测试数据分析-常用分析方法

测试数据分析，对于无论是工厂还是设计公司，无论是晶圆厂还是封测厂，无论是CP还是FT，无论是PE还是TE，都是发现问题的一个重要手段。

但是目前国内专业的测试数据分析软件很少，我们的工程师很多是使用EXCEL，Minitab 等来分析测试数据。不可否认，这些软件在数据处理方面的强大。但由于不是专门针对测试数据，在处理的时候，要进行很多繁琐的操作。

而且，目前有些国内的公司以及TE对自身的认知，还只是停留在写代码上。即客户或者设计提供test plan，然后TE 把实现的代码写出来。TE并不关心产品本身，对数据也不大重视，反倒是PE对数据更为重视。因为PE知道测试数据对于一个项目，对于客户来说，是如何的重要！

本文将通过实例，介绍一些常用的测试数据分析手段，与如何运用MFGDream分析工具来进行快速有效的数据分析。用最少的时间，完成数据分析工作。

首先，一些常用指标，比如：良率、标准偏差、CPK。是大家最关注，最能反应产品质量的几个指标。因此，基本上所有的测试报告都会包含这几项。另外还有：Lower limit、Upper limit、最大值、最小值、测试数量、测试工位数、等等很多信息。

如下表所示，我们利用分析工具生成的一份CP测试数据的所有测试项信息。

从这张表，可以看出，很多参数项都很可疑。但这里我们只针对两个重要参数 I_limit_pre 与 I_limit_post 进行分析。I_limit_pre 为 Trimming之前 Current Limit，I_limit_post为Trimming之后的 Current Limit，这从测试项命名可以看出。我们可以看到，I_limit_post 的 CPK 数值偏小。

这里简单介绍一下CPK的概念。如下图所示。（其中：stdev / Sigma / σ 是同一个东西。）

当然，并不是建议生搬硬套这个标准。这里只是提出疑问点，I_limit_post 于 0.67 CPK比较可疑。接下来，针对这个疑问点继续展开分析。从之前的分析可知，这是一份多工位（site）CP测试数据。因此，我们对不同site的数据分别进行考察，利用工具生成如下表格与分布图。从中可以直接看出，BIN13 在site3 与 site4 异常多，而在site1 与 site2 则正常。问题点似乎找到，但其实分析并未结束。

接下来，我们要继续对测试分bin进行分析，利用CP测试数据里面的坐标信息，我们可以生成Bin Map图形，以及进行复测数据的分析。

如下左图，根据坐标信息与测试分bin信息，得到圆片在各个区域的良率分布。可以看到各个区域良率分布均匀。不存在区域失效现象。

上右图，是各个分bin Map图形，为了更清楚的看清各个分bin的分布，我们将每个bin的Map图形单独显示出来。如下图，仅用肉眼就可以看出，bin13分布确定异常；bin18是圆片本身窗口失效；bin9为可疑项，需进一步分析考察。

接下来，我们来具体分析一下I_limit_post 这个测试项。如下表格，可以看出site3与site4 CPK异常偏小，与前面进行Bin13分析结果吻合。

针对不同site测试数据，生成数据分布图与Data Map如下。图中可以清楚的看到每个site 甚至每个测试点数据的分布情况。图中红色圈起来的部分，我们称之为离群值。有时进行数据分析时，需要将这些点剔除。

这里简单介绍一下统计学中关于离群值的几个基本知识。

离群值(outlier)是指在数据中有一个或几个值与其他数值相比差异较大。

四分位数（Quartile），把所有数值由小到大排列，并分成四等份，处于三个分割点位置的数值就是四分位数。

第一四分位数 (Q1)，等于该样本中所有数值由小到大排列后第25%的数字。

第二四分位数 (Q2)，等于该样本中所有数值由小到大排列后第50%的数字。

第三四分位数 (Q3)，等于该样本中所有数值由小到大排列后第75%的数字。

Inter Quartile Range, IQR = Q3 – Q1，称为四分位距。

极限离群值是任何值3倍大于剩下所有的值的IQR。

将极限离群值剔除后，重新生成数据分布图与Data Map，如下图。从Map中，也是可以看到site之间明显的颜色差异。

接下来，我们要继续分析 I_limit_pre，之前介绍过，这个参数是需要在CP进行Trimming的。如果Ttrim异常，是可能导致 I_limit_post异常的。生成数据分析表如下。

表中I_limit_pre 测试数据的各项指标中未发现明显异常。

但从分布图，与Data Map中可以看到明显异常，晶圆片外围一圈测试数值较其他区域偏低，导致图形上颜色偏蓝色。

这应该是Wafer生产工艺有异常导致测试数据分布的异常，需要反馈给芯片厂解决。但是这个异常并非导致I_limit_post异常的root cause。因此，我们还得继续分析。

接下来，我们要使用一个工具，可以方便的进行数据之间的Correlation。如下左图所示，横坐标为I_limit_pre，纵坐标为 I_limit_post。明显看到各个site Trimming前后对比关系，其中site3/4 有明显异常，从中我们可以得到一些信息，但最终导致Trimming异常的原因，还是需要通过分析raw data才能最终确定。