06七月2023決策分析研究(簡禎富)簡介

簡禎富是國立清華大學(xué)工業(yè)工程與電機(jī)工程雙學(xué)士，美國威斯康辛大學(xué)麥迪遜分校工業(yè)工程博士，現(xiàn)為國立清華大學(xué)工業(yè)工程與工程管理學(xué)系副教授。曾榮獲斐陶斐榮譽(yù)會員、清華大學(xué)新進(jìn)人員研究獎、國科會甲等研究獎、教育部産學(xué)合作研究獎、中國工業(yè)工程學(xué)會優(yōu)秀青年工業(yè)工程師獎、工業(yè)工程論文獎，著作發(fā)表於IEEETrans.onSemiconductorManufacturing,IEEETrans.onPowerSystems,IEEETrans.onPowerDelivery,Int.Trans.inOR,J.ofMCDA,Computers&IE,Int.JofCIM,R&DManagement，工業(yè)工程學(xué)刊、科技管理學(xué)刊、系統(tǒng)與管理、管理研究學(xué)報、捷運技術(shù)等國內(nèi)外期刊，並獲得國內(nèi)外專利。研究領(lǐng)域包括決策分析、統(tǒng)計決策與資料挖礦、決策支援系統(tǒng)、半導(dǎo)體製造模式與分析等。

趨勢1.

企業(yè)整合與電子化之趨勢資訊科技的發(fā)展與其角色電子商務(wù)與新企業(yè)模式運籌管理與供應(yīng)練管理的必要性物流、資訊流、金流...->資料大量迅速的產(chǎn)生與累積2.資訊系統(tǒng)的能力（儲存、運算、搜尋、傳送、記憶…）3.資料挖礦（DataMining）與決策支援

、企業(yè)智慧4.資料挖礦與知識發(fā)現(xiàn)(KDD)、知識管理、顧客關(guān)係管理5.網(wǎng)路時代的決策者：資訊（知識）就是力量。

企業(yè)整合與電子化之趨勢企業(yè)中資料的階層分級（Cabenaetal.,1997）企業(yè)資料/資訊資源管理知識管理生產(chǎn)/行銷建立策略優(yōu)勢設(shè)計/開發(fā)企業(yè)目標(biāo)企業(yè)使命企業(yè)願景差異分析/市場分析CSFsKPIs概念開發(fā)支援試產(chǎn)製造品質(zhì)測試出貨訂單登錄生產(chǎn)計劃企業(yè)策略需求人力資源管理財務(wù)管理決策分析研究室

在系統(tǒng)日趨資訊化、大型化與複雜化之環(huán)境下，企業(yè)面臨空前激烈的競爭，所亟待解決問題之難度與複雜度亦日益增加。本研究室整合決策科學(xué)理論、決策分析方法與資訊科技，而從問題架構(gòu)、資料收集、資訊整理乃至決策輔助的完整思維過程，提供數(shù)字化系統(tǒng)化管理與決策之依據(jù)，以提升企業(yè)競爭力，達(dá)到「運籌維幄決勝於千里之外」。本研究室結(jié)合理論與實務(wù)，兼重量化與質(zhì)化之分析，而以產(chǎn)業(yè)界問題為導(dǎo)向，特別是不確定狀況下與大量資料混雜時的決策問題，積極研究發(fā)展決策分析、資料挖礦與決策支援系統(tǒng)之研究方法及分析工具，以解決理論上與應(yīng)用上的問題；並與企業(yè)合作進(jìn)行實證研究檢驗成效，以作為更深一層研究的基礎(chǔ)。主要研究方向如下：多準(zhǔn)則決策分析決策支援系統(tǒng)資料挖礦方法及統(tǒng)計決策半導(dǎo)體製造模式與分析研究背景與重要性半導(dǎo)體製造等高科技業(yè)對國內(nèi)經(jīng)濟(jì)發(fā)展以及國家競爭力之提昇，影響極為重大。高科技產(chǎn)業(yè)特性為產(chǎn)品生命週期短、交期快，市場變動快、風(fēng)險高，競爭對手多、價格競爭激烈，製程複雜、研發(fā)需求強(qiáng)、技術(shù)密集度高?；哆@樣的產(chǎn)業(yè)特性，半導(dǎo)體業(yè)所面臨的決策問題通常亦具有不確定性、時效性、高風(fēng)險性、複雜程度高等特性。KeyIssuesinInformationSystemsManagement(SurveyintheUSAinthe1994-1995,Brancheauetal.,1996)RankUSSIMIssue1BuildingaresponsiveITinfrastructure2Facilitatingandmanagingbusinessredesign3Developingandmanagingdistributedsystems4Developingandimplementinganinformationarchitecture5Planningandmanagingcommunicationnetworks6Improvingtheeffectivenessofsoftwaredevelopment7Makingeffectiveuseofthedataresource8RecruitinganddevelopingIShumanresource9AligningtheISorganizationwithintheenterprise10ImprovingISstrategicplanningKeyIssuesinInformationSystemsManagement(Cont.)(Surveysin11nationsandregionsin1988-1992,Watsonetal.,1997)RankInternationalIssue1Strategicplanning2ISorganizationalalignment3Informationarchitecture3Dataasaresource3Humanresources3Securityandcontrol3Competitiveadvantage8Integratingtechnology9Softwaredevelopment9IS’sroleandcontribution問題特性由於半導(dǎo)體產(chǎn)業(yè)的自動化與電子化，在複雜的製造程序中，都會自動蒐集產(chǎn)品經(jīng)過機(jī)臺加工的工程資料，或以人工輸入的紀(jì)錄資料來進(jìn)行製程監(jiān)控、故障分析與製造管理。因為製造程序複雜、影響變數(shù)眾多，工程師往往無法從收集的龐大資料中，迅速有效地察覺可能導(dǎo)致其中製程異常的原因或是歸納造成產(chǎn)品品質(zhì)不良的因素，更遑論從資料中發(fā)現(xiàn)先前隱藏不知的重要訊息。半導(dǎo)體製造資料挖礦相關(guān)研究必須結(jié)合領(lǐng)域知識與研究分析方法，並需透過實證研究來檢驗具體成果。資料挖礦與資料庫知識發(fā)現(xiàn)「資料庫知識發(fā)現(xiàn)」（KDD）是從資料中建立確定有效的、新奇的、潛在有用的、以及易懂形式的樣型之過程，且此過程不是顯而易見?！纲Y料挖礦」從大量資料中以自動或是半自動的方式來探索(explore）和分析資料以發(fā)掘出潛在有用的資訊，例如，有意義的樣型（Pattern）或規(guī)則（Rule）等。並可進(jìn)一步將分析後的資訊整理歸納以作為決策之依據(jù)，而累積的資訊與決策經(jīng)驗均成為企業(yè)知識管理的具體實踐（簡禎富等，2001）。Data:ResourceorDebt?DataIssuesFacingaTypicalCompany:StrategyKnowledgeofDataResourceAccessQuantityQualityNewDataNeedsUsageSecurityPrivacyManagementorOrganizationSource:A.V.LevitinandT.C.Redman,“Dataasaresource:Properties,Implications,andPrescriptions”,

SloanManagementReview,Fall1998研究方法本研究室從問題定義與架構(gòu)、目標(biāo)釐清、資料收集、資訊整理、分析乃至決策輔助與方案執(zhí)行的完整思維過程，建立解決問題的模式，發(fā)展有效的分析方法，提供數(shù)字化系統(tǒng)化之決策依據(jù)；並以實證研究檢驗成效，作為更深一層理論研究的基礎(chǔ)。利用資料，考慮成本、風(fēng)險、以及決策實行的限制。整合方法論（學(xué)術(shù)研究資源）、領(lǐng)域知識（專家、使用者）以及資訊技術(shù)（成果系統(tǒng)化、擴(kuò)散）。資料挖礦之步驟

找對問題：首先對問題領(lǐng)域與研究目標(biāo)有清楚的定義與架構(gòu)，例如企業(yè)想瞭解何種類型顧客特殊的需求等。資料準(zhǔn)備：整理龐大的資料以利後續(xù)分析資料取得

資料檢視

資料格式化與轉(zhuǎn)換發(fā)展工具：針對問題本質(zhì)使用適當(dāng)工具分析龐大的資料以發(fā)現(xiàn)有用的資訊。產(chǎn)生方案：根據(jù)所得到的資訊擬定適當(dāng)?shù)男袆臃桨?，協(xié)助決策。評估結(jié)果：評估這次挖礦的成效，並有效地運用這次結(jié)果，以作為下一個改善循環(huán)之依據(jù)。

資料挖礦問題類型（1）分類（Classification）：根據(jù)已定義之類組(class)，將分析對象的分門別類。例如，低良率產(chǎn)品之分類（LowYieldClassification）；建立顧客credit的scorecard.將顧客依風(fēng)險高低加以分類提高服務(wù)品質(zhì)：基於顧客關(guān)係從事交易、授權(quán)、理賠、契約條件、授信額度等決策以提高服務(wù)品質(zhì)。（2）預(yù)測（Prediction）：根據(jù)對象屬性之過去觀察值來推估該屬性未來之值。例如，良率之預(yù)測（YieldPrediction）；將顧客消費行為或繳款記錄預(yù)測未來表現(xiàn)客戶流失管理(AttritionManagement)：利用統(tǒng)計模型預(yù)估可能流失的顧客並採取因應(yīng)措施以留住顧客付款延誤管理(ArrearsManagement)：基於相關(guān)之客戶關(guān)係來處理顧客延期付款之問題，以為良好關(guān)係預(yù)留空間

資料挖礦問題類型(續(xù))（３）關(guān)聯(lián)分組（AffinityGrouping）：從所有物件決定那些相關(guān)物件應(yīng)該放在一起。例如，機(jī)臺群組。依照顧客對不同金融商品的消費模式，將不同配套措施加以搭配，以提昇服務(wù)品質(zhì)或降低營運風(fēng)險。交叉銷售：以不同的產(chǎn)品及服務(wù)對不同的顧客從事交叉銷售(crossselling)，以提高產(chǎn)品與服務(wù)使用度。（４）聚類（Clustering）：在母體中區(qū)隔為較具同質(zhì)性之群組(Clusters)，事先未對於區(qū)隔加以定義，而資料中自然產(chǎn)生區(qū)隔。例如，晶圓圖之聚類分析（WBMClustering）將顧客分群作為市場區(qū)隔和顧客關(guān)係管理。資料挖礦的方法問題的本質(zhì)與資料挖礦模式StatisticalModelsNeuralNetworksDecisionTreesDataMining工具的特色不需太多統(tǒng)計知識以圖形/決策規(guī)則/資料/解釋呈現(xiàn)可整合分析各種不同資料(庫)可整合各種資訊工具可快速展現(xiàn)成果，支援決策半導(dǎo)體製造特性(1)每一產(chǎn)品在生產(chǎn)流程必需經(jīng)過至少200到500個不等的製程步驟，過程中會有許多變異產(chǎn)生，造成生產(chǎn)週期(cycletime)與交期的不穩(wěn)定；(2)每一個產(chǎn)品需要經(jīng)過12至30不等的製程層別(layer)，加上在製品回流(Reentranceflow)的現(xiàn)象，使得生產(chǎn)控制難易掌握；(3)製造過程中，有批次生產(chǎn)(batchrun)、批次生產(chǎn)量(batchsize)、連續(xù)生產(chǎn)(continuerun)與否，和多反應(yīng)室(multi-chamber)機(jī)種的作業(yè)等相當(dāng)特殊的生產(chǎn)型態(tài)，難以計算每一產(chǎn)品，在各個機(jī)臺的實際生產(chǎn)時間；(4)產(chǎn)品良率的不確定因素、生產(chǎn)環(huán)境的異動和設(shè)備的當(dāng)機(jī)等，使得良率控制不易；(5)雖然機(jī)臺當(dāng)機(jī)可經(jīng)由預(yù)防保養(yǎng)獲得改善，但是仍有不可抗拒的突發(fā)因素，使得機(jī)器設(shè)備發(fā)生不可預(yù)測的當(dāng)機(jī)情況，也造成半導(dǎo)體製造過程的不確定性；(6)工作站可能因為產(chǎn)品種類、數(shù)量變化或當(dāng)機(jī)等因素，造成某設(shè)備的機(jī)臺的需求突然升高，因此瓶頸機(jī)臺會因不同的狀況與條件而移動，因而產(chǎn)生瓶頸機(jī)臺漂移的現(xiàn)象。資料的價值高科技產(chǎn)業(yè)的顧客最關(guān)心的是什麼？有變異存在嗎？如何降低（產(chǎn)品、製程）變異，以提升服務(wù)品質(zhì)？如何提昇（故障排除）效率，以提升服務(wù)品質(zhì)？如何創(chuàng)造（資訊）價值，以提升服務(wù)品質(zhì)？如何提升服務(wù)品質(zhì)，以提升企業(yè)競爭力？資料是資產(chǎn)或負(fù)債？？？DimensionMISDSSEISEDAApplicationsProduction,Control,Monitoring,…ComplexintegratedproblemareasSupporttotopmanagementdecisionsQuality&YieldImprovementPrimaryOutputPredefinedperiodicreportsInformationtosupportspecificdecisionsStatusaccess,exceptionreporting,KeyindicatorsNon-scheduledanalysis,Qualityrelatedinformation,YieldStatus,UsersMiddlemanagement,functionalusersAnalysts,Managers,usuallylimitedSeniorexecutiveormanagersProduct/Process/…engineersandmanagersImpetusEfficiencyEffectivenessTimelinessEfficiency&EffectivenessDesignFunctionOrientedProblemOrientedManagementOrientedAnalysisOrientedModelNoneYes/LP,Bayesian,…NoneStatisticalassumptionDevelopmentTeamUserwithITDomainExpert,ITManagerswithITDomainExpert,Statistician,ITSpecialistIntegratedspecialsoftwareUsuallynoneYesEISpackageorToolStatisticalsoftware,DataMiningalgorithm

EDAversusMIS/DSS/EIS光阻覆膜晶片投入雷射刻號晶片清洗複晶矽沉積矽化鎢沉積金屬膜TEOS沉積硼磷氧化膜氮化矽/氧化膜護(hù)層沉積顯影曝光光罩投入光阻去除化學(xué)蝕刻電漿蝕刻離子植入金屬層熱處理電性測試晶園測試

MES(byLot)LotInformation:ProcessHistory/MetrologyData/CommentToolInformation:PMdata/Comment/StatusDefectInformation:DefectCount/DefectTypeBasicData:Route/Product/Parameter/Spec.WATPars/wfSORTBins/DieOff-LineEngineeringDatabaseSPC/MonitorCorrelationTestStatistic.(ANOVA/K-W/DecisionTree)Cluster/PCASOM/FeatureExtraction(Associate)PatternExtraction(NeuralNetwork)ProcessDataAnalysis晶圓製造流程vsDataFlow&AnalysisFlow

（彭誠湧、簡禎富，2001）Off-LineEngineeringDatabaseDataSPC/Monitor&EquipmentMatchingCluster/PCASOM/FeatureExtractionProcessToolsWATparameters(Associate)PatternExtraction(NeuralNetwork)byBin,BinValue,DiePositionAnalysisProcess(Major)

LotHistorybyRoute+OperationTool+ProcessDateTime+Recipe+OperatorMetrologyData(Lot/Wf/Site)DefectCount+DefectTypeCommentToolHistorybyToolId+DateTimePMmonitordataToolStatusWATByLot/Wf/Site

ParameterNameTestValueSpecLimitValidLimitSORTByLot/Wf/Die

BinNameBinValueDiePositionCorrelation(byLot/Wf/Site)

Metro.v.s.WATMetro.v.s.SORTWATv.s.SORT…TestStatistic.

T-TestANOVAKruskall-WallisDecisionTreeDataFlow&AnalysisFlow

（彭誠湧、簡禎富，2001）此期間某參數(shù)異常，欲找出原因分析WAT參數(shù)對該參數(shù)的影響找出異常量測參數(shù)找出與異常參數(shù)相關(guān)的製程例：某一期間生產(chǎn)之lotsBinmap周圍failure較多從相關(guān)製程中找出問題機(jī)臺FMEA半導(dǎo)體製程資料挖礦研究架構(gòu)（簡禎富、蔡承勳，2001）晶圓圖分析研究問題：晶圓圖分類

（簡禎富、林鼎浩、劉巧雯、彭誠湧、徐紹鐘、黃佳琪，2001）背景與動機(jī)晶圓CP測試階段產(chǎn)生晶圓圖（WaferBinMap）晶圓圖出現(xiàn)特殊的樣型（Pattern）目前半導(dǎo)體廠對於晶圓圖檢測的方法目的

發(fā)展晶圓圖分類的方法和運算法則紀(jì)錄其共同故障表徵（CommonFailPattern），以建立系統(tǒng)化分類的晶圓圖庫縮短工程師故障排除（TroubleShooting）的範(fàn)圍與決策分析所需的時間目前的分析方法

必須有經(jīng)驗的工程師用目測及主觀判斷來進(jìn)行分類甲群乙群還有一大堆人工分群--目測法A群C群甲工程師乙工程師B群結(jié)合空間統(tǒng)計方法、類神經(jīng)路網(wǎng)路，進(jìn)行晶圓圖分群、比對、再分類（ChienandLiu,2001）。並與進(jìn)一步分析結(jié)合。晶圓圖資料

挖礦分類架構(gòu)例：資料取得與準(zhǔn)備DATASET：透過EDAS取得LPST1發(fā)生異常時期的lot，在某一WAT量測program的所有參數(shù)與對應(yīng)的LPST1_P95去除只有單一值與空白值的欄位後共有277個欄位1419個LOTSDATAPARTITONTRAINING60%VALIDATION30%TEST10%資料取得與準(zhǔn)備（簡禎富、蔡承勳，2001）_67_Y_M_PWBP_YIELD研究問題：

製程資料特徵萃取與分析clusterRuleinductiondataJudgmentorfurtheranalysistargetSOM多維度資料特徵萃?。ê喌澑?、李培瑞、彭誠湧，2001）LowyieldLowyield綜合表現(xiàn)拓樸圖Pass表現(xiàn)拓樸圖研究問題：

WAT事故診斷資料挖礦若發(fā)現(xiàn)晶圓允收測試所量測的電性參數(shù)發(fā)生異常的情況，則表示在製程中某些站別或機(jī)臺出現(xiàn)問題。提出兩種事故診斷方法：統(tǒng)計檢定和決策樹分析發(fā)展遞迴決策樹方法，以解決資料相關(guān)性問題。問題定義決定目標(biāo)變數(shù)為LPST1_P95建構(gòu)決策樹輸入變數(shù)間之相關(guān)性分析變數(shù)間是否有高相關(guān)性完成建構(gòu)一系列決策樹結(jié)果比較與分析選擇拒絕的變數(shù)決策樹n=5,00010%Goldn=3,350n=1,650Factori<vyesno21%Gold5%Gold半導(dǎo)體製程資料挖礦架構(gòu)

決策樹分析

（王鴻儒、簡禎富、李培瑞，2001）UsingBayesianNetworkforFaultLocationonDistributionFeeder

Projected:Actual:Dreaded:Needed:DataPreparationDataAnalysistargetTimeDataAcquisition資料挖礦的進(jìn)行Validation,Interpretation,Decision,…與旺宏之合作模式整合方法論（學(xué)術(shù)研究資源）、領(lǐng)域知識（專家、使用者）以及資訊技術(shù)（成果系統(tǒng)化、擴(kuò)散）。理論與實務(wù)結(jié)合之共同指導(dǎo)方鈞（19