那天 Cpk 報告出來，全場沉默了三秒
還記得好幾年前，我們部門有個菜鳥工程師，負責一個新製程的導入。他前面做 DOE 做得有聲有色，因子分析、響應曲面都跑完了，看起來數據超漂亮，預測最佳條件下的 Cpk 可以飆到 1.6 以上。結果呢？在最後的 DOE 確認實驗那批貨跑完，Cpk 報告出來，全場真的靜默了三秒，Cpk 值只有 1.08，DPMO 衝到 6210。老闆的臉瞬間比無塵室的白板還白，新人當場就快哭了。
問題出在哪？
說實話，問題就出在「確認實驗」這一步。很多時候，我們做 DOE，前面的實驗計畫、因子篩選、最佳化都做得漂漂亮亮，甚至在實驗室裡跑出來的數據也超級完美。但你知不知道，這些實驗通常都是在「理想狀況」下進行的？可能你選的機台是狀態最好的，用的料是最穩的，甚至操作人員都特別小心。換句話說，你看到的數據，很可能只是冰山一角，或是說，它在「最好的情境」下成立。
所以重點是什麼？確認實驗，說穿了就是把你前面「覺得」最好的條件，拿到「真實生產環境」去跑跑看。它不是驗證你的數學模型多精準，而是驗證你的「最佳條件」在實際產線能不能扛得住。
實際上怎麼做？
其實做法很簡單，但眉角很多：
- 放大規模： 你前面 DOE 可能只用幾片晶圓或幾十顆產品做實驗，確認實驗請務必把數量拉大。例如，你前面跑 25 片晶圓，確認實驗至少要跑 200 片。晶圓數不夠，統計代表性就不夠，數據就沒意義。
- 模擬真實： 不只用你「覺得」最好的機台，請在多台機台、多批料、甚至不同班別操作下進行。你不是要證明你的條件在實驗室很棒，而是要證明它在產線也能很棒。
- 看 Cpk 和 DPMO： 這些是真槍實彈的指標。Cpk 1.08 和 DPMO 6210 代表你的製程變異太大，良率不穩。如果你的目標是 1.33 以上，確認實驗出來的數據，就是你最真實的成績單。
所以重點是，你必須用最接近量產的條件去驗證，而不是只在實驗室裡自嗨。
最常見的坑
我見過最常見的坑，就是工程師太自信，覺得自己前面的模型已經夠準了，確認實驗只是「走個過場」。結果呢？
- 只跑一次： 想說跑一次就夠了，結果那天剛好機台狀況特好，數據漂亮到不行，一導入量產就慘不忍睹。
- 挑機台挑料： 為了讓數據好看，硬是挑了品質最好的機台跟最穩的料來跑，結果就是自欺欺人。
- 不看變異： 只看平均值，不看標準差。DPMO 爆掉，通常就是變異太大惹的禍。一個 Cpk 只有 1.08 的製程，就算平均值很接近目標，只要有一點點風吹草動，良率馬上就GG。
坦白講，確認實驗就像你把設計好的新產品拿去給消費者試用一樣。實驗室裡的數據再漂亮，消費者不買單，一切都是白搭。你必須讓它在真實世界中被考驗。
今天能做的一件事
下次做 DOE，提醒自己：確認實驗不是做給老闆看的，是做給良率看的。