이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
공정 실습에서 두 공정 라인의 출력 특성이 다른 원인을 분석하는 과제를 맡았습니다. 단순 평균 비교만 했더니 평균은 비슷한데 분산이 달랐습니다. Levene 검정으로 분산 동질성을 먼저 확인하니 두 라인의 분산이 유의하게 달랐습니다. 이후 박스플롯으로 분포 형태를 시각화하고 이상값이 어느 라인에서 나오는지 확인했습니다. 매칭 개선을 위해 영향 변수 후보를 회귀분석으로 좁히고 공정 조건 차이가 있는 변수를 찾아냈습니다. 조건을 보정한 뒤 두 라인의 Cpk 차이가 0.3에서 0.08로 줄었습니다. 프로세스 매칭은 평균보다 분포 형태 비교가 더 중요하다는 걸 그때 배웠습니다. 지금도 매칭 분석은 분산 확인부터 시작합니다.
공정 매칭에서 두 장비를 비교하는 것과 세 장비 이상을 동시에 비교하는 것은 다른 접근이 필요하다는 것을 배웠습니다. t-검정은 두 그룹 비교에 적합하지만, 세 장비 이상을 비교할 때 t-검정을 반복하면 1종 오류 확률이 누적됩니다. ANOVA(분산분석)를 쓰면 전체 그룹 간 차이가 유의한지를 한 번에 검정할 수 있고, 이후 사후 분석으로 어느 장비 쌍이 다른지 좁혀 갈 수 있습니다.
여러 장비를 동시에 매칭하는 경우 ANOVA가 t-검정 반복보다 통계적으로 안정적입니다. 이 이해가 매칭 분석을 설계할 때 장비 수에 따라 방법을 달리하는 습관으로 이어졌습니다. 공정 매칭에서 분석 방법은 비교 대상의 수에 맞게 선택해야 신뢰도가 유지됩니다.
공정 매칭에서 매칭 직후 결과가 기준을 통과해도 시간이 지나면 편차가 다시 생기는 경우를 경험했습니다. 두 공정 라인의 Cpk를 매칭한 시점에는 차이가 없었는데, 3주 후 측정해보니 한 라인의 Cpk가 떨어져 있었습니다. SPC 관리 차트로 두 라인을 나란히 모니터링하면 언제부터 편차가 벌어졌는지를 추적할 수 있습니다.
매칭은 시점이 아니라 구간으로 판단해야 공정 드리프트를 놓치지 않습니다. 이 경험에서 공정 매칭은 달성보다 유지 모니터링이 더 중요하다는 것을 배웠습니다. 매칭 분석에서 측정 결과를 시간 축에서 따라가는 체계가 없으면 매칭이 언제 깨졌는지를 뒤늦게 발견하게 됩니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성전자 반도체 공정기술 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.