Gestione delle attività degli Informatori nelle Aziende Farmaceutiche

Transcript

1 Gestione delle attività degli Informatori nelle Aziende Farmaceutiche Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 1

2 Struttura Operativa del Mercato Farmaceutico (Etico) Flusso Mercato Farmaceutico Etico Prodotto Azienda ISF Promozione Ospedali Domanda Prescrizione Specialià Farmaceutiche Medici Pazienti Consumatori Distributori Associazioni di Farmacie Singola Farmacia Ims Health rivela i flussi mensili per mbrick (ad unità /valore) per ogni classe farmaceutica(mercato) e per ogni specialità farmaceutica (prodotto) (dati Federfarma).. Sono disponibili da Ims Health, dbases di associazione dei nominativi dei medici / farmacie ai singoli mbricks.. Le Aziende farmaceutiche hanno proprie personalizzazione di questi dbases rielaborate con il contributo delle struttura operativa esterna (ISF) Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 2

3 Qualche Numero in Italia. Brick / mbrick : aggregazione territoriale elementare di rilevazione dati. Italia : 722 Bricks dal 1999 suddivisione operativa in 2686 mbricks (Geo2000 GeoMarketing). Medici generici : circa effettivi. Farmacie : circa Medici generici per mbrick : circa 16,7. Farmacie per mbrick : circa 6 Tipologia Azienda Farmaceutica Numero Linee Operative Numero complessivo ISF Costo Complessivo Struttura ed Promozione Incidenza % sul Fatturato (di cui..) Investimento Acquisto Dati IMSHealth (Euro /anno) Quanto e' efficiente? Piccola Media mediamente dal 35 al 45% ? Grande 6+ > Ciclo tipico. Frequenza : da trimestrale a mensile (+ linee) minuti la durata massima del singolo contatto medico- ISF. Battuta : la priorità di presentazione delle singole specialità farmaceutiche (2..4). Ricordo : semplice verbalizzazione del nome di una specialità farmaceutica o drop sample Evoluzione in corso. Regionalizzazione sempre più ampia del Servizio Sanitario (da 1 a 21 Italie). Aumento numero linee operative e prodotti (a parità di ISF complessivi). Affollamento sul medico con diminuzione della resa del singolo contatto Conseguenze:. Aumento della pressione sul singolo medico (rifiuto accettazione visita). Necessità di segmentare i medici generici da contattare. Necessità di promozione differenziata sul singolo medico contattato Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 3

4 Analisi tradizionale dati ISM Health - Indici Indici normalmente utilizzati. V =vendite a quantità o a valore. QM (Quota Mercato) = V Prodotto / V Classe *100. TS (Tasso Sviluppo) = (V Attuale V precedente ) / V precedente *100. IP (Indice di Penetrazione) = QM Isf / QM Azienda *100. IE (Indice Evoluzione I) = TS Isf / TS Azienda *100 oppure. IE (Indice Evoluzione II) = ((100 + TS Prodotto ) / (100 + TS Classe )) *100 Limiti:. Perdita informazioni elementari (La base elementare di analisi è l ISF e non mbrick). Nessuna analisi delle dispersioni dei valori. Analisi Aziendo-Centrica Alcune Aziende utilizzano in aggiunta:. RCP (Ratio) = QM Prodotto / QM ConcorrentePrincipale. IC (Indice Concorrenzialità) = R isf / R Azienda *100. IED (Ind.Evol.Distanza)= ((100 + TS Prodotto ) / (100 + TS ConcPrin )) *100 senza in realtà avere un vero incremento informativo (perchè i limiti di questi nuovi indici sono analoghi dei precedenti) Conseguenze:. Difficoltà di utilizzo per determinazione obiettivi. Difficoltà di utilizzo per un effettivo controllo delle attività Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 4

5 Marketing differenziato: Come implementarlo? SEDE Conoscenze e competenze per la gestione strategica del portafoglio prodotti CAMPO Conoscenze necessarie per individuare le eterogeneità dei Clienti Componenti necessarie per la realizzazione di un marketing differenziato Tecniche di scoring (su tutta la popolazione dei Medici Generici). autonomia aziendale (non terze parti coinvolte). informazioni rilevabili a basso costo (direttamente da ISF), ma poco affidabili (disomogenee). costose nella realizzazione del sistema informativo di gestione (tutta la popolazione dei medici). modelli di scoring non sempre semplici da realizzare ed interpretare Di fatto non più possibili dopo la promulgazione della legge sulla Privacy (97), in quanto per essere valide devono necessariamente analizzare dati sensibili. Tecniche di Cluster Analysis (su un campione molto limitato di Medici Generici). ottimali per analisi comportamentali di relazione ISF medico e/o di studio di singole specialità. estremamente costose (società esterne specializzate sia nella rilevazione che nell analisi delle interviste). poche informazione di tipo quantitativo con nessuna possibilità di utilizzo in termini di gestione / definizione obiettivi / controllo dei risultati globali Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 5

6 (Dmaic): Base del Modello Analisi Dati ISM Health Prima di strutturare il modello che sarà presentato in qusto intervento, sono state studiate le distribuzioni dei dati di una ottantina di diversi prodotti / classi farmaceutiche, analizzati mensilmente per ISF / bricks / mbricks, su un arco temporale di tre anni. (97-99). Lo scopo di questa preanalisi era quello di individuare quale variabile / indice, ricavabile dai dati grezzi IMS Health (od eventualmente anche da terzi fornitori di dati) potesse essere utilizzata come migliore variabile di benchmarking. La Quota di Mercato (QM a valore o ad unità), detenuta da un prodotto nel singolo mbrick, é risultata essere la variabile più significativa ed affidabile dal punto di vista statistico e logica dal punto di vista di Marketing. Volendo per analogia rifarci ad una applicazione Six Sigma per un processo produttivo, potremmo affermare nel nostro caso il processo produttivo é costituito dalla sequenza di azioni che un ISF / Azienda realizza in un determinato mbrick con lo scopo di ottenere specifiche vendite di un prodotto. La QM ottenuta, rappresenta quindi la risultante di queste azioni e sarà quindi la variabile con la quale misureremo la capacità effettiva dell Azienda di competere con i concorrenti, in un determinato territorio. Data una specifica QM media su un territorio, minore sarà la dispersione della QM (calcolato sui mbricks che compongono lo specifico territorio), maggiore sarà la capacità di gestione / controllo che l azienda riesce ad imporre. La base dell analisi e mantenuta a livello elementare di mbrick e non più di ISF (sebbene questo possa create alcune difficoltà interpretative-gestionali in alcune Aziende Farmaceutiche). Nota: tutte le successive analisi, per semplificazione espositiva, sono primariamente realizzate senza applicare alcuna trasformazione (Box-Cox od altre) ai singoli dati, per una corretta normalizzazione delle distribuzioni. Questo non invalida comunque la struttura logico-operativa del modello(dmaic), permettendo una più semplice e corretta comprensione del modello ad interlocutori aziendali (Direzione Commerciale di Aziende Farmaceutiche) che normalmente non utilizzano tecniche statistiche. Le tecniche di trasformazione vengono invece utilizzate negli algoritmi di calcolo e rappresentazione degli obiettivi. (dmaic) Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 6

7 dmaic): Caratteristiche comuni della variabile Quota di Mercato Gli istogrammi di distribuzione delle QM realizzati per un ottantina di differenti prodotti farmaceutici, hanno mostrato che: (1) Per la maggior parte dei prodotti analizzati, esistono mbricks in cui un ISF eccelle in termini di QM acquisita e contemporaneamente esistono mbricks in cui lo stesso ISF, con lo stesso prodotto raggiunge inspiegabilmente solo obiettivi marginali di QM. In altri termini l ampiezza della variazione tra il valore minimo ed il valore massimo delle QM nei vari mbricks di uno stesso territorio é estremamente significativa. (2)- La deviazione standard delle QM che ne consegue é sempre elevata (3)- La mediana, di conseguenza, differisce significativamente dalla media (4) Le correlazioni tra specialità e classe danno risultati modesti. (5) -.. La QM aziendale in sintesi sembra essere più il compromesso di poche situazioni di eccellenza con tante situazioni di marginalità, che non la risultante di precisi e perseguiti obiettivi. Confronto relativo del valore medio della QM di una specialità farmaceutica, detenuta in ogni singolo mbrick, e della relativa variabilità (IC95%) per tutti gli ISF operativi (132) di un Azienda. Tutto ciò evidenzia come il processo Quota di Mercato sia un processo a basso Sigma, e quindi costoso in termini di gestione, molto vulnerabile nella sua evoluzione. Quindi... potenzialmente migliorabile. Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 7

8 (dmaic): 3 Capoarea Confronto relativo dell attività (QM detenuta nei singoli mbricks (circa 70) di competenza), di 3 CapoArea di una stessa Azienda sulla stessa specialità farmaceutica.. Ocra: risultati anno precedente. Celeste : risultati anno in corso. Barre non colorate (2686 mbricks): Distribuzione Italia. Barre colorate: Distribuzione CA (marea) selezionato. Puntale rosso: singolo mbrick selezionato L USL (area gialla) deve essere letto come limite oltre il quale possono essere previsti premi od incentivi. Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 8

9 (dmaic): Analisi Distribuzione Quote di Mercato (solo variabile endogena) Nel caso di un analisi classica di Processo, la gaussiana di distribuzione dei valori viene analizzata in modo esattamente simmetrico rispetto al punto centrale della campana stessa. Questo vuol dire che sono considerati anomali sia valori che generano scostamenti significativi inferiori alla media, sia valori che generano scostamenti significativi superiori alla media. Il miglioramento si ottiene ristrutturando il processo in modo che i valori misurati della variabile considerata, abbiano una deviazione standard minore rispetto al processo precedente (restringimento della gaussiana) e siano centrati sul valore obiettivo desiderato del parametro dimensionale (simmetria). Utilizzando la QM come variabile, il concetto di centratura degli istogrammi rispetto al limite centrale deve essere necessariamente rivisto. In questo caso i mbricks posizionati verso l estremo destro della distribuzione (alto scostamento positivo), sebbene dal punto di vista puramente statistico rappresentino delle anomalie (??), dal punto di vista aziendale rappresentano punti di forza, in quanto proprio in tali mbricks sono raggiunte le migliori performances aziendali. Come tale risulta illogico volerle riportare verso la parte sinistra della gaussiana per ottenere un semplice miglioramento di un indice statistico. Ne consegue che il miglioramento dell indice Sigma e quindi la riduzione della deviazione standard deve essere ottenuto prioritariamente migliorando la QM dei mbricks presenti nella coda sinistra della distribuzione. Analizzando la struttura degli istogrammi di un ipotetica distribuzione delle QM possiamo innanzitutto: (1)- identificare i mbricks presenti nella coda destra ed approfondire quali siano i punti di forza (promozione / attività informatore, ecc.) per verificare se tali punti di forza non siano "esportabili" anche a mbricks dove i risultati sono marginali. (2)- esattamente il contrario per mbricks presenti nella coda sinistra Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 9

10 (dmaic): Analisi Distribuzione Quote di Mercato I parametri chiave su cui intervenire sono: (1)- La definizione del valore centrale della campana come QM media che l Azienda si prefigge di ottenere (in un determinato periodo temporale). Un eventuale ipotesi di incremento della QM media, comporta semplicemente la definizione di un nuovo valore centrale, ma non ha alcuna influenza sulla qualità dei dati della nuova distribuzione. (2)- L ampiezza della coda sinistra della distribuzione. Ridurre tale ampiezza, (cioè spostare le singole barre verso la posizione centrale) significa in termini operativi porre significativi e differenziati obiettivi di incremento di QM agli ISF operativi su tali mbricks. La risultante statistica che ne consegue é la diminuzione della componente inferiore della deviazione standard con conseguente aumento la correlazione prodotto-mercato, ecc... Potrebbe risultare utile, come si agisce nel caso di una classica applicazione di Processo, stabilire un limite inferiore di soglia di accettazione. mbricks che continuino ad avere nel tempo, un valore di deviazione eccedente tale limite dovrebbero essere completamente rivisti in termini organizzativi-gestionali. (3)- Il consolidamento della coda destra della distribuzione. In termini operativi porre agli ISF l obiettivo di un sostanziale mantenimento delle QM già raggiunte. Sebbene a tale azione non consegue alcun miglioramento degli indici statistici, gli scostamenti finali calcolati sulla distribuzione finale risulteranno comunque inferiori a quelli di partenza, per l apporto di riduzione dato dalla componente sinistra della campana. Eventuali obiettivi incrementali assegnabili a tali mbricks possono essere possibili, ma NON con gli stessi valori percentuali assegnabili a mbricks in posizione mediana o nella coda sinistra della distribuzione. Ciò vale tanto più, quanto più si é nella periferia laterale della coda destra. Si potrebbe obiettare che anche su questi mbricks, visti i risultati positivi, si possano / debbano assegnare incrementi significativi. Una tale operazione può eventualmente essere realizzata in termini tattici su particolari mbricks, (determinati da specifiche caratteristiche, situazioni), ma non risulta logico generalizzarla in termini strategici.. Non lo é statisticamente, in quanto questa azione non fa altro che peggiorare la distribuzione complessiva risultante. (al di là della effettiva probabilità di successo / costo di aumento di QM già significative). Non lo é soprattutto in termini di migliore allocazione della risorsa ISF. E dimostrato che la maggior parte degli ISF gestisce i propri mbricks con risultati molto differenziati in termini di QM ottenuta su ogni singolo prodotto. E sicuramente quindi più probabile il recupero in un mbrick a quota marginale (sempre che questa non sia specificatamente compromessa) che l ulteriore incremento in un mbrick a quota eccellente.. Non lo é in termini di marketing, in quanto aumenta complessivamente la vulnerabilità della QM aziendale, se i risultati ottenuti in questi mbricks non siano consolidabili nel tempo o vengano persi. Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 10

11 (dmaic): Variabile endogena e variabile esogena Matrice sigma quota vs sigma densità La logica sopra illustrata é puntuale nel caso l'azienda abbia in gestione un unica specialità farmaceutica e non abbia vincoli (colli di bottiglia) nella copertura territoriale di singoli ISF Questa e' una situazione teorica. La realtà concorrenziale evolve velocemente verso realtà in cui:. aumenta il numero di specialità offerte da ogni singola Azienda. aumenta il numero delle linee con riduzione del numero di ISF per linea (diminuzione della possibilità di contatto del singolo ISF con il medico). aumenta la concorrenzialità competitiva tra le varie Aziende farmaceutiche. necessita contenere i costi e massimizzare la redditività dell' investimento promozionale. necessita sempre più passare da una logica di marketing di massa ad una logica di marketing differenziato (segmentazione) L' utilizzo di questa variabile deve essere quindi complementare all'utilizzo di una variabile esogena che aiuti ad applicare la logica di diminuzione dalla dispersione della QM, NON genericamente su tutti i mbricks, ma esclusivamente dove l'azienda può avere un preciso interesse (ritorno) Utilizzeremo di seguito una variabile chiamata Densità prescrittiva di Mercato (per singolo mbricks) ottenuta come valore della Classe / nr medici operativi nello specifico mbrick Non è oggetto di questo intervento, approfondire ulteriormente questa variabile in relazione alle differenti specialità farmaceutiche. In generale deve valere il concetto che come elemento esogeno sia utilizzata una variabile che rappresenti la migliore appetibilità di mercato per il prodotto in analisi. ( es. mercato della Classe / nr dei medici ; mercato della Classe / nr specialisti ; mercato della Classe / popolazione interessata...) Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 11

12 (dmaic): Pareto Densità Prescrittiva mbricks costituenti una determinata marea (ISF,CA, Regione), ordinati per Densità Prescrittiva della Classe in analisi. Rappresentazione delle Quantità assolute e QM detenute nei singoli mbriks. Algoritmo di indicizzazione relativa, per:. Numero mbricks. Medici. Dimensione della Classe. Prodotto Aziendale. Concorrente Principale. Altri 2 Concorrenti principali. Prodotti rimanenti a completamento Classe marea (CA) in cui la QM e gestita in modo inefficiente (linea celeste- area grigia, inferiore alla linea base) marea (CA) con corretta identificazione dei mbricks (medici) ad alta prescrizione, dove conseguentemente è più produttivo in termini aziendali detenere una elevata quota di mercato. (linea celeste zona grigia, superiore alla line base) Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 12

13 (dmaic): Matrice sigma quota vs sigma densità Nella costruzione di questa matrice si utilizzano come assi del piano, le deviazioni delle densità prescrittive della classe e delle quote detenute. Utilizzando le deviazioni di una variabile (e non i valori assoluti) si possono dedurre ulteriori informazioni correlate alle proprietà della deviazione standard. Un'altro vantaggio e' legato alla possibilità di selezionare (per ogni singola specialità) la miglior variabile esogena relativa. Ovviamente, nella determinazione di obiettivi di un ciclo di linea ( in genere 3-4 specialità) ciò porrebbe dei problemi, che vengono invece bypassati dall' utilizzo della deviazione. Il piano grafico di questa matrice può essere suddiviso con centri concentrici che identificano gli anelli relativi ad ogni punto di deviazione standard. Il punto centrale della matrice (0,0) corrisponde al valore medio aziendale delle due varabili considerate. Appare abbastanza ovvio come con una semplice analisi visiva dei quadranti della matrice si possano: (1)-identificare mbricks sottoperformanti e relazionarli tra loro in termini di priorità di miglioramento. (2)- identificare mbricks sovraperformanti, e relazionarli in termini di tenuta. Utilizzando in aggiunta e contemporaneamente, la struttura degli anelli circolari e dei quadranti, é possibile identificare strategie (zone) su cui attuare con gradualità differenziata azioni di mantenimento o recupero di QM.? Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 13

14 (dmaic): Stile Direzione Commerciale e Quota di Mercato Esempio 1:. Azienda A Esempio 2:. Azienda B. Linea Operativa XXX Esempio 3:. Azienda B. Linea Operativa YYY Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 14

15 (dmaic): Ottimizzazione di un singolo prodotto Precedente Simulazione Obiettivo Ottimizzato Attuale Nota sulle matrici:. inversione assi rispetto alle rappresentazioni precedenti (Y=Densità Prescrittiva, X=QM). applicazione di trasformazione (LnNormal) se necessarie Ottimizzazione QM Obiettivo per singolo mbrick ottenuta mediante:. Tasso sviluppo medio (incrementale sul mercato) differenziato per quadrante (un algoritmo interno ridistribuisce il valore nei singoli mbricks posizionati nel quadrante stesso) Oppure... Algoritmi di determinazione del valore medio della QM per singolo gruppo (ISF) e di diminuzione della variabilità nello stesso gruppo Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 15

16 dmaic): Ottimizzazione di un singolo prodotto Ottimizzazione singolo prodotto: possibilità operative di analisi e simulazione Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 16

17 (dmaic): Ottimizzazione di una Linea di Prodotti Determinazione Obiettivi di Linea (Ciclo) n Linea = w i OP i i = 1 dove:. OP e il valore obiettivo della singola specialità ( ottimizzato singolarmente come precedentemente illustrato). w e un peso (opzionale) di importanza relativa. Tale peso può essere ad esempio un parametro relativo a:. Margine di contribuzione della specialità. Indice relativo alle differenzialità di regionalizzazione. Altro. I grafico illustra una marea (ISF) con i mbricks ordinati ad unità incrementali di Linea in ordine decrescente. (assolute e cumulate) Il diagramma a torta individua la ripartizione % degli obiettivi incrementali in uno specifico mbrick. (PV ) Ogni mbrick (della marea) avrà quindi una propria % singolarmente ottimizzata. (Es. PV ) Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 17

18 (dmaic): Obiettivi Linea per ISF e Battuta suggerita Battuta Suggerita. Timing : proporzionale agli obiettivi incrementali assegnati al singolo prodotto. Sequenza : ordinamento relativo Ovviamente queste due informazioni sono specifiche per ogni singolo mbrick. Rimane alla conoscenza dell ISF spalmare in modo equivalente o ulteriormente differenziato l obiettivo determinato sui medici operativi nello specifico mbrick. Questo limite operativo (di fatto imposto dalla legge sulla Privacy), in realtà e vissuto positivamente dagli ISF, in quanto, viene lasciata loro una operatività discrezionale (ma limitata a gruppi medi di 16 medici) derivante dalla conoscenza ed operatività sul territorio. In passato (quando ciò poteva essere possibile), obiettivi elaborati nominativamente sul singolo medico, sono stati oggetto di rifiuto da parte della maggioranza della struttura esterna di vendita. (invalidando l uso della segmentazione indipendentemente dalla bontà del modello matematico che la realizzava) Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 18

19 (dmaic): Controllo dei Risultati Conseguiti nel Ciclo Scopo di questo modulo è di valutare i risultati ottenuti nel Ciclo precedente in relazione agli obiettivi singolarmente prefissati per prodotto e per Linea. Inoltre è possibile valutare l'efficacia della comunicazione di ogni ISF-Medico- Prodotto. E' necessario disporre di un Dbase contenente il numero di visite effettuate per medico/mbrick, nel periodo preso in considerazione, con una valorizzazione % dei prodotti presentati per singola visita. La correlazione di queste informazioni con i risultati incrementali effettivamente ottenuti, possono essere di supporto all approfondimento e al miglioramento delle tecniche di comunicazione ISF-Medico. Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 19

20 Evoluzione Logico Operativa del Modello (non più legata al solo mercato Farma) Analisi non più vincolata all utilizzo di una matrice planare ma realizzata con l utilizzo di uno spazio di analisi N dimensionale. Sebbene la rappresentazione grafica (illustrata a fianco) utilizzi fino a 4 assi (3 spaziali + 4 come colore), le relative analisi di parametrizzazione possono utilizzare fino ad 8 variabili contemporanee (assi). Qualsiasi variabile numerica a disposizione (dati IMS Health, ISTAT, Interni Aziendali, altri dati per mbrick) può essere utilizzata in combinazione con le altre, come asse parametrico di analisi dei singoli mbricks. Gestione e valorizzazione di cubi nicchia (3 suddivisioni^8 assi) costituenti l ntero iperspazio di analisi. Asse X: Quota Mercato Asse Z:Dimensione Classe Asse Y: Medici Attivi Relative Distribuzioni Singolo mbrick Valori del singolo mbrick marea attiva ( Regione, CA, ISF) Sfera 3 Sigma X, Z, Y Outliers Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 20

21 Da modello a strumento operativo Istat Data Internal Data IMSHealth(tm) Data Single Product / Class Target model Single Product / Class Control Model Single Product / Position analysis Pharma Class Product Group/Line Product Group/Line Navigator Targeting Control Reports automatici su: Classe Farmaceutica, Prodotto, Competitors a Informatori, CapiArea, Regional Managers per mbrick, marea, MmArea In sintesi analizzare statisticamente i dati IMS Health con un Non Manifacturing Process SixSigma Model permette alle Aziende Farmaceutiche di:. realizzare un sistema di analisi, monitoraggio e controllo dei risultati globali. definire obiettivi differenziati per mbrick. sia di singoli prodotti che di linee operative. senza nessun costo aggiuntivo di rilevazione dati, né terze parti coinvolte. e di realizzare uno strumento di comunicazione standardizzato ed affidabile tra sede e periferia, con completa automatizzazione informatica del reporting. Le tecniche di cluster analysis mantengono invece la loro corretta funzionalità/ruolo nella definizione ottimale (DOE like) della relazione comportamentale ISF Medico. Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 21

22 Franco Anzani, D Ambrosio Maria Pia Riproduzione permessa solo riportando la fonte e i riferimenti degli autori Tutte le analisi presentate sono realizzate con R&M 2000 Siae /6/2000 Un ringraziamento particolare al Dr. Donato De Castro Direttore Marketing Solvay Pharma per il contributo dato. All trademarks mentioned on this publication are the property of their respective owners. Six Sigma Challenge 2004 Accademia Italiana del Sei Sigma - slide 22