那天 CPK 報告出來，全場沉默了三秒
還記得嗎？幾個月前，我們那條新開的 Fab 機台，剛開始量產就出了包。主管室會議，CPK 報告一出來，1.08。全場安靜三秒，然後我聽到隔壁部門的阿宏小聲嘀咕：「不是說設備都驗證好了嗎？」其實，1.08 不算太糟，但離我們的目標 1.33 差了一大截。老闆臉都綠了，直接點名：「阿明，你來解釋一下，變異到底來自哪裡？」這時候，你就知道 Variance Analysis 的時候到了。
問題出在哪？
說穿了，Variance Analysis，變異數分析，就是把製程中所有變動的來源，一個一個拆開來看。想像一下，你泡一杯咖啡，每次泡出來的濃度都不一樣。為什麼？可能是咖啡豆粗細不一、水溫不穩定、沖泡時間不準。這些「不穩定」的因素，就是變異來源。在半導體廠，這個「咖啡濃度」可能就是你的膜厚、電阻、CD 值。我們需要知道，到底是機台本身、材料批次、還是操作員手法造成的差異最大？
實際上怎麼做？
最常見的應用，就是 ANOVA (Analysis of Variance)。我們通常會選定幾個你懷疑會影響品質的因子，例如：
- 機台 (Machine)：同一批晶圓在不同機台跑，結果有沒有差？
- 批次 (Lot)：不同批次的原料，做出來的產品有沒有差？
- 操作員 (Operator)：不同班的工程師或OP操作，結果有沒有差？
假設我們今天針對一個關鍵參數，DRAM 的 Refresh Time，目標是 500ns。我們跑了三台機台、用了三批材料，每種組合都做了五片晶圓。跑完數據後，我們會用統計軟體去算。它會告訴你，整個變異中，有多少比例是來自機台，多少來自材料，多少是隨機誤差。如果結果顯示，機台的 P 值 (p-value) 小於 0.05，這就代表「機台」這個因子對 Refresh Time 有顯著影響。比如說，你的報告出來，發現 70% 的變異來自機台 #3，那你就知道該去檢查機台 #3 的狀況了。
最常見的坑
坦白講，我剛開始學的時候，最常犯的錯就是「什麼都想分析」。一股腦把所有能想到的因子都塞進去，結果跑出來一堆數據，P 值都很大，搞得自己更混亂。記得有一次，為了追一個 DPMO 6210 的異常，我把機台、Recipe、甚至當天的溫濕度都拉進去做 ANOVA。結果呢？什麼顯著影響都沒找到，還被老闆酸：「你是不是把今天中午吃什麼也加進去了？」
說實話，重點是事前要夠了解製程，先篩選出你覺得最有可能影響的幾個因子，做一個合理的實驗設計。不然，數據再多，也只會是垃圾進垃圾出。還有，別忘了看殘差圖 (Residual Plot)，如果殘差不是隨機分佈，那代表你的模型可能漏掉一些重要的變數，或是數據本身有問題。
今天能做的一件事
回去看看你手邊最新的異常報告，想一想，你覺得變異最大可能來自哪裡？