本記事には広告(PR)が含まれています。
「データエンジニアってつまらないの?」
「やめたほうがいいのかな?」
データエンジニアの現場ではデータの汚れや仕様の複雑さに苦しむ人が多く、華やかなイメージとは真逆の仕事です。
しかし、データ基盤は企業に不可欠な領域であり、正しい適性と現場選びさえできれば市場価値は大きく伸びる職業です。
そこで本記事では、データエンジニアになるのはやめとけと言われる理由とやりがいやメリット、未経験から始める際のコツを徹底解説します。

「データエンジニアのキャリア戦略が知りたい?」「未経験からのロードマップってどんな感じ?」 近年、企業のデジタル化が進むにつれて「データエンジニア」の需要は急速に高まっています。 しかし、エンジニアの中でも役割が広く、未経験の人にはイメージしづらい職種でもあります。 そこでこの記…
![]() キッカケエージェント |
【転職初心者向け】 ・20~30代におすすめ ・手厚い転職サポート ・優良非公開求人多数 公式サイトで無料登録する |
|---|
データエンジニアにはデータ品質の確認、保守、仕様調整などの仕事があります。負担や面白さは担当範囲と職場で変わり、つまらなさを本人の適性だけに帰すことはできません。本記事の質問は自己整理の材料です。続ける・異動する・転職するという結論を、回答数で決めるものではありません。
仕事への関心を整理する5つの質問
以下の5項目は、仕事内容への関心を整理するための質問です。適性を測定・検証した尺度ではなく、当てはまる数で進退を判断しません。関心がある点、経験がなく分からない点、今の職場では試せない点に分けてメモしてください。
- 表計算やSQLでデータを「整理する」作業に集中できる
- 仕様が不明確でも、自分で仮説を立てて検証することが好き
- 地味な保守やトラブル対応にも価値を感じられる
- 新しいツール(dbt/Snowflake/Airflow等)を継続学習できる
- 「使われる仕組みを作る」ことに喜びを感じる
データエンジニアが「やめとけ」と言われる5つの理由
華やかではないのに難易度が高い

データエンジニアの技術例:
- SQL、ETL、ジョブ制御
- データモデリング
- API連携
- クラウド基盤(AWS、GCP、Azure)
データエンジニアの本質は、裏方としてデータ基盤の整備と品質担保を行うことです。しかし実際には、高度な知識と地味な作業の両方が求められます。
また、入力データの品質が悪いと、地味で厄介なクレンジング作業が延々続きます。さらに、不具合の原因が「データ側」「仕様側」「他システム側」など多岐にわたるため、調査がとても大変です。

華やかさがない一方で責任が重く、覚悟なく入るとギャップを感じやすい職種です。
責任の割に評価されにくい

現場で気をつけているポイント:
- データが壊れずに流れている
- バッチ処理が毎日正常に動く
- 外部連携が安定している
アプリ開発は画面やAPIの動きが目に見えますが、データエンジニアの成果はほぼ不可視です。
これら「問題が起きないこと」が成果であり、それ自体が評価されづらい傾向があります。
一方、トラブルが起きると矢面に立たされるため、心理的負荷が高いのに成果が目立たず、モチベーションが折れやすい側面があります。
市場変化が速すぎて学習負荷が重い

必要になりがちな技術領域:
- SQL(中級〜上級)
- Python
- Databricks / BigQuery / Snowflake / Redshift
- ETLツール(DataSpider、Glue、Fivetran、Informatica など)
- スキーマ設計・DWHモデリング
- ストリーミング基盤(Kafka など)
近年、データエンジニアの守備範囲は急速に広がっています。もはやETL担当に留まらず、クラウド・データレイク・AI基盤まで求められます。
学習範囲が非常に広く、努力し続けないとすぐに置いていかれます。この負荷の高さが「やめとけ」と言われる理由の一つです。
仕様理解が浅いと詰む
理解すべきポイントの例:
- 入出力仕様の粒度
- マスタデータの構造と意味
- 差分判定のルール
- 更新タイミング(更新キー・全量/差分更新)
- ビジネスロジックの前提条件
データエンジニアリングは、実はコードよりも要件理解のほうが重要です。要件が明確であればSQLや処理設計は進みますが、要件が曖昧だと作業が進みません。
ここを押さえられないと設計も実装も破綻し、「使えない」と評価されやすくなります。仕様の筋を理解できる人が少ないことが、「やめとけ」と言われる理由の一つです。
現場によっては泥臭い下働きになりがち
下働きと感じる領域:
- 手動のデータ修正
- エビデンス作成
- マッピング定義書の穴埋め
- 属人化した処理の解析・引き継ぎ
- 仕様が曖昧で誰も答えを持っていない状態
データエンジニアは高度な技術が要求される一方、現場によっては雑務も多く発生します。
こうした泥臭い作業が長期化すると、「想像していたデータエンジニア像と違う」と感じて離れる人も少なくありません。
データエンジニアのリアルな仕事内容
汚いデータの整理に多くの時間がかかる
データエンジニアの業務は、華やかな分析よりも 「データの掃除」 の割合が多いです。
- NULL値の補完
- コード体系の不整合
- 文字種のゆれ(全角/半角など)
- 差分判定ロジック
- 前任者が残したExcelロジックの再現
期待していた業務とギャップを感じる人も多いですが、ここを乗り越えると ETLスキル・データ品質の目利き力 が一気に上がります。
仕様が曖昧なまま進むプロジェクト
データ連携は複数部署・複数システムが絡むため、次のような問題がよく起こります。
- 要件が固まらない
- 仕様が穴だらけ
- 既存ロジックが属人化
- スコープの解釈が部署ごとに違う
そのため、「正しい仕様はどれか?」 を整理しながら進める力が求められます。
これは上流工程に必須のスキルで、経験を積むと評価されるポイントになります。
原因調査の難易度の高さ
障害が発生したとき、原因が単一であることはほぼありません。
- データ側の問題
- スキーマ変更
- ETL条件ミス
- 外部APIエラー
- インフラ障害
これらを 1つずつ切り分けて特定するスキル が重要で、データエンジニアの成長を最も促すポイントでもあります。
データエンジニアに向いている人の3つの特徴

物事を構造的に捉え全体像を整理できる
データエンジニアには、複雑なデータ構造やシステム間連携を理解し、整理して捉える力が求められます。
個別のテーブルや処理だけを見るのではなく、それらがどのように連動し、業務にどう影響するのかを俯瞰できるタイプは非常に向いています。
全体像を把握しながら作業できることは、効率よく問題を発見し、適切な処理フローを設計する上で大きな強みになります。
ビジネスを理解し矛盾を見抜ける
データエンジニアは数字の正しさを守る職種であるため、データの裏側にあるビジネスロジックを理解する姿勢が重要です。どのデータが正しく、どこに矛盾があるのかを論理的に判断する力が求められます。
マスタの整合性や差分の意味を理解し、不自然なデータを見抜ける人は、データ品質を保つ上で重宝されます。業務理解と論理力が活躍の鍵になります。
SQL検証や細かな調査を楽しめる

実務ではSQLを使った検証作業が多く、細かいデータの不整合に気づき、原因を追究して修正する工程が頻繁に発生します。
このプロセスを面倒ではなく面白いと感じられるタイプは、データエンジニアとして大きく成長できます。
派手さはありませんが、裏方として確かな価値を出し続けられる人材になれます。

丁寧な作業が苦にならないことは大きな武器です。
データエンジニアに向いていない人の特徴
以下は仕事選びで確認したい観点です。当てはまっても不向きとは限りません。担当範囲、学習支援、評価制度を変えると負担が変わる場合もあるため、職種への関心と職場の問題を分けて考えましょう。
スポットライトを浴びる仕事がしたい人
データエンジニアの成果は「データが正しく流れている状態」という見えにくい価値です。アプリ開発のようにUIや機能で評価される機会は少なく、地味な調整作業が成果の大半を占めます。「自分が作ったプロダクトを誰かに見てもらいたい」が強い動機の方には不向きです。
明確な正解を求めたい人
現場のデータは大半が汚く、仕様も曖昧です。「Aが正解」と決まっている問題はほぼなく、業務理解とデータ実態の擦り合わせを自分で続ける耐性が必要です。マニュアル通りに動きたいタイプには苦痛になります。
短期で成果を出して評価されたい人
データ基盤の価値は数ヶ月〜1年単位で効いてくるため、短期評価には繋がりにくいのが実情です。ボーナス連動で成果を可視化したい人や、四半期評価で目立ちたい人には合いません。
学習に時間を割けない/割きたくない人
新しい製品や運用方法を学ぶ場面はありますが、必要な学習量は担当業務と経験で異なります。SQLやデータモデルなど継続して使う基礎もあります。例えば週3時間を確保する計画も考えられますが、これは一例で、最低条件ではありません。業務内の学習時間、研修、相談相手、生活上の負担を含めて続けられる計画を作ります。
「データの整理」自体に興味がない人
結局のところ、データを並べ替える・名寄せする・正規化する作業に楽しさを感じられないと、毎日が苦痛です。ExcelやSQLで延々とデータをこねる作業が苦にならないか、転職前に試してみることをおすすめします。
データエンジニアのメリット・やりがい

キャリアの潰しが効きやすい
キャリチェンジの例:
- データアナリスト
- 機械学習エンジニア
- アプリケーションエンジニア(API/バックエンド)
- SRE・インフラエンジニア
- データアーキテクト
データエンジニアが扱う SQL・データモデル・クラウド基盤 は、どの業界・技術領域でも必要とされるスキルです。
特に 「データ構造を理解できるエンジニア」 は希少価値が高く、市場でも高く評価されます。
大規模システムに関われる
企業が扱うデータは、数万~数百万件が当たり前です。単純なCRUDではなく、高度なデータ処理が求められます。
- 複雑なJOIN
- 差分更新
- 正規化/非正規化の判断
- バッチ処理の最適化
- SaaS 連携 時のデータマッピング
こうした 大規模・高難度の処理フローに若いうちから触れられる ため、実務を通して一気にスキルが伸びます。
ビジネスと技術力の両方が鍛えられる
データは必ず「業務のロジック」と結びついています。そのためデータエンジニアは、技術力に加えて様々な知識も深まります。
- 業務フロー
- ビジネス指標
- システム間の依存関係
- データの意味(ドメイン知識)
結果として 上流工程(要件定義・データ設計)に強いエンジニア になりやすく、市場価値が高まります。
「つまらない」「やめとけ」と言われることもあるデータエンジニアですが、実際に働く人たちが強くやりがいを感じる瞬間もあります。どういった場面で充実感が得られるのかを具体的に見ていきましょう。
パイプラインが安定稼働し始めたとき
数週間かけて設計・実装したETLパイプラインが本番環境で正常に動き続け、データが途切れなく流れ続ける状態になったとき、エンジニアとしての大きな達成感があります。「動く仕組みを作った」という手ごたえが、このポジションならではのやりがいです。
自分の作ったデータ基盤が意思決定に使われたとき
「このダッシュボードのデータは自分が整備したもの」「経営会議で使われている数字の裏側を作ったのは自分」という瞬間は、データエンジニアとして最も大きなやりがいの一つです。直接的にビジネスの意思決定を支えている実感が、仕事への誇りにつながります。
パフォーマンスチューニングで劇的な改善が実現できたとき
1時間かかっていたバッチ処理が5分になった、クエリのコスト最適化で月額費用が30%削減できた、といった技術的な改善が目に見える成果になったとき、エンジニアとしての喜びを強く感じます。数字で成果が見えやすいのも、データエンジニアの魅力の一つです。
データエンジニアに必要なスキル

最低限身につけておくべき基礎スキル
データエンジニアとしてまず求められるのは、SQLとデータベースの基礎知識です。特に SELECT、JOIN、GROUP BY、サブクエリ、ウィンドウ関数などは実務で必ず使う基本操作です。
難しいアルゴリズムよりも「データのつながりを理解できるか」「不整合に気づけるか」が重要で、基礎的なSQLが書ければ最低ラインはクリアできます。

ここから現場で徐々に応用力が身につきます。
現場で求められる実務スキル

現場で使用するETLツール:
- Informatica
- Talend
- AWS Glue
- Airflow(ジョブ制御・パイプライン)
- DataSpider
SQLの次に求められるのが、ETLツールを使ったデータ加工・連携のスキルです。
ツール操作よりも、「どの順番で処理するか」「どこにエラーが出るか」といったロジック理解が重要になります。
クラウド時代に必須となるスキル
クラウドの例:
- AWS(Athena、Glue、Redshift、Lambda)
- GCP(BigQuery、Cloud Storage、Cloud Composer)
- Azure(Synapse、Data Factory)
クラウド移行が当たり前になったことで、クラウドサービスを扱えるスキルが必須になりつつあります。
SQL+ETL+クラウドの3点セットを身につけるとモダンデータエンジニアとして市場価値が大きく上がります。
データエンジニアの年収:統計の対象と求人条件を確かめる
job tagのデータエンジニアページは、令和7年賃金構造基本統計調査を加工した全国年収609.8万円を掲載しています(2026年10月18日確認)。ただし「その他の情報処理・通信技術者(ソフトウェア開発を除く)」等の対応する職業分類の統計で、データエンジニアだけの平均ではありません。平均年齢42.2歳の集団であり、未経験者の提示額でもありません。
英語やクラウド技術が求められる求人はありますが、それだけで年収が一定倍率になる根拠は確認できません。職務責任、勤務地、基本給、固定残業代、賞与、株式報酬、育成体制をそろえて比較しましょう。詳しくはデータエンジニアの年収も参照してください。
出典:厚生労働省 job tag。
![]() キッカケエージェント |
【転職初心者向け】 ・20~30代におすすめ ・手厚い転職サポート ・優良非公開求人多数 公式サイトで無料登録する |
|---|
データエンジニアの将来性とキャリアパス

データエンジニアから広がるキャリア
- データアーキテクト
大規模データ基盤の設計者。データモデルやアーキテクチャ設計が中心。 - データアナリスト
BIや分析基盤を使い、意思決定を支援する職種。 - 機械学習エンジニア(MLエンジニア)
モデル構築や特徴量設計など、AI技術に専門性を広げる道。 - クラウドエンジニア / SRE
AWSやGCPでインフラを自動化・最適化する領域へ展開。
データエンジニアは、市場価値が高く「潰しが効く」職種です。技術 × 業務理解の両軸が身につくため、複数のキャリアへスムーズに移行できます。
データと業務ロジックに強い人材は希少のため、どの方向に進んでも強みを生かせます。
データエンジニアの需要は高い

企業が抱える課題:
- 複数システムのデータ統合が必要
- SaaSへの移行に伴いデータ連携が複雑化
- BIダッシュボードや経営指標をリアルタイムに可視化したい
DX化・クラウド化の波により、企業はデータの統合や以降、リアルタイムで見れるダッシュボードの作成など様々な課題を抱えており、データ基盤の構築・運用を担うデータエンジニアの需要は高いです。
データ統合や基盤の運用はデータエンジニアの主要な職務です。一方で採用人数や給与は企業の投資、内製方針、マネージドサービス・AIの活用で変わります。今後10年間の高需要や、個人の年収上昇を保証する根拠はありません。仕事内容の変化と実際の募集条件を定期的に確認してください。
データエンジニアと他職種の違い

データエンジニアとアナリストの違い
| 役割 | データエンジニア | データアナリスト |
|---|---|---|
| メイン業務 | データ基盤を整備する | データを分析・活用する |
| 必要スキル | SQL、ETL、クラウド、DB設計 | 分析手法、統計、BI |
| 成果物 | データパイプライン/モデル | レポート、可視化、改善提案 |
データエンジニアは 「分析できる状態をつくる人」、アナリストは 「分析で価値を出す人」 という違いがあります。
アプリ開発エンジニアとの違い
| 観点 | アプリ開発エンジニア | データエンジニア |
|---|---|---|
| 主な対象 | 画面/API/機能要件 | データフロー・変換処理 |
| プロセス | 要件 → 設計 → 実装 → テスト | 調査 → モデル設計 → ETL → 運用 |
| 求められる力 | コード実装力 | データ構造理解・ETLロジック |
APIや画面の開発に興味がある人はアプリ寄り、データのつながり・構造の整理が好きな人はデータエンジニア向き です。
未経験からデータエンジニアを目指せるか|現実と最短ルート
結論から言うと、未経験から直接データエンジニアになるのは難易度が高いです。多くの現場でSQL・Python・クラウド・データモデリングの実務経験を求められるため、まずは隣接職種を経由するのが現実的です。
未経験から目指す3つのルート
- SIer/SES → データエンジニア:SQL・DB業務を3年経験 → データ基盤構築会社へ転職
- データアナリスト → データエンジニア:BIツール・SQL分析を経験 → 基盤側へキャリアチェンジ
- バックエンドエンジニア → データエンジニア:Pythonとクラウドの素養を活かして転向
年齢だけで応募可否を決めず、経験と募集条件を確認する
「IT実務が未経験」と「IT経験はあるがデータエンジニア職は未経験」を分けて考えます。本記事では、26〜28歳を業界共通の採用上限とする根拠は確認できません。募集・採用での年齢制限は法令上原則禁止で、一定の例外があります。この原則は個々の採用成功率を示すものではありません。既存のSQL・開発・業務経験、育成前提の有無、担当範囲など、各募集の条件を確認してください。 厚生労働省の年齢制限禁止の案内。
独学で身につけるべき最小スキルセット
- SQL:JOIN・サブクエリ・ウィンドウ関数(PostgreSQLで実践)
- Python:pandas・SQLAlchemyでETL処理が書ける
- クラウド:AWS or GCPの無料枠で簡易データパイプラインを構築
- データモデリング:スタースキーマ/スノーフレークスキーマの違いを理解
- ポートフォリオ:GitHubに自作データパイプライン1本
データエンジニアを辞めた後のキャリア5選|次の選択肢を知っておく
「やめとけ」と検索する人が一番知りたいのは、もし辞めたら次にどこへ行けるのかです。データエンジニアで培ったスキルは応用範囲が広く、以下5つのキャリアが現実的です。
① データアナリスト|ビジネス側に寄りたい
SQLとデータモデリングのスキルがそのまま活きます。基盤を作る側から「使う側」に回ることで、ビジネスインパクトを実感しやすくなります。報酬は担当範囲や求人条件ごとに確認してください。
② データサイエンティスト|数理・ML寄りに振りたい
統計学とPythonの追加学習が必要ですが、基盤理解があるサイエンティストは希少価値が高いです。報酬は担当範囲や求人条件ごとに確認してください。ただし「楽になる」わけではなく、別の辛さがある点に注意。
③ MLOps/SREエンジニア|運用・基盤を極めたい
データパイプラインの運用知識はそのまま機械学習基盤やインフラ運用に転用できます。報酬は担当範囲や求人条件ごとに確認してください。
④ データコンサルタント|上流から提案側に回りたい
現場経験を武器に、戦略コンサルやデータ専門ファームへ転職し、クライアントワークに転向するルート。報酬は担当範囲や求人条件ごとに確認してください。
⑤ フリーランスエンジニア|働き方を変えたい
独立は働き方の選択肢ですが、月単価は売上の基礎で、会社員の年収や手取りとは異なります。契約範囲、稼働期間、営業負担、経費、税金・社会保険、案件が空く期間まで含めて検討してください。評価制度や人間関係の問題が必ず解消するわけでもありません。
「つまらない」と感じる人 vs 感じない人の特徴比較
同じ仕事をしていても「つまらない」と感じる人と、「面白い」と感じる人がいます。その違いはどこにあるのでしょうか。
| 比較ポイント | 「つまらない」と感じる人 | 「面白い」と感じる人 |
|---|---|---|
| 業務への視点 | 「決められた作業を正確にこなす仕事」と感じる | 「データを使える状態にする設計者・整備者」として誇りを感じる |
| 技術的な興味 | SQLやパイプラインの詳細な仕組みに興味が持てない | インデックス設計・実行計画・スキーマ設計の細部に面白みを感じる |
| ビジネス理解 | 自分のデータが何に使われているか関心が薄い | 「このデータが何の判断に使われるか」を常に意識している |
| 問題解決スタイル | エラーや不具合にストレスを感じやすい | 「なぜ起きたのか」を調査・解決するプロセスが楽しい |
| キャリアビジョン | エンジニアとして次のステップが見えない | データアーキテクト・MLエンジニア・テックリードへの成長イメージがある |
比較表は関心や働き方を考えるための例で、適性検査ではありません。つまらなさや負担は、仕事内容だけでなく人員、教育、評価、労働時間にも左右されます。本人の視点や理解不足が原因だと決めつけず、変えられる条件を整理しましょう。
「つまらない」と感じたときの3つの対処法
「つまらない」「やめたい」と感じ始めたら、それはキャリアを見直すサインです。すぐ辞める必要はありませんが、状況を変える具体的な行動を取りましょう。
① 業務範囲を変える(社内の異動・他チーム移籍)
同じ会社内でもチームによって業務の性質は大きく違います。運用保守中心のチームから新規基盤構築のチームへ移るだけで、退屈感は一気に解消されることがあります。まずは社内の他チームの仕事内容を聞いてみましょう。
② 新しい技術領域に手を出す(dbt/Snowflake/MLOpsなど)
退屈の正体は「同じことの繰り返し」であることが多いです。dbtでデータモデリングを設計したり、SnowflakeやBigQueryに移行したり、MLOpsに踏み込んだりすると、学習負荷は上がりますが新鮮さも戻ります。市場価値も同時に上がる一石二鳥の選択です。
③ 環境を変える(転職・フリーランス・職種転向)
業務や職場を変えることも選択肢ですが、不満が必ず解消するとは限りません。異動先・応募先の担当業務、人員体制、評価制度を確認します。フリーランスには契約・営業・収入変動があるため、雇用形態を変えるだけで問題がなくなるとは考えないでください。
あわせて読みたい:データベースエンジニアはやめとけ・なくなる?8つの理由と将来性・年収・おすすめ資格を徹底解説
結論:今後の働き方を整理する3ステップ
1.負担と制約を整理する
心身の負担、長時間労働、待遇、家計、生活上の希望を確認します。仕事への関心があっても、今の条件で無理を続ける必要はありません。信頼できる人や社内外の相談先も活用してください。
2.仕事内容への関心と職場の問題を分ける
冒頭の質問を、興味を持てる業務・分からない業務・支援があれば試したい業務に分けます。そのうえで当番、担当範囲、人員配置、評価制度、育成体制のどこが不満なのかを整理しましょう。回答数から適性や退職の要否は判定しません。
3.選択肢の条件を比較する
現職での改善、異動、転職、別職種、休む選択肢などについて、実現条件と生活への影響を比較します。独立には営業・契約・資金繰りの負担もあります。「続ける一択」や「転職すれば解決」とは決めつけず、自分の希望と確認できた条件を基に判断してください。
データエンジニアに関するよくある質問(FAQ)
「つまらない」と感じるのはなぜ?つまらない人はどうすればいい?
つまらなさには、仕事内容への関心のほか、業務の偏り、育成不足、評価制度、労働時間など複数の要因があります。負担を整理し、担当範囲の調整や異動、転職などの条件を比較しましょう。仕事への関心と、今の職場で続けられるかは別に考える必要があります。
未経験からデータエンジニアに転職できますか?
応募できる求人は本人の経験と募集条件で異なります。IT実務未経験者は基礎学習と成果物、育成前提の有無を確認し、IT経験者はSQL・開発・運用など既存経験との接点を整理します。隣接職種や社内業務を経由する方法もありますが、必ず一定年数を経由する必要があるとはいえません。
データエンジニアに向いている人はどんな人ですか?
システムの「裏側」を作ることに興味がある人、安定したデータ基盤を構築することにやりがいを感じる人、コードを書くことが好きな人に向いています。一方で分析・可視化よりも基盤構築・パイプライン設計が仕事の中心になるため、「データから直接インサイトを出したい」という人にはデータアナリストやデータサイエンティストの方が向いています。
データエンジニアの仕事はAIに代替されますか?
完全な代替は当面難しいと見られています。データパイプラインの設計・運用・障害対応には現場固有の知識が必要で、AIが苦手とする判断が多く含まれます。一方でルーティン的なパイプライン構築の一部はAIで自動化が進んでいます。AIと協働しながらより複雑な設計・アーキテクチャ判断に注力できるエンジニアの価値は高まっています。
データエンジニアとして独立・フリーランスはできますか?
独立は選択肢の1つですが、案件の獲得・継続は保証されません。担当できる業務と契約条件を確認し、月単価を売上として年間の稼働期間、必要経費、税金・社会保険、資金繰りを見積もります。一律の月単価相場は本記事で確認できていません。
AI実装スキルを磨きたい人へ
これからのAI時代に 「市場価値の高い人材」 とは、「モデルを使える人」ではなく 「業務に組み込んで価値を出せる人」 です。AI実装+エンジニアリング+業務理解の三点セットを磨くことが、5年後・10年後のキャリアに直結します。
※以下、PRを含みます


コメント