那天良率掉到 88%，阿德的臉綠了
「學長，不好了！」菜鳥阿德衝進來，臉色慘白，手上的報表抖個不停。「昨晚那批貨，良率只剩 88%！客戶的 DPMO 直接噴到 12500，PM 已經在辦公室跳腳了！」我放下手邊的咖啡，瞄了一眼報表，嗯，好久沒看到這麼精彩的數字了。通常這種時候，老闆就會開始問：「有沒有人知道是哪個參數搞的鬼？」然後大家就開始亂槍打鳥，調高這個、調低那個，結果通常是…更慘。
問題出在哪？不是你亂調就能搞定
說穿了，很多時候我們遇到問題，直覺就是憑經驗猜測。調整了機台溫度，發現沒用；再把壓力調高一點，好像更糟。這就是典型的「一次只動一個參數」的盲點。但你知道嗎？有時候問題根本不是單一參數造成的，而是「參數 A」跟「參數 B」湊在一起才出包！這就是我們常說的「交互作用」。
想像一下，你週末跟老婆去逛街，老婆問：「今天晚餐吃日式還是義式？」你回：「日式。」她又問：「那要吃拉麵還是壽司？」你回：「拉麵。」結果你吃得不開心。回家後你才想到，其實你喜歡吃日式，但特別不喜歡吃拉麵，你喜歡吃壽司。但如果今天老婆問：「吃拉麵還是義式？」你可能就會選義式。這就是兩個因子（菜系、具體菜色）之間產生的「交互作用」。
在工廠裡也是一樣。溫度 100 度沒問題，壓力 5 Bar 也沒問題，但如果「溫度 100 度 + 壓力 5 Bar」湊在一起，可能就出事了。所以，我們要的不只是知道「單一參數的影響」，更要知道「參數們湊在一起會發生什麼事」。
實際上怎麼做？2^k 全因子實驗設計
這時候，2^k 全因子實驗設計就派上用場了。簡單講，就是找出你覺得「可能」影響結果的參數（因子），然後把每個因子設定兩個水準：高和低。
舉個例，假設你懷疑「溫度 (A)」和「壓力 (B)」會影響你的產品良率。
- 因子 A (溫度)： 低水準 (例如 100°C)、高水準 (例如 120°C)
- 因子 B (壓力)： 低水準 (例如 5 Bar)、高水準 (例如 7 Bar)
這樣你就有 2^2 = 4 種組合：
- 溫度低、壓力低
- 溫度低、壓力高
- 溫度高、壓力低
- 溫度高、壓力高
你把這四種組合都跑過一遍，記錄下良率數據。假設數據出來是這樣：
- 組合 1 (低溫、低壓)：良率 95%
- 組合 2 (低溫、高壓)：良率 90%
- 組合 3 (高溫、低壓)：良率 92%
- 組合 4 (高溫、高壓)：良率 88%
從這些數據，你就能算出「溫度效應」、「壓力效應」以及「溫度與壓力的交互作用效應」。計算方法不難，但重點是，你會得到每個因子獨立的影響，還有它們聯手後的影響。
所以重點是，你不需要瞎猜，而是有系統地去測試所有可能的因子組合，才能真正找出問題的根源。
最常見的坑：以為做 DOE 就是要花大錢
我剛進來的時候，也覺得 DOE 是「大拜拜」，要搞好幾天，耗很多機台時間跟材料。結果有一次，老闆要我們查一個機台的異常，良率從 99% 掉到 97.5%，CPK 也從 1.5 降到 1.08。我們部門幾個老鳥，包括我，都覺得是機台某個零件壞了，拆開檢查半天，沒發現什麼。
後來老闆叫我試試看用 2^3 DOE，找出三個我們覺得最關鍵的參數，每個跑高低兩水準。我們只花了兩天時間，用的是線上的機台，挑了低峰期去測。結果發現，原來是其中兩個參數，A 和 C，它們在「A 高、C 低」的時候，良率會大幅下降，單獨調 A 或 C 都沒事！以前我們都只會單獨調，根本沒發現這個組合炸彈。那次之後，我才真的相信，DOE 不是奢侈品，是解決問題的利器。
說穿了就是，很多人一聽到實驗設計就覺得很複雜，要用到統計軟體、要花很多時間。但事實上，對於初期診斷問題，一個簡單的 2^k DOE 搭配 Excel 就能幫你釐清大部分的問題。
今天能做的一件事
想想你手上最頭痛的一個問題，列出 2-3 個你覺得可能影響結果的因子，然後規劃一個 2^2 或 2^3 的實驗，小規模地試驗看看。