那天 CPK 報告出來，全場沉默了三秒，只聽到我心裡罵了句OOXX
還記得有一次，我們機台換了一個新的製程參數，想看看效果。跑完第一批貨，設備工程師小陳眼睛發亮地拿著 SPC 報告跑過來，說：「學長，你看！這 CPK 1.08，是不是快到 1.33 了？搞不好有機會！」我瞄了一眼，嗯，看起來還行。結果，隔天生產線出了一批貨，客戶那邊直接抱怨說不良率高到爆表，DPMO 竟然飆到 6210。我跟小陳兩個面面相覷，前一天還說 CPK 1.08，怎麼今天就 GG 了？後來我們才發現，原來是 SPC 資料清理沒做好，把一些明顯的異常值也算進去了，結果把整個數據都拉歪了。
問題出在哪？
說穿了就是「垃圾進，垃圾出」（Garbage In, Garbage Out）。你拿了一堆沒處理好的原始數據去跑 CPK 或其他統計分析，跑出來的結果當然就是狗屁不通。很多時候，我們看到 SPC 圖上那個點突然爆高或爆低，直覺反應可能是機台異常，趕快去查機台紀錄。但坦白講，有時候這些異常值根本不是機台或製程真的出問題，而是「量測錯誤」或「資料輸入錯誤」。
舉個例子，你的製程目標是 100nm，結果某個點量出來是 1000nm。你覺得這會是你的機台突然這麼猛，瞬間把膜厚做到 1微米嗎？當然不是啊！八成是量測儀器探頭沒碰到、或者工程師手滑多打了一個零。如果你不把這些明顯的「錯」從資料裡面剔除，它們就會把你的平均值、標準差全部拉偏，最後算出來的 CPK 或其他指標，根本無法反映真實的製程能力。
所以重點是，在開始任何 SPC 分析之前，你得先幫資料「洗個澡」，把那些明顯的髒東西清掉。
實際上怎麼做？
我們在處理 SPC 資料異常值的時候，通常會遵循幾個原則：
* 3倍標準差法則： 如果一個數據點跟平均值的距離超過三倍標準差，那它被視為異常值的機率就很高。
* IQR 法則： 先算出 Q1（25百分位數）和 Q3（75百分位數），IQR = Q3 - Q1。任何數據點如果小於 Q1 - 1.5 * IQR 或大於 Q3 + 1.5 * IQR，就可以考慮為異常值。
但要記住，這不是鐵律，只是參考。你不能看到一個點超過 3 倍標準差就直接刪掉，還是要回頭確認原因。
最常見的坑
我踩過最大的坑，就是「為了讓數字好看而剔除」。有時候製程能力真的差，CPK 怎麼算都過不了 1.0。這時候有些工程師會想說：「哎呀，是不是這些異常值拉低了？我把它們清掉，CPK 搞不好就上去了！」然後就開始「選擇性」地剔除數據。
我記得有個新手工程師，為了讓 CPK 從 0.8 衝到 1.0 以上，把所有超過 2 倍標準差的點都刪光了。結果就是，他交出來的報告 CPK 漂亮到不行，老闆看了也開心。但實際生產出來的產品，良率還是爛到爆炸。因為他刪掉的，其實是「製程真的有問題」的數據，而不是量測錯誤。他只是把問題「遮」起來，而不是「解決」。這真的會害死人，也害死產品良率。
所以，剔除異常值是為了讓數據更「真實」，而不是為了讓數據更「好看」。這兩者有天壤之別。
今天能做的一件事
回去看看你最近的 SPC 報告，找一個看起來很怪的數據點，追查它背後的原因。