那天 CPK 報告出來，全場沉默了三秒，然後我看到課長臉綠了
你們還記得，去年 Q3 有批貨，良率突然掉了一截嗎？那時候追良率追到人仰馬翻，從機台參數、料況、甚至連隔壁廠的 PM 都問遍了，還是找不到關鍵原因。大家就只能像無頭蒼蠅一樣，每個製程都試著調一點，結果就是越調越糟，Cpk 從 1.08 掉到 0.95，DPMO 衝到 6210。那次會議，課長看著報告，臉色鐵青，說了句：「這批貨根本是薛丁格的貓，誰都不知道到底哪裡出了問題。」那時候我就在想，會不會根本不是某個單一製程的問題，而是有一群製程，他們「很像」，所以一起出包？
問題出在哪？不是單一製程，而是「一群」製程
說穿了，在製程分析裡，我們常常把資料全部混在一起看。但坦白講，很多時候，不同的製程，雖然步驟很像，但它們的「行為模式」可能天差地遠。想像一下，你有一堆蘋果跟橘子，如果全部放在一起稱重，你只會得到一個「水果的平均重量」，但這根本無法告訴你蘋果和橘子各有多重。
所以重點是，我們需要把這些製程先「分門別類」。集群分析（Cluster Analysis）就是這個意思，它會幫你找出資料裡那些「相似」的製程，把他們自動歸成一群。你可以把它想像成一個超級聰明的分類員，它會根據製程的各種特性，比如溫度、壓力、時間、甚至機台型號，把那些「臭味相投」的製程找出來。
實際上怎麼做？用數字找出你的「麻吉製程」
其實步驟很簡單，不需要什麼高深的數學公式。
- 收集你的製程資料：把你認為可能影響良率的製程參數全部拉出來。像是製程步驟 A 的溫度、時間、壓力，製程步驟 B 的真空度、氣體流量等等。資料越多越好，但也不要貪多嚼不爛，挑那些你覺得關鍵的。
- 選擇適合的演算法： 最常用也最直觀的就是 K-Means。它會幫你把資料分成 K 個群，K 就是你要設定的群數。
舉個例子，假設我們有 100 個製程步驟，每個步驟都有 5 個關鍵參數。我們把這些數據丟進 K-Means 演算法，設定 K=3。它跑出來的結果可能會告訴你：
- 第一群： 30 個製程，他們的共同特徵是「高溫、短時間、低壓力」，而且良率表現都比較差，Cpk 平均只有 0.98。
- 第二群： 50 個製程，特徵是「中溫、長時間、高壓力」，良率表現穩定，Cpk 平均有 1.25。
- 第三群： 20 個製程，特徵是「低溫、短時間、中壓力」，良率有時好有時壞，Cpk 落在 1.05 到 1.15 之間。
這樣一來，你就知道，當第一群的製程良率掉下來時，你應該優先去檢查「高溫、短時間、低壓力」這三個共通點，而不是漫無目的地亂調一通。換句話說，你找到了你的「麻吉製程」，當一個出問題，其他麻吉可能也跟著出問題。
最常見的坑：數字多不代表有用，還有「分幾群」
我以前也踩過這個坑。第一次用集群分析，想說資料越多越好，把所有製程參數、機台型號、甚至操作員班別都丟進去。結果跑出來的群根本沒有意義，像是一群「週一早班王工程師操作的機台」，這跟良率根本沒關係。
所以，最關鍵的一點就是：輸入的特徵（Feature）要跟你的問題有關。如果你的目標是提升良率，那就應該多放那些你認為會影響良率的參數。
另一個大坑就是「到底要分幾群（K 值）」。一開始你會不知道要設 K=3 還是 K=5。這個沒關係，你可以多試幾次，看看哪個分群結果最有解釋力。最常見的方法是看「肘部法則 (Elbow Method)」，它會給你一個視覺化的建議，告訴你哪個 K 值是甜蜜點。但說實話，這還是需要你憑經驗和對製程的了解去判斷。
今天能做的一件事
把你手邊的製程數據，先整理出你覺得最重要的三個參數，試著用 Excel 的散佈圖功能，初步看看有沒有什麼群聚現象。這就是集群分析的起點。