今年，一些新开设的专业迎来了首批入学的学生，其中包括我们的“主角”生物统计学专业。
相比国内的刚刚兴起，在美国，由于新药的研发和临床实验领域的更加发达，生物统计学已是一门相当成熟的学科，其通常设置在公共卫生学院下，但千万别被这点给迷惑了：相比于公共卫生学院下其他偏人文的专业，生物统计学是一门强调数学的学科，需要系统性地学习数学和统计课程。
有很多生物统计的教授在统计系也同时担任教职，这一现象侧面印证了:“生物统计学”的重点是统计学，而非生物。
为了更清晰地阐明这点，我用一个例子进行说明：
由于很多学生不愿过早地限制住自己的专业细分方向，所以他们更倾向于选择统计学这样一个广泛的领域。
因此，生物统计这样一个较为细分的专业受关注并不多，导致其硕士申请人数相对较少，竞争程度也相对较低。
这也为一些跨专业的学生提供了机会，甚至有些传媒专业的学生也能够申请到生物统计的硕士项目。
这从另一个角度说明了，生物统计的硕士阶段的学习难度并不高，而这既是件好事，也同样是件坏事。
因为只读到硕士的学生大概率会遇到“好就业≠就业好”的陷阱，虽然就业率不低，起始薪资也不错，但日后成长性却极低，不可替代性极低，越老越“不吃香”，具体逻辑可以参考以下两篇文章：
生物统计有这么三个研究方向：
方向一：
每种药物从诞生到流入市场进行售卖，中间必须要经过一道严格的科学程序——药物临床试验，以证明药物在体外和体内的安全性和有效性。
而在实验过程中，研究人员不可能让所有潜在的用药者都参与测试，他们会根据生物统计师的意见选取一定数量的人，作为试验对象进行随机、双盲、对照的试验，然后再经手生物统计师，分析p值或置信区间来判断药物是否达到预期的效果。
正是有生物统计师的存在，才让临床实验更加科学、可靠，否则，临床样本的数量和试验的终止点就没有客观的依据了。
方向二：
基因数据是生物数据的一种，包括基因组、转录组等，基因数据的研究方向有：
基因识别和注释：从DNA序列中找出基因，并说明其结构和功能。
基因组比较：比较不同生物或个体的基因组序列，发现它们的相似和差异。
基因表达分析：测量不同条件下细胞中RNA的表达水平，分析基因表达的规律和影响因素。
基因网络构建：从基因表达数据中推断出基因之间的相互作用关系，构建基因调控或信号传导网络。
基因关联分析：寻找与某一性状或疾病相关联的基因或位点，为遗传改良或药物开发提供候选靶点。
方向三：
生物统计学大数据科学研究方向，是用大数据和机器学习分析生物医学数据的学科。这一研究方向有：基因组学和生物信息学：用机器学习分析基因组、转录组等高通量数据，研究基因的序列、结构、功能、变异、进化等。
系统生物学和网络生物学：用机器学习构建和分析基因调控网络、代谢网络、信号传导网络等，研究生物系统的组织和调控。
精准医学和转化医学：用机器学习结合临床数据和分子数据，预测和优化疾病的分类、诊断、预后、治疗响应等，为个体化医疗提供决策支持。
生物医学图像分析：用机器学习处理、分割、检测、识别、重建等生物医学图像（如显微镜图像、X光图像等），提取有用的信息和特征。
行业的整体发展状况是影响从业者起始待遇和后续发展的重要因素，而这两点又很大程度影响了一个专业对学生的吸引力。
所以问题来了，在中国，生物医药行业的发展现状如何？
先给大家提供一个基本的认识，中国创新药（生物医药）行业在2019-2021曾一度达到高峰，催生了上千家创新药公司，并产出了数千件临床批件。
而自2022年后，则走了下坡路，从国内生物医药投资的成交金额和项目数量，我们得以窥见这点。
宏观层面数据已然不容乐观，而微观层面也大抵如此......
研发管线被砍：
药企裁员：
厂房贱卖：
这些药企的公告中，“变现”和“降低运营成本”等成为了核心关键词
上述这些新闻可能会让人误以为生物医药是一个前景黯淡的行业，就像土木工程一样。
但这种看法是错误的，因为周期性是经济发展中的必然现象。
大宗商品和房地产自不必多说，而即便是新兴的科技行业（如互联网、芯片）也有其周期规律：互联网行业经历过21世纪初泡沫破裂和数年后的新一波繁荣，近年来再次震荡，芯片行业更是在过往多年反复呈现出周期性价格行情波动。
其实质是产业发展内在的自我调节机制：任何行业的发展都可能存在阶段性过热或者过冷，背后是资源投入与价值创造步调的错配。
让我们来看看这一规律是如何在生物医药行业得以体现：
自2015年的722临床自查开始，一系列利好生物医药的政策出台——药政改革、科创板、港股18A......
与此同时，19年新冠疫情的蔓延也引起了人们对于国产独立制药的渴望和对于健康的追求。
在种种利好的叠加下，一时间，大量的资本和焦点投向了生物医药行业，却鲜有人指出生物医药行业的几大缺陷：
加之全球经济周期、逆全球化的地缘政治格局、美元加息等外界因素的催化下，过剩的资源未能如预期般创造足够的行业价值，投资回报不佳，导致资本撤出，泡沫破灭，行业陷入寒冬。
但任何行业都有从野蛮生长、寻租横行到逐步规范、可持续发展的过程，我们应该认识到这一点，并给予它们成长的空间。
对于生物医药这样的刚性需求行业，行业寒冬其实也是一个冷静期，相比过热期的乱象，当下的环境或许更适合从业者踏实做事。
近年来，尽管海外高层次人才回流众多，CRO/CDMO公司蓬勃发展，为中国创新药行业输送了大量人才。然而，这些人才与国内创新药需求相比仍显不足，而且海归学生的地域分布不均，造成的“水土不服”，限制了中国创新药的进一步发展。
这意味着，在未来的一段时间内，国内培养的生物医药专业人才将更加受到市场的欢迎，同时这也会是教育改革的必然趋势。
我们不难发现，虽然中国的生物医药行业还存在着种种的不足，当前也陷入了停滞乃至衰退期，但政策整体的扶持态势依然存在、人们对于健康消费的需求增加、老龄化社会所需要的医疗成本控制、相关制度的不断完善优化.....因此于相关专业的学生而言，这绝对是一个存在发展前景的行业。
所以要不要选择一个专业，进而进入一个行业，正确的择业观不该是“追涨杀跌”：什么行业是市场上的香饽饽，就想着去卷，而是要做好调研，知己知彼，比如像我之前提到的：要想胜任生物统计师的岗位需求，需要具备充分的数理能力，否则该选择一些中前台结合的岗位。
前中后台的分类概念可以参考这篇:
近年来，新冠疫情也促使生物医药企业探索新的商业模式和渠道，如线上诊疗、远程监测、智能制造等，国内就有类似的平台，比如药研社，这样互联网与临床研究结合的公司也可以作为生物统计专业学生的就业方向。
由于生物统计学的学生受过相当完善和正规的数据分析训练，所以除了医药大健康行业，也可转型到互联网行业或咨询公司做数据科学家或市场分析的工作，也有极少数人去到金融行业做量化工作。
即使不想去到业界工作，大学、医院、各种研究项目也需要生物统计学的人才。
但以上这些好就业也是有前提的：
作为典型的高端技术类中台岗，如果想要在相关专业领域有可持续的发展，一个偏量化的博士学位是必要的（美国的MPH也有生物统计方向，但对量化的要求比较低，因此这个学位并不符合要求），这个逻辑在我这篇文章也有提及：
以上这些工作都是偏体制、学界或弱相关的从业方向，而大部分生物统计学的学生还是会选择去到药企或是CRO中工作。
相比医药企业，CRO对于大多数人来说，或许是个陌生的名字。
一款药品从研发需求提出到最终上市销售，需要经历许多复杂的细分过程。这些过程可能涉及到不同的领域和技术，而且往往耗时长达数年甚至十几年。
在这样的情况下，只有少数大型药企能够自主完成所有的过程，而大多数药企则面临着资源和能力的不足（这也是近年来药企出售厂房的一个重要原因）。因此，“外包”成为了解决这一难题的最佳选择。
把销售外包出去叫CSO（sales），把生产外包出去叫CMO（manufacture），而把研发外包出去就叫做CRO（Contract Research Organization）。
CRO又可以被分为临床前CRO和临床CRO：
在整个流程中涉及多个岗位与职能。
其中，有些岗位是由临床试验的申办方（通常是药企或者研究机构）指派的，如CRA（临床研究员），他们负责监督临床试验的执行和质量；有些岗位是在临床试验的地点（通常是医院）工作的，如CRC（临床协调员），他们协助医生进行一些非医学性的工作，如受试者招募、资料收集等；还有些岗位是在临床试验的后期工作的，如DM（数据管理员），他们负责建立和维护临床试验的数据库；以及PV（药物安全专员），他们负责跟踪和报告不良事件，并定期更新SOP（标准操作规程）。
那么生物统计学的学生又能在其中担任哪些职位呢？
其中相关性较强的，主要有这么两类职位：SAS编程（或称Statistical programmer）和生物统计师。
医药SAS程序员的工作内容包括：
医药SAS程序员需要具备以下的能力和素质：
医药SAS程序员从初级程序员晋升到高级程序员、主管程序员或者程序总监等职位，薪资在30万到120万不等，也可以转向项目管理、统计分析或者数据科学等领域。
生物统计师的工作内容包括：
在临床项目的早期阶段，参与评估研究的必要性和可行性，确定合理的研究终点，盲法，随机化，样本量等设计要素。
在临床试验进行中，与程序员，数据管理员等合作，监测数据质量，撰写和完善统计分析计划（SAP），指定分析数据集的定义，缺失数据的处理方式，统计分析模型等细节。
在临床试验结束后，根据SAP完成统计分析，对研究结果做出正确的解读，并撰写或协助撰写中期或最终的临床试验报告，以及向药监局或出版社递交申请。
在制药公司工作的生物统计师可以深入参与某个特定治疗领域的产品开发和策略制定；在CRO工作的生物统计师可以参与更多项目的合作，从而提升项目管理和商务谈判等能力。
一般来说，生物统计师的学历门槛为博士，而SAS程序员的学历门槛可以稍稍降低，其职能中包含的编程内容更多。
其大致的薪资区间是这样的：
由于中国和美国在整体经济水平和生物医药行业发展水平上存在差距，因此中国的SAS编程岗和生物统计师岗的薪资普遍低于美国。这种情况在很多中台型的工作中也同样存在，这也是导致很多人选择出国留学转码，然后留在当地工作的原因之一。
其次，我们会发现，SAS程序员和生物统计师都有不错的起薪水平，并且随着工作年限的增加，他们的收入也有着可观的增长。
但是，如果仔细比较，就会发现，在入行第一年，两者的收入差距就达到了6万美元左右，这几乎是一倍的差距。而且，随着工作年限的增加，两者的收入差距的绝对值并没有缩小，反而有所扩大，说明无论是起始待遇还是工作成长性，SAS程序员都要逊于生物统计师。
这是为什么呢？
对于偏技术性中台的职业来说，技术的稀缺性、含金量才是决定其成长与起薪的关键，而这类技术往往需要相当强的数理、量化能力支撑，这种能力标准落到学生身上，最直接的体现就是读一个量化相关的博士。所以以博士学历为门槛的生物统计师自然会拥有更高的初始待遇和成长。
说的更具体些，SAS编程岗工作内容里大部分是纯粹执行、不参与决策的编程类工作，而数据分析和决策只占相对小比例。而生物统计师岗位的工作内容上，大部分是数据分析、实验决策、指标制定等工作，只有少部分是编程，与整个临床实验的大方向与最终质量高低息息相关。
道理很简单，贡献的价值越多，越不可替代，自然收入和成长更高。
这就带来了一个尴尬的问题，即如果在仅读到生物统计硕士的情况下，能找到的对口工作其实是以编程为主的SAS编程岗位，而非以应用、决策为主的生物统计师，如果学生本身不擅长编程，就会落入骑虎难下的就业局面。
要想破局，可能有人会想到通过读博来更上一层楼冲击真正的统计分析师岗位，但之前在千万不要随便读博！的文章里我已经阐述了——绝大部分人是不适合读博的！
那么此时，如果学生并不适合读博，则可能出现两种情况：
情况一：在读硕期间痛苦地硬补SAS编程，在毕业后度日如年地每天耗在机械、重复且低薪、低成长的编程类工作上...对于这类偏后台的职能来说，更糟糕的是，今后大概率有不少人会面临被AI等一系列自动化技术的颠覆！（生物医药行业的SAS程序员的前景会稍好，后文会提及）
工业革命的车轮在人类历史上无数次碾压过那些劳动效率远不及自动化的打工人...历史还将重演，只是时间问题。
情况二：硬着头皮去搞研究发论文申博读博，但很可能要耗费远超过正常博士学制的时间去获得一个含金量并不会太高的博士，甚至半途放弃导致既没拿下学位又没能在读博期间积累宝贵的实习经验，继而难以在求职过程中找到一份最基础的工作...
两头都落空的代价，是值得我们学生在起步前三思后行的！
虽然SAS程序员的发展空间和潜力有限，但他们凭借统计能力、编程能力和医药行业经验的复合优势，仍然比一般的低端程序员更具抗风险性。而且，他们的核心竞争力在于临床项目的实践经验，这也为他们提供了向管理岗位（管理型中台）或项目经理（前台）发展的可能性。
因此，尽管当前生物医药行业的形势严峻，就业市场竞争激烈，AI对许多工作岗位造成了威胁，但这两个职位的从业者仍然能够保持相对的稳定性。
生物统计学是一门专注于分析生物类数据的学科。尽管我国的生物制药行业目前正经历低谷期，但从长远来看，仍然具备发展潜力。与此同时，国内生物制药行业存在巨大的人才缺口。
生物统计学专业的学生通常涉及SAS程序开发和生物统计分析，他们因为复合能力的需求而显得相对稀缺，难以替代。虽然该行业正面临不景气，但这些专业人才入职后受到直接影响（如裁员或降薪）的概率较低。
SAS程序员主要从事执行性工作，不一定需要强大的数理统计背景（通常硕士学历足够）。因此，如果他们希望专注于技术发展（中台），起薪和未来的职业成长可能不如生物统计师，但如果他们有机会转向管理或项目经理职位，前景依然值得期待。
相比之下，生物统计师的门槛较高（偏量化的博士学历），因此他们在起薪和职业发展方面具有更大的潜力。
在大环境不断下行的当下，只有根据自己的天赋和特点所在，选择适合自己的道路，并持续深耕，蹲的够深，才能在未来跳得更高。
但倘若没有找准自己的定位，即使付出再大的努力，也有可能面临骑虎难下的局面！
其他内容推荐：
