那天 CPK 報告出來，全場沉默了三秒，然後就炸鍋了
說實話，在 Fab 待了十五年，看過鳥事沒一百也有八十。但印象最深刻的一次，大概是幾年前在一次月會上。報告者很興奮地秀出 CPK 1.08 的圖表，說良率又提升了多少。結果，PM 臉色鐵青，直接把報告丟了回來：「你這什麼鬼東西？良率明明一直掉，你給我看這種數字？」全場瞬間安靜，然後就開始七嘴八舌。那個工程師一臉茫然，覺得自己明明就照 SOP 跑數據，怎麼會被罵？
問題出在哪？你的數據是「測量」還是「數數」？
其實，那個工程師的盲點，說穿了就是把「測量值」跟「計數值」搞混了。我們在廠裡面，數據來源百百種，有些是拿尺量、拿儀器測的，像什麼膜厚、電阻、線寬、電壓這種，它們有個「連續的範圍」，你可以量出 10.12nm、10.13nm 這種「小數點」的數值。這就是「測量值」，英文叫 Variable Data。
但有些數據呢，它就是「數數」的，像是晶圓上的 Particle 數、不良品的數量、機台 Down 機的次數，或者一個 Lot 有幾個 Defect。你不會有 1.5 個 Particle，也不會有 0.8 個不良品，它就是整數。這種東西，我們就叫它「計數值」，Attribute Data。
所以重點來了：不同的數據類型，要用不同的管制圖來監控。你不能拿測量值的管制圖（像 Xbar-R、Xbar-S）去監控計數值，反之亦然。就像你不能拿磅秤去量身高一樣，工具不對，出來的數據再漂亮都是假的。
實際上怎麼做？用你的眼睛分辨！
判斷很簡單，就是看你的數據「能不能有小數點」或「是不是總數」。
* 測量值 (Variable Data)： 通常跟「量測單位」有關，像 nm、ohm、V、mA、°C、mm 等等。例如：膜厚 120.3 nm、電阻 5.2 ohm、電壓 3.3 V。這時候，你就要用 計量型管制圖 (Variable Control Chart)，最常見的就是 Xbar-R 圖或 Xbar-S 圖。當初那個工程師，他把不良率（計數值）拿去跑了 Xbar-R，才會出現 CPK 1.08 這種「誤導性」的結果。
* 計數值 (Attribute Data)： 通常是「個數」或「比率」。例如：每片晶圓上的 Particle 數是 5 個、100 片晶圓中有 3 片不良品、一個 Lot 裡面有 20 個 Defect。這種數據，你就要用 計數型管制圖 (Attribute Control Chart)。
* 如果是計算「不良品數」或「缺陷數」： 用 p 圖（良率，是比例）、np 圖（不良品數，是個數）、c 圖（缺陷數，是個數，但樣本大小固定）、u 圖（單位缺陷數，是比例，但樣本大小可變）。
舉個例，你追蹤一個 Lot 的良率，假設 Lot size 都是 25 片。每批有 1 片、2 片、0 片不良，這就是計數值，你要用 np 圖或 p 圖。如果你硬要拿這些不良片數去算平均值、標準差，然後跑 Xbar-R，那出來的 Cpk 1.08 根本沒意義，甚至會給你一種「一切都很好」的錯覺，但良率其實已經 DPMO 6210 了（25 片有 1.5 片不良就 6210 了）。
最常見的坑：看到「良率」就覺得是測量值
坦白講，我年輕時也踩過這個坑。看到良率 99.8%，就覺得很像測量值，想拿去跑 Xbar-R。結果老闆一看圖，說我數據根本沒變異，是在做白工。後來才搞懂，良率雖然有小數點，但它本質上是「不良品個數 / 總生產個數」算出來的「比例」，是從計數值轉換來的。所以還是得用 p 圖或 np 圖。
另一個常見的誤區是「樣本數太小」。計數型管制圖對樣本數有要求，如果你的 Lot size 太小，管制圖的控制界線會很寬，很難看出問題。這時候就得考慮調整樣本大小或監控頻率了。
今天能做的一件事
回去看看你手上的管制圖，是不是把「計數值」拿去跑了「計量型管制圖」？如果是，馬上改過來！