那天 CPK 報告出來，全場沉默了三秒
還記得好幾年前，我們有個新產品剛量產，初期良率還不錯。結果有一天，老闆突然丟出一個 CPK 報告，上面幾個關鍵製程的 CPK 值都在 1.08 這種「比及格好一點點」的邊緣，更別提 DPMO 居然高達 6210。整個會議室瞬間安靜，大家面面相覷，不知道該說什麼。老闆只說了一句：「這 DPMO 是六標準差的哪個等級？我們需要六標準差！」我心想，六標準差？那不就是統計課本裡的東西嗎？真要在工廠裡搞？
問題出在哪，說穿了就是變異
說實話，六標準差（Six Sigma）這東西，聽起來很厲害，但說穿了，它核心就是解決「變異」的問題。你在產線上，每天都會遇到各種狀況，機台參數漂移、人為操作誤差、材料批次差異，這些都會讓你的產品品質「不一致」。六標準差就是要用一套有系統的方法，把這些變異找出來、量化，然後想辦法把它們壓到最低。你想想看，如果每個產品都長得一模一樣，哪會有良率問題？所以重點就是，六標準差不是什麼魔法，它是一個幫你「系統性地」減少變異、提升良率的工具。
實際上怎麼做？DMAIC 給你方向
在半導體廠裡，我們最常用的就是六標準差的 DMAIC 方法論，它其實就是五個步驟：
- Define (定義)：首先，你得先搞清楚「問題」是什麼。像我們那個新產品，問題就是「良率不穩，DPMO 太高」。你必須明確定義良率的目標，例如要把 DPMO 從 6210 降到 3.4 (這是六標準差的標準)。
- Measure (測量)：接下來，你要把問題量化。收集數據，用統計工具分析現狀。例如，我們去量測關鍵製程的參數，發現某個蝕刻時間的標準差很大，導致晶圓厚度不一致。
- Analyze (分析)：這一步是找出問題的「根本原因」。通常會用到一些工具，像魚骨圖、迴歸分析、變異數分析 (ANOVA) 等等。坦白講，這一步最燒腦，但也是最有價值的。我們發現，蝕刻時間的變異，是因為機台的反應氣體濃度偵測器老化，讀值不準。
- Improve (改善)：找到原因後，當然就是提出解決方案並實施。我們更換了老化的偵測器，並且制定了更頻繁的校正計畫。同時也導入了 SPC (統計製程管制) 圖，即時監控氣體濃度。
- Control (控制)：最後一步是確保改善效果能夠持續。這包括建立標準作業流程 (SOP)、監控計畫，甚至導入自動化系統來減少人為干預。我們把新的校正頻率寫進 SOP，並且要求每週檢視 SPC 圖表，確保製程穩定。
所以重點是，DMAIC 就像一張地圖，一步一步引導你從「發現問題」到「解決問題」再到「維持成果」。
最常見的坑：數據不夠或方向不對
我遇過最大的坑，就是一開始「Define」沒做好，搞不清楚真正要解決的痛點是什麼，或是「Measure」的時候數據亂收一通，導致後面分析半天都在做白工。有一次，我們以為是機台參數設定問題，結果花了一個月時間調整參數，良率還是一樣爛。後來才發現，根本原因不是參數，而是前段製程的某個清洗液濃度失效了。所以說，一開始的定義和測量，絕對不能馬虎，否則後面越努力，方向錯得越遠。
今天能做的一件事
回去看一下你手上最頭痛的製程，它的 CPK 或 DPMO 是多少？