AI練習：我怎麼用 DOE 把不良率從 15% 打到 0.2%

 這篇記一個我自己踩過的坑，應該很多做製程或研發的人都會中。

一開始我真的以為，多試幾組參數，總會撞到正解。

結果證明：你只會更快迷路。

一開始的狀況

當時在做一個防刮塗層（SuperShield），規格其實很單純：

附著力要高

透明度不能掉

但實際做起來完全不是這麼一回事。

同一套流程，有時候很穩，有時候直接翻車，最後統計出來不良率大概 15%。但客戶要求是壓到 1% 以下。

壓力直接拉滿。

我當時的做法（也是多數人的直覺）

就是很典型的：

👉 一次改一個參數（OFAT）

例如：

覺得溫度不夠 → 拉高

透明度變差 → 去動壓力

附著力掉 → 再調時間

看起來很合理對吧？

但實際狀況是：

改 A，好了B 壞掉

修 B，A 又壞回來

來回幾十輪之後，你會開始懷疑人生。

問題其實不在「不夠努力」

後來我才意識到一件事：

👉 我根本沒在理解系統，我只是在亂試

最大的盲點是這個：

我假設每個參數是「獨立的」

但現實是——它們會互相影響。

而這個東西，就是 DOE 裡講的：

👉 Interaction（交互作用）

改用 DOE 的做法

我後來把整件事重來一次，不再憑感覺調參數。

先把問題拆乾淨：

目標：附著力最大 + 透明度合格

因子：溫度 / 壓力 / 時間

水平：High / Low

直接上 Full Factorial：2^3 =8 組，一次跑完。

老實說，一開始會覺得：

「這 8 組真的有用嗎？」

但結果是，這 8 組比我之前幾十組亂試還有價值。

關鍵突破（超關鍵）

數據丟進去分析之後，我看到一個很關鍵的現象：

👉 溫度的效果，取決於壓力

具體來說：

低壓：溫度怎麼調，附著力幾乎不動

高壓：溫度一上去，附著力直接跳一個等級

這一刻其實滿震撼的。

因為我之前一直在：

👉 低壓環境下拼命調溫度

難怪怎麼做都沒效果。

不是參數錯，是「組合」錯。

最後找到的解

整理完 DOE 結果後，最佳區間很清楚：

高壓、中高溫、

中等時間

驗證下去：

附著力 +300%

透明度 OK

不良率：15% → 0.2%

直接過關。

這次最大的收穫

這件事之後，我對「調參數」這件事的看法完全改掉。

幾個很實際的體悟：

你看到的問題，常常不是單一變數造成的

多數關鍵藏在 interaction

OFAT 很容易讓你做一堆「看起來有在做事，但其實沒累積知識」的實驗

最重要的是這句：

👉 DOE 不是讓你少做實驗，是讓每一次實驗都有意義

Run	溫度	壓力	時間	附著力
1	Low	Low	Low
2	High	Low	Low
3	Low	High	Low
4	High	High	Low
5	Low	Low	High
6	High	Low	High
7	Low	High	High
8	High	High	High

👉 小技巧：不要手動列，用公式自動產生

你可以用 Excel 的 MOD() 跟 INT() 函數來自動產生組合。

例如：

=IF(MOD(ROW()-2, 2)=0, "High", "Low")

這樣可以快速建出所有組合。

Step 2：執行實驗 + 填數據

按照這 8 組去跑實驗，把結果填進「附著力」那欄。

例如：

Run	溫度	壓力	時間	附著力
1	Low	Low	Low	45
2	High	Low	Low	52
3	Low	High	Low	68
4	High	High	Low	95
...	...	...	...	...

Step 3：計算主效應（Main Effect）

主效應就是：這個因子從 Low 變成 High，結果平均變了多少？

例如：計算「溫度」的主效應：

=AVERAGE(IF(溫度="High", 附著力)) - AVERAGE(IF(溫度="Low", 附著力))

把三個因子的主效應都算出來，你就知道哪個影響最大。

Step 4：畫交互作用圖（Interaction Plot）

這是關鍵。

你需要看：當壓力是 Low 時，溫度的效果；當壓力是 High 時，溫度的效果。

如果兩條線不平行，就代表有 interaction。

做法：

用 AVERAGEIFS() 把數據分組

畫成折線圖

例如：

溫度	壓力=Low	壓力=High
Low	48	72
High	55	98

畫成折線圖後，如果兩條線交叉或斜率差很多，就是有強交互作用。

Step 5：用 ANOVA 確認顯著性

Excel 內建有 ANOVA 工具（資料分析 > 變異數分析）。

但老實說，Excel 的 ANOVA 對多因子支援不太好，如果要跑完整的 Two-way ANOVA，建議轉到 Python。