大阪成蹊大学データサイエンス学部の就活｜就職先の見方と3コース・PBL・研究を生かす準備

2026年度は1期生が4年生。就職実績は対象を確かめる

大阪成蹊大学データサイエンス学部は、2023年4月に開設され、第1期生を迎えました。通常の4年間の課程では2027年3月が最初の卒業時期に当たります。2026年9月時点の記事でも4年生の活動が紹介されており、既に何年分もの卒業実績がある学部として扱わないことが大切です。[1] [5]‌‌‌‌‌‌‌​​‌​​‌​‌​‌​‌​​‌​‌​​​​​​‌​‌​​‌​​‌​​‌‌‌​​‌​​‌​​‌‌​‌‌‌​‌‌‌‌​

大学の2025年度卒業者データと2026年3月卒業生の就職実績ページには、この学部の卒業・就職実績は掲載されていません。これを就職率0％や就職できない学部という意味に捉えるのではなく、卒業前の学部として現在の学びや進路準備を確認しましょう。[6] [7]

学部の将来像ページにも大学全体の就職率が掲載されていますが、データサイエンス学部の実績ではありません。また、連携企業やインタビュー登場企業の名前は、その企業への就職実績とは異なります。就職先の確定実績、内定情報、将来の進路例を分けて読んでください。[3] [4]

3コースは、関心に合わせて学ぶためのモデル

学部は2025年から、ビジネスデータサイエンス、先端情報戦略、スポーツ・健康データサイエンスの3コースを案内しています。コースは学修モデルであり、中心となるコース以外の科目も履修できると説明されています。就職先がコースによって決まる仕組みではありません。[2]

将来像にある職名は、各社の新卒募集で同じ名称・条件とは限りません。学位、必要な技術、仕事の範囲を実際の募集要項で確認してください。スポーツや医療のデータを学ぶことと、競技指導や医療の専門資格を取得することも別です。

興味のある業界だけでなく、データを集める、整える、分析する、仕組みに組み込む、利用する人に説明するという仕事の違いにも注目すると、比較する募集職種を見つけやすくなります。

未来クリエーションプロジェクトの経験を、成果物と過程で伝える

カリキュラムは1年次から3年次前期にかけて「未来クリエーションプロジェクト」を配置しています。ドローンやロボットでの体験から、協働での開発、実社会のデータ分析、企業課題に向けたAIの設計、アプリの企画・開発へと段階的に学ぶ案内です。[4]

紹介されている授業例には、PythonやGIS、機械学習を使った分析、トマト農園のビジネス課題を題材にした検討、スポーツデータやセンサーを使う開発などがあります。自分の年度に実際に取り組んだ内容と、ウェブ上の授業例を混同しないようにしましょう。[4]

グラフを作った、AIを使ったという説明だけでは、考えた過程が伝わりません。方法を選んだ理由、想定どおりにいかなかった点、見直したことを含めて説明しましょう。事業への効果を試算した場合は、実際に改善した成果と区別して伝えます。

編集部の架空の例：「予測結果を比較する前に、欠損の多い項目を確認しました。条件をそろえて評価し直し、使える場面と判断が難しい場面を分けて発表しました」。自分の経験へ置き換えるための例です。実測していない精度や削減効果を付け加える必要はありません。

卒業研究と学外発表は、内容を説明する練習につなげる

学部のカリキュラムでは、3年次後期に研究室へ配属され、1年半をかけて卒業研究に取り組むと案内しています。研究が完成していない段階でも、テーマを選んだ理由、現在の方法、今後確かめたいことを分ければ、応募時の説明を準備できます。[4]

2026年8月29日のNVIDIA学生アンバサダーワークショップでは、同学部4年生4人が発表したと大学が報告しています。海面水温データの可視化、物体検出モデルの推論高速化の比較、GPUを使ったデータ分析などの取り組みが紹介されています。これは学生の学外活動の実例です。[5]

大学とエヌビディア合同会社との協定も報告されていますが、ワークショップへの参加や協定を、同社への内定実績と読み替えないようにします。学外に発表する機会は、自分が何を説明でき、どの質問に答えられなかったかを振り返る材料として捉えましょう。[5]

大きな発表の経験がなくても、授業内の発表、コードのレビュー、分析結果の見直しなどを整理できます。肩書や受賞があるかより、自分が行った作業を、専門外の相手にも分かる順序で伝える準備が大切です。

成果物は、読み手が確認できる形にまとめる

制作物や分析レポートを応募時に見せるなら、最初に目的と結果を短く示し、その後に方法、評価、制約を置くと読み手が確認しやすくなります。コードを見せる場合も、動かし方や使用したデータ、再現できる範囲を添えましょう。

企業や自治体との授業で扱ったデータは、自由に公開できるとは限りません。個人情報、非公開資料、共同制作物の権利や公開条件を確認し、必要に応じて公開可能なデータで作った別の説明用資料を用意します。応募先へ提出することも外部への共有です。

チームの成果物では、全体の完成度を自分一人の成果として扱わず、担当した処理、検証、説明を明記します。使用したツール名だけを並べるより、なぜ使い、何を確認したかを述べた方が、面接での話も進めやすくなります。

資格は、募集条件と学習の目的を確認して選ぶ

学部の将来像ページには、基本情報技術者、応用情報技術者、統計やデータ分析に関する検定などを「めざす資格」として紹介しています。また、高等学校教諭一種免許状の情報も案内されています。資格名の掲載は、学生全員の取得実績を意味しません。[3]

資格の勉強を始める前に、応募を考える職種で何が求められるか、授業や研究で不足している知識は何かを整理しましょう。検定合格と、実際にデータを扱って問題を説明する経験は別なので、片方だけで応募先への適性が証明できると考えないことが大切です。

教員免許を目指す人は、必要な履修・実習と採用試験の日程も確認してください。一般企業への応募を並行する場合は、研究や教育実習の予定と重なる時期を早めに担当者へ相談しましょう。

学歴への不安は、募集職種と自分の経験の確認へ置き換える

学部独自の卒業実績がまだない時期に、不安を感じるのは自然です。ただし、実績が未公表であることから就職の良し悪しを断定することも、将来性のある分野だから必ず大手へ入れると考えることもできません。現在の募集条件と、自分が説明できる学びから準備しましょう。

大学は、専門のキャリアスタッフによる担当制・全員面談、学内企業説明会などを案内しています。学部の研究指導と併せて、職種の比較、応募書類、面接の説明に支援を使えます。[3] [8]

「データサイエンスを学びました」で終わらず、どの課題に対し、情報をどう扱い、何を確かめたかを伝えることが準備の中心です。学部の学びを使いながら、希望する業界と職種への接点を具体的に探しましょう。

参照した資料

大学・機関が公開する情報と、編集部による進め方の提案を分けて掲載しています。採用条件や支援の受付状況は変更されるため、利用時に公式情報をご確認ください。

1. 2023年度入学式確認日：2026-09-11 ／ 2023年4月開設、第1期生入学、4年課程
2. データサイエンス学部確認日：2026-09-11 ／ 2025より3コース、学修モデル、想定進路
3. 資格・将来像確認日：2026-09-11 ／ 目標資格・想定進路・スタッフ。下段全学2026最終見込で学部実績ではない
4. カリキュラム確認日：2026-09-11 ／ 未来クリエーション1年前期～3年前期、3年後期から1.5年研究、PBL
5. 2026年度SUMMER NVIDIA学生アンバサダーワークショップ確認日：2026-09-11 ／ 2026/8/29参加4年4名、9/4記事。協定2023、就職実績ではない
6. 就職実績確認日：2026-09-11 ／ 2026年3月卒全学と既存学部、DS欄なし。過去5年企業他学部の実績を移さず
7. 学生数データ確認日：2026-09-11 ／ 2026/5/1在籍、p2 2025卒は4学部のみ、全文4頁text＋使用p1-2画像
8. 就職・キャリア確認日：2026-09-11 ／ 担当制・全員面談、説明会等

次の選考準備に役立つ記事