夜雨聆风
当前形势判断
从Deepseek到Claude code，再到各个行业会议上，这半年给我最大的感受就是：AI自动化正从“可行性讨论”逐渐走向“业务落地”。前两年行业会议上，大家还在讨论“AI能不能做这个”以及利用编程语言开发一些宏程序或者小工具加快工作效率，今年，各大公司已经在实际业务中大规模铺开AI自动化。无论是Claude Code，还是各行业的会议案例，都在传达一个信号：AI正在逐步降低编程门槛，推动工作方式发生变化。
SAS在制药、金融、政府等行业仍是合规标准，但整体市场份额在收缩。R/Python 生态正在侵蚀传统领域，"SAS + R/Python + AI"是目前最有竞争力的组合。在制药领域，懂合规、懂标准、能把传统工作用现代工具落地，是接下来的进阶方向。
01
深化 Python 数据科学栈
统计思维已具备，需补齐工程能力：
高优先级：pandas / polars 做数据处理
高优先级：statsmodels / scipy 做统计建模，对标 sas proc
高优先级：scikit-learn 做机器学习
中优先级：matplotlib / plotly 做可视化
这些工具如果能逐步融入日常分析流程，会使技能组合更完整。
02
制药/生命科学方向
可以进一步了解 CDISC 标准：SDTM、ADaM
尝试用 R/Python 实现 ADaM 数据集
关注 FDA / EMA 对 R/Python 提交的接受趋势
这样做有助于在对接传统合规要求与新技术落地之间找到平衡。
03
补强 R
如果已有 R 基础，不妨往应用深度上拓展：
重点学习 tidyverse：dplyr、ggplot2
了解 R Markdown / Quarto，增强报告可重复性
在制药场景中，可尝试 Tplyr、admiral 等包，用于 ADaM 构建
04
差异化竞争力
光会让 AI 写代码还不够。真正的价值在于：
理解合规性和数据验证逻辑
熟悉统计报告和 TLF（Tables / Listings / Figures）生产
懂业务背景，能验证结果的可靠性
会用 AI 辅助，但不完全依赖 AI
当前的转型节奏更适合“稳步升级”而非“彻底转变”。如果能在保持专业背景的基础上，适度引入新技术，就能更自然地适应 AI 全面落地的趋势。
学习资源：
[SAS→Python对照手册](https://pandas.pydata.org/docs/getting_started/comparison/comparison_with_sas.html)
admiral R 包文档（ADaM 构建）
