1. 课程导论：良率管理在半导体/制造业中的重要性，JMP与Minitab工具组合的优势，课程目标与学习路径
1.1 良率管理：半导体与先进制造业的生存基石
在半导体制造与高端电子组装领域，良率（Yield）直接决定了企业的盈利能力与市场竞争力。一个晶圆厂或SMT产线的良率每提升1%，往往意味着数千万甚至数亿美元的利润增长。良率管理不仅仅是统计缺陷数量，更是一套从数据采集、清洗、分析到工艺优化的闭环工程方法论。
核心指标速览：
- CP/CPK：过程能力指数，衡量工艺稳定性的黄金标准。
- DPPM：百万分之缺陷数，用于监控出货质量。
- Yield (Final / Line)：最终良率与在线良率，反映整体与阶段性产出效率。
- RFT (Right First Time)：一次通过率，衡量工艺首次成功率。
现代良率管理面临三大挑战：数据量爆炸（单批次测试参数可达数万维）、多源异构（设备日志、测试数据、工艺参数格式不一）、模型验证困难（统计模型在工程落地前需严格验证）。这要求工程师必须掌握高效的数据清洗与建模验证工具组合。
1.2 JMP 与 Minitab 工具组合的独特优势
在众多数据分析工具中，JMP 与 Minitab 的组合被业界公认为良率工程的最佳拍档。两者并非替代关系，而是互补协同：JMP 擅长探索性数据分析和数据清洗，Minitab 则在统计建模与假设检验方面拥有深厚的工程验证能力。
| 对比维度 | JMP | Minitab |
|---|---|---|
| 核心定位 | 交互式探索与数据清洗 | 统计建模与工程验证 |
| 数据清洗能力 | 列操作、缺失值处理、异常值可视化筛选 | 基础数据整理，依赖外部预处理 |
| 建模方法 | 决策树、神经网络、拟合模型平台 | DOE、回归分析、假设检验、SPC |
| 模型验证 | 预测剖面器、模拟器 | 置信区间、预测区间、残差分析 |
| 工程报告 | 动态交互式仪表板 | 标准化统计报告与模板 |
工程实践建议： 在良率项目中，建议使用 JMP 完成前 60% 的工作（数据清洗、异常检测、初步探索），然后导出清洗后的数据至 Minitab 完成后 40% 的工作（模型验证、假设检验、SPC 控制图）。这种分工能最大化两种工具的效率优势。
1.3 课程目标与学习路径
本课程旨在帮助良率工程师、工艺工程师与数据分析师建立一套完整的 “JMP 清洗 + Minitab 验证” 工作流。通过 30 个章节的系统学习，您将能够独立处理从原始测试数据到最终模型验证报告的全流程。
课程三大核心目标：
- 掌握 JMP 数据清洗实战技能：包括缺失值处理、异常值检测、列操作、数据合并与探索性可视化。
- 精通 Minitab 模型验证方法：涵盖假设检验、回归分析、DOE 分析与 SPC 控制图的工程应用。
- 构建端到端良率分析流水线：从原始数据到可落地的工艺优化建议，形成闭环。
学习路径建议： 课程分为三个阶段，建议按顺序学习，每阶段结束后完成一个综合案例。
| 阶段 | 章节范围 | 核心内容 | 产出物 |
|---|---|---|---|
| 第一阶段：基础与清洗 | 第 1-10 章 | JMP 界面、数据清洗、缺失值处理、异常值检测、数据合并 | 清洗后的标准数据集 |
| 第二阶段：建模与验证 | 第 11-20 章 | Minitab 假设检验、回归分析、DOE 设计、模型诊断 | 验证通过的统计模型 |
| 第三阶段：综合实战 | 第 21-30 章 | JMP 与 Minitab 联合工作流、自动化报告、良率提升案例 | 完整的良率分析报告 |
学习前提： 建议学员具备基础的统计学知识（均值、方差、正态分布、假设检验概念），并已安装 JMP 16+ 与 Minitab 21+ 版本。课程中会提供示例数据集，但建议使用实际产线数据进行练习以获得最佳效果。
1.4 课程特色与工程实践价值
本课程区别于纯理论教学，强调 “数据驱动、工具落地、工程闭环”。每一章都包含真实的半导体/制造业案例数据，并提供可直接复用的 JSL 脚本与 Minitab 宏。
- 案例真实：所有数据集均脱敏自实际晶圆厂与 SMT 产线，涵盖良率分析常见痛点。
- 工具协同：详细演示 JMP 与 Minitab 之间的数据传递与结果互认。
- 可交付成果：每章结束均有可执行的代码与检查清单，确保学以致用。