軟性銅箔基板(FCCL)為軟性印刷電路板(Flexible Print Circuit；FPC)的主要生產原料，而無膠式二層銅箔基板也因應未來行動裝置輕簿短小、耐高溫及高彎曲性的特點，市場需求持續擴大，然而隨著眾多競爭者的進入，良率也成為所有FCCL製造廠關切的問題，它代表著成本降低與利潤提高，更是持續競爭重要的關鍵指標。
本研究試著從2-Layer 雙面板眾多生產數據中，依照專家經驗挑選出認為對良率可能造成影響的因素，先以因素分析縮減具相互關係的變數因子，達到因素簡化目的，接著以資料探勘技術觀測每個因素的顯著性與共線性，並排除高共線性及不顯著的因素，研究程中資料屬性若是類別變數且是重要的分析變數，則轉換成虛擬變數，最後則將影響因素以多元迴歸分析模式建立出迴歸預測模型， 加以探討關鍵因素與良率之間的關係，並與實際良率進行比較分析。
本研究實際收集了國內某FCCL製造廠從2-Layer 雙面板正式量產以來2013年-2014年3月的真實數據，進行研究分析與建立良率預測模型，與實際值比較結果，本研究所得預測模型平均誤差率約0.523%，具有很高的可信度，本研究結果可做為投產計劃之最佳投產組合及良率試算預測模型，也為本研究貢獻。

Flexible copper clad laminate, which is the major material of flexible print circuit. Decause the mobile devices are becoming smaller, thinner, high temperature resistant, and bend-resistant, the market of 2-layer FCCL is evolving. Yield issue is the main concern of all FCCL manufacturers, which is related to lower cost and higher profit, and it’s the key performance indicator to keep competition.
This research selects some possible factors that will affect the result of yield from lots of 2 layer FCCL production data. To simplify different factors, we evaluate correlation factors by factor analysis. Then we use data mining technology to observe the significance and co-linearity of every factor and eliminate the factors that are high VIF and non-significant. If the data is an important analysis variable and belongs to class variable, it will be transformed to virtual variable. Finally, we build up a regression model by multi-regression analysis to compare the relationship of key factors and actual yield.
This research collects all real data from FCCL manufacturer since 2-layer FCCL was released to mass production from 2013 to March, 2014. We compare with the actual result, and the average deviation is 0.523%. This model is reliable, and we believe it will be applicable on real production plan and yield prediction.

目錄
國立中山大學研究生學位論文審定書i
誌謝 ii
中文摘要 iii
Abstract iv
目錄 v
圖次 vii
表次 viii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 1
1.3 研究目的 2
第二章 文獻探討 4
2.1 軟性銅箔基板產品介紹 4
2.2 軟性銅箔基板產品的應用 8
2.3資料探勘定義 9
2.4本研究採用之探勘方法 15
2.5 資料探勘與良率之相關研究探討 22
第三章 研究方法 26
3.1研究範圍 26
3.2研究架構與步驟 28
3.3影響參數定義 31
3.4預測模式建構 34
3.5使用工具說明 35
第四章 研究結果與分析 36
4.1 資料整理 36
4.2 多元迴歸分析共線性檢定 38
4.3 多元迴歸模式統計顯著性(F test) 40
4.4 多元迴歸分析研究結果分析 41
4.5 多元迴歸分析研究實證 44
第五章研究結論與建議 46
5.1 研究結論與分析 46
5.2 未來的研究與建議 48
參考文獻 49
附錄一：迴歸分析模型圖 51
附錄二：研究公司-即時資訊看板 52

中文文獻
1. 陳永興，資料探勘應用於IC設計業良率預測之探討，銘傳大學管理科學研究所碩士論文，2004。
2. 蕭寶棋，運用資料探勘技術於LED產業製程良率，交通大學管理學院資訊管理組碩士論文，2006。
3. 羅國弘、蔡智政、賈方霈、孫天龍，資料探勘技術於電子產業製程資料分析-以IC及PCB為例，PCB製造與管理技術研討會、國科會計劃編號：NSC 90-2218-E-155-014，2002。
4. 曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯，資料探勘(Data Mining)，旗標出版股份有限公司，台北市，台灣，2008。
5. 彭文正譯，資料採礦：顧客關係管理暨電子行銷之應用，數博網資訊，台北市，2011。
6. 邱皓政，量化研究與統計分析(基礎版)-SPSS 中文視窗版資料分析範例解析，五南圖書出版股份有限公司，台北市，台灣，2006。
7. 邱皓政，量化研究與統計分析：SPSS(PASW)資料分析範例解析，五南圖書出版股份有限公司，台北市，台灣2010。
8. Neter, John 等著，劉應興譯，應用線性迴歸模(Applied Linear Regression Models)，華泰書局，台北市，台灣，1996。
9. 王濟川，Logistic迴歸模型-方法及應用，五南圖書出版股份有限公司，台北市，台灣，2004。
英文文獻
1. Curt, “The Deviles in The Detail Techniques, Tool, & Applications for Data Mining & Konwlegde Discovery-partⅠ,Intelligent Software Strategies, Vol. 6, No. 9, P3, 1995
2. Kleissner, C., “Data mining for the enterprise,” in Proc. of the Thirty-First Hawaiilnt. Conf. on System Sciences, Kohala Coast, USA, Vol. 7, PP.295-304, Jan. 1998
3. Han, J. and Kamber, M., Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers Inc., San Fransisco, CA, USA, 2001
4. Fayyad, U.M., Piatetsky-Shapiro, G. and Smyth, P., “From data mining to knowledge discovery in databases, “ AI magazine, PP.37-54, 1996
5. Berson, A., Smith, S. and Thearling, K., Building Data Mining Application for CRM, NY: McGraw-Hill Inc., 2000
6. Berry, M.J.A. and Linoff, G., Data Mining Techniques : for Marking, Sales, and Customer Support, NY: John Wiley & Sons Inc., 1997
7. Fritz H. Grupe & Mehdi, M., Owrang, Database Mining Discovering New Knowledge and Competitive Advantage, 2007
8. Kagami, N., Iwamoto, R., & Tani, T., “Application of data mining method(ID3) to data analysis for ultra deep hydrodesulfurization of straight-run light gas oil-determination of effective factor of the feed properties to reaction rate of HDS”, Fuel, 84(2-3), PP.279-285. 2003
9. Liao, S. H., & Chen, Y. J. Mining customer knowledge for electronic catalog marketing. Expert Systems with Applications, 27,521-532. 2004
10. Hair, J. F., Anderson, R., & Black, W. C. Multivariate data analysis with readings. Englewood cliffs, NJ: Prentice-Hall. 1995
11. Seber, George & Wild, C. J. Nonlinear Regression. New Edition, John Wiley & Sons. 2006
12. Kang, Boo-Sik, Lee, Janng-Hee, Shin, Chung-Kwan, Yu, Song-Jin, Park, Sanng-Chan, ”Hybrid management in semiconductor manufacturing,” Expert Systems with Applications, Vol. 15, PP. 123-132, 1998
13. Collica, Randall, S., “A Logistic Regression Yield Model for SRAM Bit Fail Patterns,” IEEE, PP.127-135, 1993
14. Belsley, Kuh & Welsch, “Regression Diagnostics: Identifying Influential Data and Sources of Collinearity” Paperback, Wiley-Interscience, 2004.