情境
「你這份製程能力報告是怎麼回事？良率明明掉到95%，你給我看個CPK=1.5？客戶要的是良率，不是你這數字好看！你是不是把數據搞錯了？」PM的聲音在辦公室裡迴盪，工程師看著手上的報告，明明數據都輸入了，軟體也跑出來了，怎麼會這樣？他覺得自己沒錯，但又說不出個所以然，只能一臉尷尬。
白話翻譯
在工廠裡，我們每天都在跟數據打交道，但你知道嗎？不是所有數據都長得一樣，它們有兩種基本類型，搞錯了就像拿磅秤去量身高，結果當然是錯的。這兩種數據就是：測量值 (Variable Data) 和 計數值 (Attribute Data)。
把它們想成兩種不同的「量東西」方式：
- 測量值 (Variable Data)：
* 例如：晶圓厚度、電壓、溫度、線寬、產品重量。這些都是可以精確量測的數值。
* 這類數據可以告訴你製程「有多好」，不僅僅是「好不好」。
- 計數值 (Attribute Data)：
* 例如：產品不良數、瑕疵點數、通過/不通過的數量、客戶投訴次數。你只能數有幾個，不能說有「半個」不良。
* 這類數據主要告訴你製程「好不好」，也就是符合不符合標準。
為什麼搞清楚很重要？ 因為它們要用不同的分析工具！你不能拿分析測量值的工具（例如：Cp/Cpk）去分析計數值，反之亦然。就像你不能用量尺去數蘋果有幾顆一樣，結果會完全誤導你。工程師的問題就是出在這裡，他可能把計數型的良率數據，誤用了測量型的CPK來分析，當然會被PM罵爆。
實戰判斷
要正確判讀數據，第一步就是搞清楚你的數據屬於哪一種類型。以下提供一個簡單的判斷準則和實戰建議：
| 數據類型 | 特徵 | 適用管制圖 | 適用製程能力指標 | 範例 |
|---|---|---|---|---|
| 測量值 (Variable Data) | 連續、有單位、可量化、可有小數點 | X-bar & R/S 圖 | Cp, Cpk, Pp, Ppk | 晶圓厚度、電壓、溫度、線寬、產品強度 |
| 計數值 (Attribute Data) | 離散、通常是整數、計數次數或比例 | p/np/c/u 圖 | 良率、不良率、DPMO、每單位瑕疵數 | 產品不良數、瑕疵點數、通過/不通過的數量 |
實戰建議：
- 定義數據來源： 在你開始任何數據分析之前，務必先釐清你的數據是來自「量測」還是「計數」。這是選擇正確分析工具的基礎，也是避免犯錯的第一步。
- 目標導向選擇：
* 如果你想監控「不良率」或「瑕疵率」，數據是計數型的（例如：每批不良品數、每片晶圓的缺陷數），那就應該選擇 p/np/c/u 圖。
- Cpk 的限制： Cpk 是針對測量值的製程能力指標，它評估的是製程中心與規格中心的偏離程度，以及製程變異的大小。對於計數值，例如良率，直接計算 Cpk 是沒有意義的，因為良率本身就已經是結果了，它不具備連續性分佈和規格上下限的概念。良率高不代表製程能力一定好，良率低也不代表 Cpk 一定差，兩者是不同維度的指標，不能混為一談。
InsightFab 怎麼做
在 InsightFab 裡，你只要上傳數據，系統會自動判斷數據類型，並推薦最適合的管制圖與分析方法，讓你輕鬆選對工具，避免錯誤解讀。
金句
「搞清楚你的數據是「量」還是「數」，才能選對工具，讓數據說真話。」