那天 CPK 報告出來，全場沉默了三秒
還記得好幾年前，我們新製程剛上線，良率像坐雲霄飛車一樣，一下衝上 98%，一下又摔到 92%。有一次，資深經理開週會，投影幕上秀出 CPK 1.08 的報告，現場瞬間安靜，連隔壁組吃零食的聲音都聽得一清二楚。經理眉頭一皺，問了一句：「到底是什麼在影響良率？」你說，這時候你能怎麼辦？幾十個參數，你一個一個去試，老闆的口水都淹到你脖子了。
問題出在哪？
說穿了，就是因子太多、時間太少。以前我們遇到問題，常常是憑經驗抓幾個「嫌疑犯」，然後用 One-Factor-At-A-Time (OFAT) 土法煉鋼，一次只動一個參數。坦白講，這方法不是不行，但效率實在太差了，而且還很容易錯過因子間的交互作用。你想想，光是要從 30 個製程參數裡找出關鍵的 5 個，如果每個參數都做高低兩個水準，那排列組合起來，你可能做到退休都還沒跑完。
所以重點來了，Plackett-Burman 設計（P-B 設計）就是為了解決這個困境而生。它不是要你找出精確的最佳條件，而是像個高效的偵探，能從一大堆嫌疑犯中，快速篩選出「最有影響力」的關鍵因子。它特別適合在製程開發初期、或者良率突然崩盤，你必須在短時間內找出元兇的時候使用。
實際上怎麼做？
P-B 設計的核心概念，就是用最少的實驗次數，讓你同時測試大量的因子。它會將所有的因子都設定兩個水準（高/低，或 +1/-1），然後巧妙地安排實驗組合。舉個例子，如果你有 11 個潛在因子，P-B 設計只要 12 次實驗，就能幫你初步判斷哪些因子是重要的。相較之下，要是你用全因子設計，光 11 個因子，兩個水準，你就得跑 2^11 = 2048 次實驗，根本是天方夜譚！
換句話說，P-B 設計犧牲了一點點因子間交互作用的資訊（因為它假設這些交互作用相較於主效應是次要的），來換取極高的篩選效率。通常我們會設定一個顯著水準，比如 P 值小於 0.05，來判斷這個因子是否有顯著影響。比如說，我上次處理一個 DPMO 飆到 6210 的案子，用 P-B 設計測了 15 個因子，結果發現三個因子的 P 值分別是 0.012、0.035、0.008，這就表示它們很可能是造成問題的關鍵。接下來，我們再針對這三個關鍵因子做更精細的 DOE 就行了。
最常見的坑
我跟你說，最常踩的坑，就是把 P-B 設計當成最終答案。P-B 設計的任務是「篩選」，不是「優化」。它能告訴你哪些因子很重要，但它無法精確告訴你最佳的設定值。就像你篩選出三個嫌疑犯，但你還需要進一步審訊，才能找出誰是主謀，以及他們具體做了什麼。
另一個常見的錯誤是，在設計實驗前，沒有花時間跟製程工程師好好溝通，導致選進來的因子根本不合理，或是高低水準設得太極端，一做下去就炸機了。記得我剛入行時，有個學長沒跟設備組溝通，直接把某個壓力參數設定到上限值，結果就是機台發出警報，緊急停機，那次被罵得狗血淋頭。所以，事前溝通絕對是關鍵，確保所有因子及水準都在合理且可操作的範圍內。
今天能做的一件事
下週良率掉下來，別再亂槍打鳥，試著用 P-B 設計去篩選因子吧！