1. 课程导论：良率报告的重要性、自动化目标、课程整体架构与学习路径
1.1 良率报告：制造企业的“健康仪表盘”
在半导体、电子组装、光伏、汽车零部件等离散制造与流程制造行业中，良率（Yield） 是衡量生产过程稳定性、设备效率与工艺成熟度的核心指标。一份高质量的良率报告，能够帮助工程师与管理者快速定位质量瓶颈、评估改善措施效果，并支撑高层决策。
传统良率报告的制作通常依赖手工操作：从 MES、EAP、EDA 等系统导出数据，在 Excel 中绘制趋势图、计算 Pareto 分布，再逐条撰写分析结论。这种方式存在以下痛点：
| 痛点 | 具体表现 | 业务影响 |
|---|---|---|
| 数据滞后 | 手工导出、清洗、汇总，报告产出通常滞后 1~2 天 | 无法及时拦截批量性缺陷，造成大量报废 |
| 格式不统一 | 不同产线、不同工程师使用不同模板，图表风格各异 | 管理层阅读效率低，横向对比困难 |
| 重复劳动 | 每周/每日重复相同的数据处理与图表制作步骤 | 工程师时间被低价值工作占用，无法聚焦根因分析 |
| 分析深度不足 | 仅有趋势图，缺乏 Pareto 分层、CPK 关联、缺陷分类等深入分析 | 问题定位停留在表面，改善方向不明确 |
课程核心观点： 良率报告自动化的本质，不是“用代码替代手工”，而是将工程师从重复的数据搬运中解放出来，让报告成为实时、可交互、可追溯的决策支持工具。
1.2 自动化目标：从“事后汇报”到“实时驱动”
本课程所定义的良率报告自动化，围绕以下四个核心目标展开：
- 数据采集自动化：从 MES、数据库、CSV/Excel 源文件自动读取良率数据，无需人工导出。
- 图表生成自动化：一键生成良率趋势图（含规格限、移动极差、CPK 标注）与 Pareto 分析图（含累计百分比曲线、80/20 线）。
- 报告分发自动化：自动输出为 PDF/HTML/邮件附件，按时间或事件触发推送。
- 异常预警自动化：当良率低于阈值或 Pareto 前 N 项缺陷占比突变时，自动触发告警。
1.3 课程整体架构与学习路径
本课程共分为 6 大模块、30 个章节，从基础工具搭建到高级分析模板，逐步深入。以下为课程的整体架构与推荐学习路径：
| 模块 | 章节范围 | 核心内容 | 学习目标 |
|---|---|---|---|
| 模块一：基础篇 | 第 1~5 章 | 课程导论、Python 环境搭建、Pandas 数据处理基础、Matplotlib/Plotly 图表基础 | 掌握自动化报告所需的技术栈基础 |
| 模块二：数据篇 | 第 6~10 章 | MES 数据对接、CSV/Excel 批量读取、数据清洗与异常值处理、良率计算逻辑 | 实现数据采集与清洗的自动化 |
| 模块三：图表篇 | 第 11~16 章 | 良率趋势图（含规格限、CPK）、Pareto 图（含 80/20 线）、缺陷分布饼图/柱状图 | 实现图表生成的自动化与模板化 |
| 模块四：模板篇 | 第 17~22 章 | HTML 报告模板设计、CSS 样式封装、PDF 导出、邮件自动发送 | 实现报告分发与格式统一 |
| 模块五：进阶篇 | 第 23~27 章 | 异常预警规则引擎、多产线对比看板、动态参数配置、定时任务调度 | 实现智能化预警与多场景适配 |
| 模块六：实战篇 | 第 28~30 章 | 综合案例：从数据源到完整报告、性能优化、部署与运维 | 独立搭建企业级良率报告自动化系统 |
学习建议： 如果你是 Python 初学者，建议按模块顺序学习，前 5 章打好基础后再进入数据与图表模块。如果你已有一定编程基础，可以直接从模块二开始，遇到不熟悉的概念再回看基础篇。
1.4 课程配套工具与前置知识
为获得最佳学习体验，建议提前准备以下工具与环境：
- Python 3.9+：推荐使用 Anaconda 发行版或 Miniconda 进行环境管理。
- 核心库：pandas、numpy、matplotlib、plotly、openpyxl、jinja2、smtplib。
- 开发环境：VS Code + Python 插件，或 Jupyter Lab / Jupyter Notebook。
- 数据源示例：课程提供 3 套模拟良率数据集（半导体晶圆、SMT 贴片、锂电池组装），覆盖不同行业场景。
注意事项： 本课程不涉及企业内网 MES 系统的直接对接开发，但会提供通用的数据库连接示例与 API 调用框架。实际部署时需根据企业 IT 安全策略进行调整。