良率出现零点几个百分点的波动时，工程师往往要在 MES、SPC 与设备日志之间手工拉数比对，一次归因常需数小时。数据分析实验室在一条 SMT 产线上做了一组实验性探索：把良率按「产品—工序—设备—班次—物料批次」五个维度展开，先做维度组合的统计显著性筛选，再用浅层决策树与贝叶斯先验对候选组合打分排序，输出 Top5 可疑切片，而不是直接给出结论。
要点一（进展）：在 92 起历史异常样本上回测，Top5 切片覆盖真实原因的比例约 68%，人工首轮定位时间从平均 4 小时降至 40 分钟左右；剩余偏差主要来自维度值缺失与批次粒度不一致。
要点二（下一步）：接入设备时序信号，把定位从「哪一批」推进到「哪一刻」，验证异常时刻与维度切片的对齐效果；同时补齐数据口径字典，避免同一字段在不同报表中含义漂移。
实验室认为，这类工作的价值不在于替代工程师判断，而在于把可枚举的排查路径先排好序。
评论