Relazione 6s_challenge_2004 - Stat-Ease

Gestione delle attività degli Informatori nelle
Aziende Farmaceutiche
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 1
Struttura Operativa del Mercato Farmaceutico (Etico)
Flusso Mercato Farmaceutico Etico
Azienda
ISF
Ospedali
Prodotto
Promozione
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)
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 2
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 45.000 effettivi
Farmacie : circa 16.000
Medici generici per mBrick : circa 16,7
Farmacie per mBrick : circa 6
Tipologia
Numero
Azienda
Linee
Farmaceutica Operative
Piccola
Media
Grande
1
2+
6+
Numero
complessivo
ISF
Costo Complessivo
Struttura ed Promozione
Incidenza % sul Fatturato
(di cui..) Investimento
Acquisto Dati
IMSHealth© (Euro
/anno)
120 .. 130
250-500
>1000
mediamente dal 35 al 45%
150.000
200.000-400.000
500.000 -1.000.000
Quanto e'
efficiente?
?
Ciclo tipico
. Frequenza : da trimestrale a mensile (+ linee)
. 10..15 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
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 3
Analisi tradizionale dati ISM Health© - Indici
Indici normalmente utilizzati
. V =vendite a quantità o a valore
. QM (Quota Mercato) = VProdotto / VClasse *100
. TS (Tasso Sviluppo) = (VAttuale – Vprecedente) / Vprecedente *100
. IP (Indice di Penetrazione) = QM Isf / QM Azienda *100
. IE (Indice Evoluzione I) = TSIsf / TSAzienda *100
… oppure …
. IE (Indice Evoluzione II) = ((100 + TSProdotto) / (100 + TSClasse)) *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) = QMProdotto / QMConcorrentePrincipale
. IC (Indice Concorrenzialità) = R isf / R Azienda *100
. IED (Ind.Evol.Distanza)= ((100 + TSProdotto) / (100 + TSConcPrin)) *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
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 4
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
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 5
(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. (9799).
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)
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 6
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.
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 7
(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.
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 8
(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
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 9
(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.
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 10
(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 ...)
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 11
(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)
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 12
(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.
?
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 13
(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
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 14
(dmaIc): Ottimizzazione di un singolo prodotto
Simulazione
Obiettivo
Ottimizzato
Precedente
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
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 15
dmaIc): Ottimizzazione di un singolo prodotto
Ottimizzazione singolo prodotto:
possibilità operative di analisi e simulazione
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 16
(dmaIc): Ottimizzazione di una Linea di Prodotti
Determinazione Obiettivi di Linea (Ciclo)
n
Linea = ∑ wi × OPi
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 0180203)
Ogni mBrick (della mArea) avrà
quindi una propria %
singolarmente ottimizzata.
(Es. PV 0180212)
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 17
(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)
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 18
(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-MedicoProdotto.
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.
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 19
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
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 20
Da modello a strumento operativo
Istat Data
Internal Data
IMSHealth(tm) Data
Single Product /
Single Product / Class
Single Product / Class
Target model
Control Model
Product Group/Line
Product Group/Line
Position analysis
Pharma Class
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.
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 21
©2000-2004 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 003 27/6/2000
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.
http://www.sixsigmain.it ©
Six Sigma Challenge 2004 – Accademia Italiana del Sei Sigma - slide 22