那天 CPK 報告出來，全場沉默了三秒，然後我看到課長臉綠了
你們有沒有遇過這種鳥事？週一早上開會，機台的關鍵參數突然掉到一個你不認識的世界。我記得那次是蝕刻製程，某個孔洞的 Critical Dimension (CD) 突然飄掉，Cpk 從 1.35 掉到 1.08。報告出來那瞬間，會議室的空氣凝結了三秒，然後我看到課長臉色發青，因為這個數字直接影響到良率。那時候，我們已經經過了 Define、Measure、Analyze 階段，確定了問題根源是某個氣體流量控制器不穩定。現在，問題來了：有五六種解決方案，到底要選哪一個？這就是今天我們要聊的 Improve 階段，特別是「解決方案選擇矩陣」跟「Pilot 設計」。
到底要選哪種仙丹妙藥？
說穿了，解決方案選擇矩陣，就是一個讓你不再「憑感覺」做決策的工具。你是不是常常聽到：「我覺得換這個牌子的閥門會比較好」、「我覺得寫個程式去監控就行了」？坦白講，這些「我覺得」常常是錯誤的開始。當我們 Analyze 完，找出了一堆可能的改善方案，例如：
- 更換氣體流量控制器 (MFC) 的品牌 A。
- 更換氣體流量控制器 (MFC) 的品牌 B。
- 加裝一個線上的氣體分析儀。
- 定期校正 MFC 的頻率從每月一次改成每週一次。
- 寫一套 AI 演算法去預測 MFC 漂移。
這麼多方案，你怎麼知道哪個效益最大、風險最低、成本最合理？這時候，選擇矩陣就派上用場了。它幫你把所有的考量因素條列出來，然後為每個方案打分數。
實際上怎麼做？就是打分數啦！
這個矩陣其實不複雜，你可以用 Excel 就搞定。
- 列出所有候選方案： 這就是前面提到的那五個方案。
- 決定評分標準： 這才是關鍵！你要根據你們廠的實際狀況來訂。例如，我會考慮以下幾點：
* 實施難度 (Difficulty)： 越簡單越好，佔比 15%。
* 預期效益 (Benefit)： 預估能把 Cpk 提升到多少，佔比 30%。
* 風險 (Risk)： 導入後可能帶來什麼副作用，越低越好，佔比 20%。
* 時間 (Time)： 導入所需時間，越短越好，佔比 15%。
- 為每個方案打分數： 針對每個評分標準，給 1 到 5 分 (1 最差，5 最好)。舉例來說，更換 MFC 品牌 A 可能成本是 4 分，但預期效益是 5 分。而寫 AI 演算法，成本可能只有 2 分 (初期開發人力)，但實施難度可能只有 1 分 (工程師要死掉)。
- 計算加權總分： 把每個分數乘以權重，然後加總。總分最高的，就是你應該優先考慮的方案。
像我們那次，換掉原本那個不穩定的 MFC，從 Cpk 1.08 提升到 1.50，DPMO 從 6210 降到 3.4，成本也才幾十萬，導入時間兩週。最後在矩陣中得分最高。
選定方案後，不是馬上全面推開，而是要「Pilot 設計」。換句話說，就是小規模測試。例如，我們有 20 台同型機台，你不會一次換掉 20 個 MFC。我們會先選 1-2 台機台，換上新的 MFC，然後密切觀察數據。這樣做的好處是，如果新方案有什麼意想不到的問題，衝擊會最小。就像你買新手機，不會一次買十支，通常是買一支用用看嘛。
最常見的坑：數字會說謊，但人更會說謊
我見過最大的坑，就是「評分標準不客觀」跟「評分的人帶有偏見」。有時候，某個工程師自己提出來的方案，他就會給自己打高分，然後把別人的方案打低分。這時候，作為專案負責人，你必須堅持「數據說話」。另外，評分標準的權重也很重要，如果你把「實施難度」設太高，大家就都選簡單的方案，但簡單的方案不一定效益最好。還有，Pilot 階段一定要確保數據是真實的，不能為了讓方案過關而「美化」數據。我還看過有人偷偷把測試機台的維護頻率提高，讓 Pilot 數據看起來很漂亮，但全面導入後就GG了。說實話，這種偷吃步，最後都是自己扛。
今天能做的一件事
下次遇到多個方案，試著列出三個評分標準，給每個方案打個分數吧！