断 案件次第（数万〜数十万円） 単発で再現性が低い、立ち上がりに時間
月額顧問契約 10〜30 万円 安定するが、本業との利益相反に注意
計測導入・GA4 移行支援 数十万〜数百万円（プロジェクト型） 短期集中、独立後の主力収入源になりやすい
月次レビュー + アドホック相談 5〜15 万円 軽めで始めやすい、独立準備に向く
ダッシュボード構築 数十万〜数百万円 再現性が高く、テンプレ化で量産可能

価格設定は地域・経験・実績で大きく動くため、複数案件で実勢を学ぶことを推奨する。

出典

第 7 章 — 学習リソースと資格

Web 分析は、業務時間内の実装経験と、業務時間外の体系学習の両方が必要な職能である。本章では、1〜3 年で着地するために効く学習リソースと、市場で評価されやすい資格・実績を整理する。

学習の 3 階層

学習は次の 3 階層に分けて、それぞれに時間を投下する。

階層 内容 時間配分（目安）
一次情報 Google 公式ドキュメント（GA4 / BigQuery / Search Central）、ベンダー仕様書、自社データ 30%
体系書籍・論文 統計・計量経済学の教科書、AB テスト・因果推論の体系書 30%
業界ブログ・コミュニティ Mediumのアナリティクス系、ベンダーブログ、国内マーケ系ブログ 40%

L3〜L4 のスキルだけを積みたい場合は業界ブログ中心で十分だが、L1〜L2 を伸ばしたい場合は 一次情報と体系書籍の比率を高める ことが重要。

必須リソース（公式）

リソース 役割
Google アナリティクス（GA4）ヘルプ GA4 の公式ドキュメント、計測仕様の原典
BigQuery ドキュメント BigQuery の仕様、SQL リファレンス、最適化
Looker Studio ヘルプ 公式ダッシュボード仕様、データソース接続
Search Console Help 計測ツールの仕様、トラブルシュート
Google Analytics Skillshop Google 公式のオンライン学習プラットフォーム、認定試験への入口
web.dev（Core Web Vitals） Core Web Vitals の公式仕様、計測の意味付け
統計検定公式テキスト 統計学の基礎理論、Web 分析職の必須知識

これらは無料かつ最新の一次情報。GA4 のヘルプは仕様変更が多いため、月 1 回は更新内容を確認することが推奨される。

推奨書籍（日本語）

書籍は陳腐化のサイクルが書籍ごとに違うため、 発行年と最終確認年を必ず見る こと。

領域 代表的な書籍ジャンル 学べること
GA4 入門 「Google アナリティクス 4 公式リファレンス」「いちばんやさしい GA4 の教本」等 GA4 の仕様、計測設計、レポート読み解き
データ分析実務 「データ分析人材になる。」「データ視覚化のデザイン」等 データ分析の進め方、可視化の基本
SQL 「達人に学ぶ SQL 徹底指南書」「SQL ゼロからはじめるデータベース操作」等 SQL の体系、クエリ最適化
統計・AB テスト 「効果検証入門」「岩波データサイエンスシリーズ」「統計学入門（東大出版）」等 因果推論、AB テスト、統計の基礎
マーケティング計測 「アクセス解析の教科書」「Web 解析の意義」等 計測設計、マーケ全体構造との接続

公式書籍・教科書系を 1〜2 冊持っておくと、業界ブログでは触れられない構造的理解が得られる。

海外リソース（中級〜上級）

リソース 特徴
Google Analytics blog（公式） GA4 の新機能、計測ベストプラクティス
Simo Ahava's Blog GTM・計測実装の最先端、エンジニア寄り
Search Engine Land の Analytics カバレッジ アナリティクス全般のニュースと解説
Towards Data Science（Medium） データ分析・統計・機械学習の解説記事
Andrew Ng / Coursera 機械学習・統計の体系オンライン講座
Kaggle 実データでの分析・モデル構築コンペ、データセット入手

英語を読むことができれば、 日本語のみで情報収集している人より 6〜12 か月先の知見 にアクセスできる。GA4 / Looker / BigQuery の最新仕様や、AB テストの統計設計の議論は、英語コミュニティのほうが圧倒的に厚い。

資格

Web 分析職そのものに必須の資格は少ないが、 採用面接で会話の幅を広げる効果 はある。

資格 効きやすさ 内容
Google アナリティクス認定資格（Skillshop） ★★★ GA4 の基礎理解の証明、業界標準
ウェブ解析士（WACA）3 段階 ★★ 国内資格、計測・分析の体系理解。受験者数 200〜250 人／月、合格率 80〜93%（2025）
上級ウェブ解析士 ★★ 中堅向け、コンサルタントとしての提案力を体系化
ウェブ解析士マスター ★★★ 上位資格、講師活動や独立に有利。年収中央値は 900 万円程度との業界調査あり
統計検定 2 級 ★★★ 統計の基礎力の客観証明、AB テスト設計に直結
統計検定準 1 級 ★★★★ データサイエンティスト寄りへの転換時に強い
統計検定 1 級 ★★ 学術・研究色が強く、実務では準 1 級で十分
Google 広告認定資格 ★★ 媒体側の運用理解、アトリビューションの議論で効く
AWS / GCP のクラウド資格 ★★ アナリティクスエンジニア寄りへの転換時に効く

ウェブ解析士の月次合格率（2025）は 80〜93% と高く、 「学んでいる証明」としては機能するが「希少性を示す資格」ではない 。差別化を狙う場合は、統計検定や Google 認定資格、または公開された分析実績で勝負するほうが効果的。

資格は「持っていれば年収が上がる」ものではなく、 学習の起点とコミュニティアクセスの手段 として位置づけるほうが現実的（複数の業界記事で繰り返し指摘される）。

実績の作り方

資格より評価されるのは、 公開できる実績 である。

実績の作り方 効果
自分の note / Qiita / Zenn で分析記事を書く 経歴書のリンクとして使える、転職時の差別化
業界カンファレンス・勉強会で登壇 業界内での認知形成、転職機会の引き合いが増える
Kaggle / SIGNATE 等のコンペ参加 統計・機械学習スキルの客観証明、データサイエンティスト寄りへの転換時に強い
OSS（オープンソース）への貢献 dbt パッケージ、GA4 関連ツール等。技術コミュニティでの信頼形成
公開ケーススタディの執筆（守秘義務に配慮） コンサル独立時に強力な営業資料になる
X / Twitter での発信 業界内ネットワーク、最新情報の双方向収集

実績は「専門家になってから作る」ものではなく、 学び始めの段階から書く ほうが、思考が整理されやすい（CMO マーケターキャリアガイド第 7 章「継続学習と成長プラクティス」と同じ原則）。

1〜3 年計画の組み方

最初の 3 年を、次のように配分すると着地が早い。

期間 学習の重心
0〜3 か月 GA4 / GTM の操作と用語の理解、SQL 基礎、業務で 1 つは KPI を持つ
3〜12 か月 業務で AB テスト読み解きと分析提案、月 1 冊の体系書籍、SQL 中級
12〜24 か月 統計検定 2 級レベルの基礎を固める、BigQuery / Python で独力分析
24〜36 か月 計測戦略・KPI ツリー設計、登壇 or 発信 1 回、副業案件で外部評価を得る

3 年で「ある程度の成果を出せるレベル」、5 年で「大きな成果に結びつく」が業界の標準カーブ。

出典

← マーケターキャリアの一覧に戻る