那天良率報告出來，老闆只丟一句：「你確定你混淆定義搞清楚了？」
記得有一次，一個新產品要上線，我跟團隊花了好幾個月做 DOE，結果一跑線，良率死活上不去。報告送到老闆那邊，他看了一眼，臉色鐵青，然後只丟一句：「你確定你混淆定義搞清楚了？」我心裡一涼，想說難道是哪個參數沒抓對？結果他直接點出：「你這 Resolution V 的設計，真的有把那些高階交互作用考慮進去嗎？看起來像 Resolution III 的結果。」說實話，當下我腦袋有點打結，Resolution III、IV、V，雖然知道是啥，但要立刻應用到實際問題上，還真有點卡關。
問題出在哪？說穿了就是你對「實驗能力」的認知
到底什麼是混淆結構的 Resolution III、IV、V 呢？說穿了，就是你的實驗設計能多清楚地「看到」或「分離」不同的因子效應。想像一下，你在一間非常吵雜的KTV唱歌，Resolution III 就像是你只能勉強聽到自己主唱的聲音，但背景和音、鼓聲、吉他聲全部混在一起，你根本分不清是誰在亂唱。Resolution V 呢？就像你在專業錄音室，每個樂器的聲音都清清楚楚，你想聽哪一個就聽哪一個。
所以重點是，Resolution III 的實驗設計，會把一些重要的一階效應（Main Effect）跟二階交互作用（2-Factor Interaction）混在一起，讓你很難判斷到底是 A 因子有效，還是 A 因子和 B 因子交互作用有效。Resolution IV 稍微好一點，能把一階效應跟二階交互作用分開，但二階交互作用之間還是會混淆。Resolution V 則是最好的，能把一階效應和二階交互作用都分開，讓你清楚知道每個因子或因子組合的影響。
實際上怎麼做？看你的「犧牲」程度
那在實務上，你到底該怎麼選呢？很簡單，看你的「犧牲」程度。
- Resolution III (R=III)： 當你資源有限，或是你的製程參數多到爆，你只希望能「快速篩選」出幾個最關鍵的因子時，R=III 是個選項。比如說，你總共有 15 個可能影響良率的參數，但你只想用一個 8 因子、16 跑次的 DOE 趕快摸索，那幾乎篤定是 R=III。這種設計的缺點就是，當你跑完發現 A 因子好像有影響，但其實搞不好是 A 跟 B 的交互作用在作怪，你根本分不清楚。這很常發生在初期探索，Cpk 只有 0.8 的那種階段。
- Resolution IV (R=IV)： 這是業界最常用的平衡點。它能讓你把一階效應從二階交互作用中分離出來。也就是說，你知道 A 因子本身有沒有效，也知道 A 和 B 的交互作用有沒有效，但你無法區分 AB 交互作用和 CD 交互作用。這種設計通常需要更多的實驗跑次，但換來的是更可靠的結論。當你的產品 Cpk 已經能做到 1.08 左右，想再往上提升，R=IV 會是個不錯的選擇。
- Resolution V (R=V)： 如果你的目標是把製程做到極致，Cpk 1.33 以上，DPMO 低於 6210，需要精確地找出所有潛在的交互作用，那麼 R=V 就是你的首選。它能把一階效應、二階交互作用都分開，不會互相混淆。當然，代價就是實驗跑次會是最多的，對資源要求也最高。
所以重點是，你現在的產品痛點在哪裡？你期待從 DOE 得到什麼等級的答案？你才能決定要「犧牲」多少資訊。
最常見的坑：老闆的期待跟你做的不一樣
我以前最常踩到的坑，就是老闆要我「找出所有影響」，結果我為了省時間，隨便弄個 R=III 的設計去跑。結果分析出來，一堆因子效應都跟交互作用混淆，根本搞不清楚誰是誰。最後老闆看報告，直接問我：「所以你確定這是 A 的效果，不是 A 和 B 的交互作用？」我當下就傻了。因為數據告訴我，它們混淆了，我根本沒辦法給他一個肯定的答案。這種時候，就只能鼻子摸摸，重做 DOE，白白浪費了幾週的時間。
坦白講，很多時候我們都會想偷懶，覺得差不多就好。但DOE的 Resolution 就像你在拍照，如果你想拍清楚每個細節，你就要用高畫素的相機。你用手機拍星空，再怎麼調光線，也很難拍出專業單眼的效果。
今天能做的一件事
下次要設計 DOE 時，先問自己：這實驗最核心的目的是什麼？需要分清到什麼程度？