對晶圓測試的業者而言“時間就是金錢”。隨著測試時間的合理預測，公司可以防止利潤損失。測試時間一直是晶圓測試中一個重要的因素，目前有很多的系統或模式在研究如何預測晶圓良率，但是還沒有系統或模式針對晶圓未測試前的測試時間的預測做研究。
本研究主要是針對半導體製程中之晶圓測試的測試時間為探討對象，從產品設計、工程管理及生產製造的角度將測試時間與生產製程及相關的測試的因素做一連結，期能建立一個預測晶圓測試時間之可行方法。藉由預先掌握晶圓測試之可能時間，可提供給市場、生管相關等後勤部門人員作產能規劃、先期備料、生產排程與交期規劃之用。
資料準備是資料探勘處理過程中最花時間的一個步驟，在整個資料探勘的過程中大約佔了60%的時間。本研究中所用的資料是來自於工廠在生產過程中所蒐集的產品參數與測試結果等資料，用兩階段法（先用分群再用決策樹）來建立測試時間預測的模式，且用交叉分析比較實際運用的可行性。
本研究建立的模式經過一些調整之後，再利用蒐集的資料實際驗證，且由驗證的結果中的配對率及準確率角度來看，發現這個模式是可以提供合理的預測的測試時間，而且可成功的發揮資料探勘幫助企業追求利潤及提高顧客滿意度之目標。

‘Time is money’ for CP (Circuit Probing) testing industry. With reasonable forecasted test time, the company can prevent profit loss. There's already a model and systems for forecasting CP Yield, but there's still no any system or model for CP Test Time forecast. Test time is always the important index of CP test. It is not only the key factor of CP Testing cycle time but also the basis of the revenue department for charging the service fee from our customer.
This research is focus on the discussion of predicting the CP test time from the view of the product design, engineering management and manufacturing. This thesis attempts to propose a workable solution for CP test time prediction by using data mining techniques such as decision tree and cluster. The forecast model also provides the forecast test time with reasoning and a foreseeable view for marketing and planner in CP capacity preparation, scheduling arrangement, and for Outsource Management in checking subcontractor’s reasonable quotation.
Data preparation occupied 60% effort and time in the procedure of data mining. In the research, the product parameters and CP result are measured and recorded in the manufacture process in this research. And using 2 step method (cluster and then decision tree) to create the model for test time prediction with the relative production record to verify the feasibility of manufacturing.
The outcome of actual data analysis after model adjustment and crosscheck, it shows the model presented in the paper is practicable with matching rate and accuracy rate performance. And it provides the reasonable CP forecast test time to help an enterprise to achieve the primary goal of pursuit profit and improve customer satisfaction.

1. 曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯，2007，資料探勘(Data Mining)，旗標出版。
2. 陳正昌、程炳林、陳新豐、劉子鍵，2009，變量分析方法-統計軟體應用，五南出版。
3. 翁慈宗，2009，資料探勘的發展與挑戰，國科會科學發展442期，頁32-39。
4. 謝邦昌，2002，資料採礦的過去現在與未來，CDMS-Newsletter創刊號。
5. 洪嘉興，2003，資料挖掘(Data Mining)淺析，華控月刊2003011期，頁17-25。
6. 羅淑娟、柯秀奎，2004，文字探勘—應用Raz & Yaung 方法論於文件自動分群，國立台北科技大學工業工程與管理研究所，第一屆台灣作業研究學會學術研討會暨2004 年科技與管理學術研討會論文。
7. 林鼎浩，2000，建構半導體製程資料挖礦架及其實證研究，國立清華大學工業工程與工程管理學研究所碩士論文。
8. 蔡智政，2002，應用CART決策樹與資料視覺技術於低良率晶圓成因探討，元智大學工業工程與管理學系研究所碩士論文。
9. 梁蕙姿，2005，建構半導體製造過程產品異常資料挖礦技術及其雛型系統之研究，國立清華大學工業工程與工程管理研究所碩士論文。
10. 郭全育，2004，運用PDCA改善方法強化晶圓廠成本競爭力之實例研究，國立清華大學工業工程與工程管理學系碩士論文。
11. 吳佳錡，2009，晶圓測試廠之作業基礎成本系統，國立交通大學管理學院管理科學學程碩士班碩士論文。
12. 康鈞誌，2009，運用模式樹建構半導體測試時間之診斷模式，國立成功大學工業與資訊管理學系碩士論文。
13. 羅濟平，2004，半導體測試業的競爭優勢與經營策略-以京元電子為例，國立清華大學高階經營管理碩士碩士論文。
14. 李子復，2009，半導體IC測試產業經營績效分析，國立交通大學管理學院高階主管管理碩士學程碩士論文。
15. 楊景晴，2004，整合決策樹與關聯規則之資料挖礦事故診斷概念架構，國立清華大學工業工程與工程管理學系碩士論文。
16. 林盈源，2003，決策樹在資料庫行銷決策之運用，國立成功大學工業管理科學系碩士論文。
17. 余業鑫，2009，以生產力為觀點的半導體晶圓廠產能規劃方法，國立清華大學工業工程與工程管理學系碩士論文。
18. 吳士昌，2008，台灣半導體IDM公司的未來走向與策略-以W公司為例，國立清華大學科技管理學院碩士論文。
19. 查明忠，2005，產品線寬度、相似度與毛利率間關係之研究-以台灣上市、上櫃IC 設計公司為研究對象，國立台灣科技大學管理研究所碩士論文。
20. 林瑞山，2003，類神經網路於預測晶圓測試良率之應用，國立成功大學工學院工程管理碩士在職專班碩士論文。
21. 熊國甫，2003，高速高頻多晶片探針卡電氣特性之設計與模擬，國立成功大學電機工程學系微電子所碩士論文。
22. 陳家杰，2007，集群分析於二元變數上的研究，銘傳大學應用統計資學系碩士論文。
23. 郭勝陽，2003，以顧客交易特徵為基礎的顧客分群方法，朝陽科大資管所碩士論文。
24. 周龍鴻，2002，智慧型知識管理系統建構流程-以半導體公司為例，國立成功大學高階管理碩士在職專班碩士論文。
25. 湯穎奇，2005，應用K-means 分群演算法於選取模式樹節點屬性之研究，國立成功大學工業與資訊管理研究所碩士論文。
26. 陳建智，2007，應用模式樹建構印刷電路板裝配之表面黏著製程品質管制模型之研究，國立成功大學工業與資訊管理研究所碩士論文。
27. 郭信宏，2008，應用資料探勘技術於面板檢測實證研究，國立中央大學工業管理研究所碩士論文。
28. 黃寶興，2007，動態隨機存取記憶體測試實務與測試時間最佳化技術之研究，輔仁大學電子工程學系碩士論文。
29. 陳永興，2004，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。
30. 陳麗伃，2004，以資料挖礦為基礎之半導體測試性WAT資料分析診斷，國立清華大學工業工程與工程管理學系碩士論文。
31. 郭盛揚，2004，以顧客交易特徵為基礎的顧客分群方法，朝陽科技大學資訊管理系碩士論文。

英文部分
1. Max Bramer. (2007). “Principles of Data Mining”, Springer-Verlag New York Inc.
2. J.Han and M.Kamber. (2006). “ Data Mining: Concepts and Techniques”, Morgan Kaufmann Press.
3. Witten, I.H. and Frank, E. (2005), “Data Mining: Practical Machine Learning Tools and Techniques”, Morgan Kaufmann.