Data Scientist 药厂7年工作经验分享
4034093
简单分享一下在药厂（包括pharma and biotech）的工作经验。求积分
2015年生物信息PhD（同时拿到统计MS）毕业，进某前10药厂，后跳槽另一家前5药厂，现在在一个startup （series B）做data science group leader。
技术上做过生物信息、统计、AI/ML、和简单的软件开发
应用上做过前期药物开发、临床试验数据分析、后期real-world evidence。
也做过individual contributor、project manager、和people manager
1. DS在药厂的应用和重要性
广义上的DS在药厂各个部门都大有用处，但具体到某个部门或组的情况就不太一样。比如，前期药物开发，通过生物信息或ML分析数据发现药物靶点和biomarker，在肿瘤领域已经是基本操作，但在其他领域就相对比较困难 to justify the value，特别是在保守的药厂或组里。临床试验上，统计是核心，其他AI/ML相关的创新在领导的支持下可能会火一阵子，具体落地还有很长的路要走。Real-World Evidence可能是DS应用最深入的领域，整天就是跟大规模病人和保险数据打交道，平时的工作更偏统计、基本数据分析、data engineering一些，更复杂算法（包括AI/ML）的实际impact是仁者见仁的问题。
这么几年我看到大的趋势是DS越来越从边缘地位接近核心地位，特别是某些startup，基本就是以DS或某些算法为核心建立起来的，其他部门算是给DS打工的。
2. 大药厂和startup的区别
其实也具体到组，但总的来说，大药厂里，工作内容更专注于某一个方面，沟通能力占主导地位，技术能力反而是其次。在大药厂里，如果愿意，你会见到和学到大量的东西（技术上和非技术上的）。管理上，大药厂比较像封建社会，等级分明，politics扯皮的事情会多一些。biotech startup更关注某个技术平台或某一个疾病领域，应用层面涉及的会窄一些，但DS技术会得到很多的一手经验，毕竟什么东西都要做一些（数据分析，算法开发，流程和软件开发等等），更看重能不能做出来东西，politics少一些。如果追求躺平养老，一定要去大药厂。Startup经济上的风险比较高，如果不是因为特别有兴趣、有某方面的追求（工资或职业发展）、或没得选的时候，谨慎考虑。
3. 升职
这个只能谈教训和片面的二手信息。上面说过，大药厂里更关注沟通能力，有visibility，能够证明所谓的‘impact’。也看公司的战略定位，某些核心或重要部门升职会比较快，比如某药厂的核心是肿瘤领域，支持肿瘤部门的DS会相对好些。也有很多时候，一人得道鸡犬升天，所以跟对人也很重要；反之组长受排挤，手下的人会难升职。
4. 找工作
我的面试水平比较差，每次找工作基本都花了半年时间。就不敢献丑了。
欢迎探讨具体问题，谢谢！
另外，现公司也在招data scientist （PhD+1、2年工作经验），我就是hiring manager。欢迎有生物背景或对生物感兴趣的人私信。
补充内容 (2023-02-10 23:02 +8:00):
关于找工作再补充一下。
我的经验是，能够同时深入理解生物和DS的人，最受欢迎，但少之又少。
如果从其他领域转过来的，需要证明在生物或healthcare领域的经验和兴趣，比如通过参加相关kaggle竞赛。
如果是生物出身，统计和DS的正统训练也是必要的。
Bio+DS是一个相对尴尬的领域，特别懂DS的人不会花大量的时间去了解复杂的生物和药物开发体系，直接去IT大公司性价比更高；懂生物的人DS的训练经常不足。
补充内容 (2023-02-11 06:17 +08:00):
我说的生物是广义上的。化学、health economics、药学等只要药厂用的技术都可以。
传统的统计药厂一直有需求，不太需要生物背景，我没有把传统统计归到DS里。
没有生物背景的可以看一下药厂里IT或commercial部门的职位
补充内容 (2023-02-11 09:32 +8:00):
可邮箱联系
用户名@126.com
补充内容 (2023-02-11 19:55 +08:00):
关于AI+Bio在不在风口上，要不要入行，以及适不适合自己的问题，可以收集多方意见自己做判断。我看到过很多项目、人、技术、和公司：成功的、失败的；一心一意钻研的、跟风打酱油的；长远看好的、嗤之以鼻的；真正去解决问题的、拿着锤子找东西的。欢迎各方探讨和分享。
2015年生物信息PhD（同时拿到统计MS）毕业，进某前10药厂，后跳槽另一家前5药厂，现在在一个startup （series B）做data science group leader。
技术上做过生物信息、统计、AI/ML、和简单的软件开发
应用上做过前期药物开发、临床试验数据分析、后期real-world evidence。
也做过individual contributor、project manager、和people manager
1. DS在药厂的应用和重要性
广义上的DS在药厂各个部门都大有用处，但具体到某个部门或组的情况就不太一样。比如，前期药物开发，通过生物信息或ML分析数据发现药物靶点和biomarker，在肿瘤领域已经是基本操作，但在其他领域就相对比较困难 to justify the value，特别是在保守的药厂或组里。临床试验上，统计是核心，其他AI/ML相关的创新在领导的支持下可能会火一阵子，具体落地还有很长的路要走。Real-World Evidence可能是DS应用最深入的领域，整天就是跟大规模病人和保险数据打交道，平时的工作更偏统计、基本数据分析、data engineering一些，更复杂算法（包括AI/ML）的实际impact是仁者见仁的问题。
这么几年我看到大的趋势是DS越来越从边缘地位接近核心地位，特别是某些startup，基本就是以DS或某些算法为核心建立起来的，其他部门算是给DS打工的。
2. 大药厂和startup的区别
其实也具体到组，但总的来说，大药厂里，工作内容更专注于某一个方面，沟通能力占主导地位，技术能力反而是其次。在大药厂里，如果愿意，你会见到和学到大量的东西（技术上和非技术上的）。管理上，大药厂比较像封建社会，等级分明，politics扯皮的事情会多一些。biotech startup更关注某个技术平台或某一个疾病领域，应用层面涉及的会窄一些，但DS技术会得到很多的一手经验，毕竟什么东西都要做一些（数据分析，算法开发，流程和软件开发等等），更看重能不能做出来东西，politics少一些。如果追求躺平养老，一定要去大药厂。Startup经济上的风险比较高，如果不是因为特别有兴趣、有某方面的追求（工资或职业发展）、或没得选的时候，谨慎考虑。
3. 升职
这个只能谈教训和片面的二手信息。上面说过，大药厂里更关注沟通能力，有visibility，能够证明所谓的‘impact’。也看公司的战略定位，某些核心或重要部门升职会比较快，比如某药厂的核心是肿瘤领域，支持肿瘤部门的DS会相对好些。也有很多时候，一人得道鸡犬升天，所以跟对人也很重要；反之组长受排挤，手下的人会难升职。
4. 找工作
我的面试水平比较差，每次找工作基本都花了半年时间。就不敢献丑了。
欢迎探讨具体问题，谢谢！
另外，现公司也在招data scientist （PhD+1、2年工作经验），我就是hiring manager。欢迎有生物背景或对生物感兴趣的人私信。
补充内容 (2023-02-10 23:02 +8:00):
关于找工作再补充一下。
我的经验是，能够同时深入理解生物和DS的人，最受欢迎，但少之又少。
如果从其他领域转过来的，需要证明在生物或healthcare领域的经验和兴趣，比如通过参加相关kaggle竞赛。
如果是生物出身，统计和DS的正统训练也是必要的。
Bio+DS是一个相对尴尬的领域，特别懂DS的人不会花大量的时间去了解复杂的生物和药物开发体系，直接去IT大公司性价比更高；懂生物的人DS的训练经常不足。
补充内容 (2023-02-11 06:17 +08:00):
我说的生物是广义上的。化学、health economics、药学等只要药厂用的技术都可以。
传统的统计药厂一直有需求，不太需要生物背景，我没有把传统统计归到DS里。
没有生物背景的可以看一下药厂里IT或commercial部门的职位
补充内容 (2023-02-11 09:32 +8:00):
可邮箱联系
用户名@126.com
补充内容 (2023-02-11 19:55 +08:00):
关于AI+Bio在不在风口上，要不要入行，以及适不适合自己的问题，可以收集多方意见自己做判断。我看到过很多项目、人、技术、和公司：成功的、失败的；一心一意钻研的、跟风打酱油的；长远看好的、嗤之以鼻的；真正去解决问题的、拿着锤子找东西的。欢迎各方探讨和分享。
- 332