# 那天 CPK 報告出來，全場沉默了三秒
還記得好幾年前，我們一個新產品導入，照理說製程都打通了，良率應該穩穩的。結果某天週會上，PM 突然臉色鐵青地秀出 CPK 報告，一個關鍵參數的 CPK 只有 1.08，DPMO 直接飆到 6210。整個會議室瞬間安靜，連掉根針都能聽到。老闆就問了：「阿你們製程 DOE 到底做了沒？因子到底篩了沒？」說實話，那時我心裡也在滴咕，因子那麼多，怎麼篩？
問題出在哪？
你們一定也遇過這種狀況，一個製程裡面，動不動就幾十個參數可以調。烤箱溫度、時間、氣體流量、功率、轉速... 隨便組合一下，實驗次數就爆表了。如果每個都做 Full Factorial，光是跑完實驗可能產品都下市了。而且很多時候，這些因子之間還會有「交互作用」，也就是說，A 參數的效果會因為 B 參數的不同而改變。你光看單一因子可能看不出來，但一組合起來，就出包了。
所以重點是，我們得找出那些「真正」有影響力，而且影響力「夠大」的因子。那些影響力小的，或是根本沒影響的，就直接忽略。這就是 DOE（實驗設計）裡面，「因子篩選」的重要性。
實際上怎麼做？
最簡單也最常用的，就是「Fractional Factorial Design」（部分因子設計）。說穿了就是一種「聰明地偷吃步」的方法。它不是把所有可能的組合都跑一遍，而是只挑選其中一部分的組合來做實驗。
舉個例子，假設你有 7 個製程因子，每個因子設定高低兩個水準。如果做 Full Factorial，要跑 2 的 7 次方，也就是 128 組實驗。光想就頭皮發麻。但如果我們用一個 2^(7-4) 的 Fractional Factorial 設計，它只需要跑 16 組實驗，就能幫你篩選出哪些因子是重要的。
換句話說，你用少量的實驗，就能判斷哪些因子是「主效應」或「主要交互作用」的潛在貢獻者。當然，這會有一個代價，就是你可能會犧牲掉一些高階交互作用的解析度。但坦白講，在製程開發初期，能快速找出關鍵因子，遠比糾結那些三階、四階交互作用來得重要。
最常見的坑
我曾經看過一個菜鳥工程師，拿到 2^(7-4) 的實驗設計表，一看只要跑 16 組，就覺得很輕鬆。結果他把所有因子都設成「高水準」或「低水準」這種極端值，想說這樣效果比較明顯。結果呢？很多參數都超出機台的操作範圍，機器跑不動，不然就是產品直接報廢。
所以重點是，Factor 的水準設定很重要！別把「高」就直接設成極限值，而是要設在「有意義」且「可操作」的範圍內。例如，烤箱溫度設定在 200 度，你不能說「高」就設 300 度，因為產品可能直接烤焦。應該是設在 190 度跟 210 度這種，你覺得可能會有差異，但又不會直接把產品搞砸的範圍。
另一個坑是，結果出來後，看到 P 值小的就一股腦兒去調整。但有時候，P 值雖然小，但效果量（Effect Size）卻很小，代表它雖然統計上顯著，但實際改善卻沒多少。這時候，工程師的經驗判斷就很重要了。
今天能做的一件事
把你們手邊一個待優化的製程因子列表拿出來，思考哪些因子是「真的」在你們可控範圍內。