Table of Contents
做完實驗算出的「最佳組合」，通常一次都沒被做出來過。它是預測值，不是實測值——所以田口方法規定你必須再跑一次確認實驗。這一步是推論與事實的分界線，卻是中文教材裡最常被跳過的一段。寫了一篇直交表入門，用一個起司蛋糕從頭走到尾。
The “optimal setting” you compute from a designed experiment has usually not been run. It’s a prediction, not a measurement. Taguchi’s method says: go run it. That confirmation run is the line between inference and fact — and it’s the step most tutorials skip.
經營管理與商業思維 ・ 主題二
729 種組合，17 次實驗
——寫給新手的直交表完全指南
主管丟給你一堆可以調的參數，要你「把最好的組合找出來」。你按了計算機，數字大到不用算就知道做不完。這篇文章要談的方法已經用了七十年，卻在中文圈長期被講一半——多數文章只教「怎麼設計實驗」，沒教「做完之後怎麼看懂結果」。這一次，我們從頭到尾只用一個例子，把整套流程走完。
一、我們的例子：一個起司蛋糕
整篇文章只用一個案例：你要烤出最好吃的起司蛋糕。
你列出六個可能影響口感的因素：烤箱溫度、烘烤時間、麵粉比例、奶油份量、糖量、雞蛋是否回溫。如果每個因素想試 3 種設定，總共是 36 = 729 種組合。一天烤兩個，要烤整整一年。
這篇文章結束時，你會用 17 次實驗回答這 729 種組合的問題——而且知道自己買到了什麼、沒買到什麼。文章最後，我們再用另外兩個真實案例驗證：同一套流程換到工廠和辦公桌，一樣走得通。
二、先看看你原本打算怎麼做
坑一：一次只改一個條件（OFAT）
先固定其他五項，只調溫度，找出最好的溫度；接著固定溫度，再調時間。聽起來很有紀律，其實有致命傷：它假設每個因素互不相干。
但溫度和時間怎麼可能互不相干？溫度拉高，烘烤時間本來就該縮短。你在低溫下測出來的「最佳時間」，搬到高溫組去用，蛋糕直接烤焦。這種「A 的最佳設定會隨 B 而改變」的現象叫做交互作用，而 OFAT 從結構上就看不見它。
這是我們整篇文章都會回頭處理的那個交互作用。你會看到它一路從「OFAT 看不見它」，變成「篩選階段它躲在哪裡」，最後變成「花一個欄位把它抓出來」。
坑二：所有組合通通做一遍（全因素實驗）
那我全做總行了吧？729 次。就算先粗略一點，每個因素只試 2 種設定，也還有 26 = 64 次。而實務上參數還常常更多——13 個因素、每個 3 水準，你需要做 313 = 1,594,323 次。
OFAT 便宜但會給錯答案；全因素答案完整但你付不起。我們需要一種「用得起、又不會給錯方向」的中間路線。
三、直交表：不是隨便抽樣，是「均衡」抽樣
日本品質大師田口玄一博士給出的答案是直交表（Orthogonal Array），想法一句話講完：不要把全部組合都做完，但要確保你做的那幾組，在每個因素上都攤得一樣平。
「攤得一樣平」是什麼意思？假設先只看 3 個因素、每個 2 水準，全部組合就是立方體的 8 個角。
把這個邏輯放大，威力就出來了。我們的六個因素、每個 2 水準，全因素 64 次；改用 L8 直交表，只烤 8 次。
誠實的但書：8 次買到的是什麼？
很多入門文章寫到這裡會說「8 次就等於做了 64 次」。這句話不對，而且會害你在會議上被打臉。
L8 只有 7 個欄位。把因素塞滿它，主效果就會和交互作用「混淆」（confounding，又稱別名 alias）。翻成白話：做完發現「麵粉比例影響很大」，你無法百分之百分辨那究竟是麵粉本身的功勞，還是別的兩個因素的交互作用假扮成麵粉。
用 8 次實驗，篩出「這六個因素裡，哪 3～4 個是關鍵少數」。它是一把高效率的篩子，不是一台印出完整真相的機器。而這正是實務上最值錢的資訊——因為在絕大多數問題裡，主宰結果的永遠是少數幾個因素。
線點圖：交互作用要「花錢買欄位」
那我們一開始就在意的「溫度 × 時間」呢？可以測，但要付代價：直交表的每一欄都是有限資源，你要留一欄給交互作用，就得少放一個因素。
田口博士為此設計了「線點圖（Linear Graph）」：圓圈代表因素，線段代表兩因素之間的交互作用，圈上和線上的數字就是該放進直交表的第幾欄。
四、動手之前：選哪張表、哪個因素放哪一欄
最常見的下一個問題是：「L8、L9、L18 我到底該用哪一張？」好消息是這一步完全有規則可循，拆成四個決定。
決定一：算自由度，選最小的那張夠用的表
直交表的命名是 Ln(sk)：n = 做幾次實驗、s = 幾個水準、k = 最多能放幾欄。選表只有一條規則：
交互作用的自由度是兩者相乘：(a−1) × (b−1)。算完，選最小的、塞得下的那張表。我們的蛋糕分兩階段，各算一次：
| 階段 | 要放什麼 | 總自由度 | 至少要做 | 選這張 |
|---|---|---|---|---|
| 第一階段 （篩選） | 6 因素 × 2 水準 ＋ 留 1 欄空白 | 6 × 1 = 6 + 1（空白） | 8 | L8，做 8 次 |
| 第二階段 （細調） | 4 因素 × 3 水準 | 4 × 2 = 8 | 9 | L9，做 9 次 |
| ⚠ | 兩個 3 水準因素的交互作用 | (3−1)(3−1) = 4 | 它要吃掉 2 個欄位，不是 1 個 | |
最後一列是新手最容易翻車的地方。L9 每一欄只裝得下 2 個自由度，而 3 水準因素的交互作用有 4 個自由度——要兩欄才放得進去。L9 總共才 4 欄，放 2 個因素加上它們的交互作用就滿了。想在 3 水準下認真研究交互作用，通常得直接跳到 L27。
| 表 | 實驗次數 | 結構 | 適用時機 |
|---|---|---|---|
| L4 | 4 | 23 | 3 個因素以下的快速篩選 |
| L8 | 8 | 27 | 2 水準的主力表（我們的第一階段） |
| L9 | 9 | 34 | 3 水準的主力表（我們的第二階段） |
| L12 | 12 | 211 | 純篩選用，不可估交互作用 |
| L16 | 16 | 215 | 因素多、又想留欄位給交互作用 |
| L18 | 18 | 21×37 | 混合水準，田口方法最常用 |
| L27 | 27 | 313 | 3 水準且要看交互作用 |
決定二：表格裡的 1、2、3 是怎麼生出來的
不是隨機，也不是某本古書抄來的神祕陣列，而是模數運算算出來的。以 L8 為例：第 1、2、4 欄是「基本欄」，其餘每一欄都是它們的組合。
3 水準表也一樣。L9 把水準減 1 變成 0／1／2，設 a 為第 1 欄、b 為第 2 欄，則：
決定三：哪個因素放哪一欄——真的排一次
這是最抽象的一步，所以我們不談原則，直接把第一階段排完。兩種排法，同樣八次實驗。
配置一：不留交互作用欄（我們實際採用的）
| 欄位 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|---|---|---|---|---|---|---|
| 放什麼 | A 溫度 | B 時間 | 空白 | C 麵粉 | D 奶油 | E 糖量 | F 蛋回溫 |
| 用途 | 主效果 | 誤差基準 | 主效果 | ||||
6 個因素 × 1 + 1 欄空白 = 7 = 8 − 1，剛好用完。六個因素的主效果都看得到，外加一條雜訊基準線——但看不到任何交互作用。
那我們最在意的「溫度 × 時間」跑去哪了？它不會消失，它會躲進某一欄。溫度在第 1 欄、時間在第 2 欄，而第 3 欄 = 1 ⊕ 2——溫度 × 時間正好躲在那個「空白」欄裡。
把所有交互作用的藏身處列出來，配置一的真相是這樣：
| 欄位 | 你以為它是 | 它其實還混著 |
|---|---|---|
| 1 | A 溫度 | C×D、E×F |
| 2 | B 時間 | C×E、D×F |
| 3 | 空白（誤差） | A×B（溫度×時間）、C×F、D×E |
| 4 | C 麵粉 | A×D、B×E |
| 5 | D 奶油 | A×C、B×F |
| 6 | E 糖量 | A×F、B×C |
| 7 | F 蛋回溫 | A×E、B×D |
我們本來想用第 3 欄當誤差基準線，但它同時裝著溫度 × 時間。如果那個交互作用真的存在，這條基準線就被灌水了——你會高估雜訊，然後低估其他因素的重要性。
八次實驗的資訊量就這麼多，不可能同時回答「誰重要」和「誰跟誰互動」。第一階段我們選擇先回答前者，並且清楚知道自己犧牲了什麼。
配置二：花三欄買三個交互作用
如果你決定要看清楚交互作用，就照第三節那張線點圖排。圓圈 1、2、4 放因素，連線 3、5、6 放交互作用——填上真實名稱後長這樣：
| 欄位 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
|---|---|---|---|---|---|---|---|
| 放什麼 | A 溫度 | B 時間 | A×B | C 麵粉 | A×C | B×C | 空白 |
| 來源 | 圓圈 | 圓圈 | 1⊕2 | 圓圈 | 1⊕4 | 2⊕4 | 誤差 |
3 個因素 + 3 個交互作用 + 1 欄空白 = 7 = 8 − 1，同樣剛好用完。一樣是 8 次實驗，一樣是那張 L8，只是把預算從「看多少因素」改成「看多深」。這一次，溫度 × 時間有了自己的欄位，不再跟誤差擠在一起。
| 配置一 | 配置二 | |
|---|---|---|
| 看得到幾個因素 | 6 個 | 3 個 |
| 看得到交互作用 | 0 個 | 3 個 |
| 實驗次數 | 8 | 8 |
| 什麼時候用 | 還不知道誰重要，先撒網 | 已經知道誰重要，要看它們怎麼互動 |
我們選配置一，因為現在六個因素裡有哪些根本不重要都還不知道，先撒網才划算。
難換的因素放「變化次數最少」的欄。看 L8 第 1 欄是「1111 2222」，整輪只需換 1 次；第 7 欄要換 5 次。烤箱升降溫要等 30 分鐘，把溫度放第 1 欄就能省下好幾小時。這一條純粹省工時，卻幾乎沒有教科書會提。
永遠留至少一欄空白。它不花你任何一次實驗，卻替你買到一條雜訊基準線。下一節你會看到它怎麼救人。
決定四：水準的數值怎麼訂
- 間距要夠寬，寬到看得出差異。溫度測 164／165／166 °C，做完只會得到一條水平線，然後你會誤以為「溫度不重要」——這是最貴的一種錯誤結論。我們第一階段取 150 / 180 °C，敢在廚房裡跑的合理上下限。
- 但不能寬到跑進不可行區。如果 220 °C 一定烤焦，那個水準就是在浪費四次實驗。
- 3 水準的中間值，放「現行條件」。第二階段我們用 150 / 165 / 180 °C，165 是現行作法：新舊有共同基準可比；而且中間點若明顯偏離兩端連線，就代表存在曲率。
那到底該用 2 水準還是 3 水準？判準很簡單：2 水準只能告訴你「往哪個方向調」，3 水準才能告訴你「會不會過頭」。所以先用 2 水準撒網、再用 3 水準細調，總次數會比一開始就上 L27（27 次）少得多。這就是我們 8 + 9 = 17 次的由來。
五、第一階段：用 8 次烤掉一半的因素
照配置一，八次全部烤完，每次找五個人試吃，取 10 分制平均分數：
| 試驗 | A 溫度 | B 時間 | （空白） | C 麵粉 | D 奶油 | E 糖量 | F 蛋回溫 | 評分 |
|---|---|---|---|---|---|---|---|---|
| 1 | 150°C | 40 分 | — | 低 | 少 | 少 | 無 | 4.4 |
| 2 | 150°C | 40 分 | — | 高 | 多 | 多 | 有 | 2.6 |
| 3 | 150°C | 60 分 | — | 低 | 少 | 多 | 有 | 7.6 |
| 4 | 150°C | 60 分 | — | 高 | 多 | 少 | 無 | 4.4 |
| 5 | 180°C | 40 分 | — | 低 | 多 | 少 | 有 | 6.6 |
| 6 | 180°C | 40 分 | — | 高 | 少 | 多 | 無 | 6.0 |
| 7 | 180°C | 60 分 | — | 低 | 多 | 多 | 無 | 8.4 |
| 8 | 180°C | 60 分 | — | 高 | 少 | 少 | 有 | 8.0 |
做完之後，你只需要做一件事：把每個因素在各水準下的分數平均起來。以溫度為例，150°C 出現在第 1～4 號試驗：
為什麼可以這樣直接平均？因為在這四次試驗裡，其他每個因素的兩個水準各出現了兩次——它們的影響被均勻攤平、互相抵銷。剩下來的差異，就是溫度自己的貢獻。直交表的均衡設計，就是為了讓這一步小學算術能夠成立。
七個欄位全部照做（總平均 6.00），得到回應表：
| 欄位 | 水準 1 | 水準 2 | 極差 R | 判讀 |
|---|---|---|---|---|
| A 溫度 | 4.75（150°） | 7.25（180°） | 2.50 | 留下 |
| B 時間 | 4.90（40分） | 7.10（60分） | 2.20 | 留下 |
| C 麵粉 | 6.75（低） | 5.25（高） | 1.50 | 留下 |
| D 奶油 | 6.50（少） | 5.50（多） | 1.00 | 邊緣，留下再看 |
| F 蛋回溫 | 5.80（無） | 6.20（有） | 0.40 | 接近雜訊，砍掉 |
| E 糖量 | 5.85（少） | 6.15（多） | 0.30 | ＝雜訊，砍掉 |
| （空白誤差欄） | 5.85 | 6.15 | 0.30 | 雜訊基準線 |
那一欄空白，替你省下的錢
看最後兩列。糖量的極差是 0.30，而那個什麼都沒放的空白欄，極差也是 0.30。意思很清楚：在我們測的範圍內，糖量造成的差異和純粹的隨機波動無法區分。
如果沒留那一欄空白，你會看到「糖量 R = 0.30」，然後心想「雖然小，還是有一點效果吧」，於是把它一路帶進第二階段，白白多做實驗。那一欄空白的成本是零——它不用多烤任何一次——卻替你買到一條判斷基準線。
六個因素砍掉兩個，剩下四個進入第二階段。
這條基準線 0.30 裡面，還混著溫度 × 時間。所以嚴格說，這個結果只支持一句話：「在假設交互作用不大的前提下，糖量和蛋回溫可以砍。」如果後面出了狀況，這裡就是第一個該回頭檢查的地方。
六、第二階段：用 9 次找出最佳組合
四個存活的因素，這次每個給 3 個水準（中間值放現行條件），用 L9——81 種組合縮成 9 次：
| 試驗 | A 溫度 | B 時間 | C 麵粉比例 | D 奶油份量 | 評分 |
|---|---|---|---|---|---|
| 1 | 150°C | 40 分 | 低 | 少 | 4.0 |
| 2 | 150°C | 50 分 | 中 | 中 | 4.9 |
| 3 | 150°C | 60 分 | 高 | 多 | 4.6 |
| 4 | 165°C | 40 分 | 中 | 多 | 6.3 |
| 5 | 165°C | 50 分 | 高 | 少 | 9.3 |
| 6 | 165°C | 60 分 | 低 | 中 | 7.8 |
| 7 | 180°C | 40 分 | 高 | 中 | 4.7 |
| 8 | 180°C | 50 分 | 低 | 多 | 7.4 |
| 9 | 180°C | 60 分 | 中 | 少 | 5.0 |
同樣的算術（每個水準取三次的平均，總平均 6.00）：
| 因素 | 水準 1 | 水準 2 | 水準 3 | 極差 R | 排名 |
|---|---|---|---|---|---|
| A 溫度 | 4.50 | 7.80 | 5.70 | 3.30 | 第 1 名 |
| B 時間 | 5.00 | 7.20 | 5.80 | 2.20 | 第 2 名 |
| C 麵粉比例 | 6.40 | 5.40 | 6.20 | 1.00 | 第 3 名 |
| D 奶油份量 | 6.10 | 5.80 | 6.10 | 0.30 | 第 4 名 |
兩個值得注意的解讀
溫度的折線是倒 V 形，這是 2 水準看不到的。第一階段只測 150 和 180，結論是「180 比較好」；換成 3 水準才發現 165 才是最高點，180 已經過頭了。2 水準告訴你往哪個方向調，3 水準告訴你會不會過頭。
線越平的因素，其實是好消息。奶油份量的極差只有 0.30——它在第一階段是邊緣（1.00），到第二階段確定不重要。那你就可以放心選最便宜、最好操作的那個水準。品質不變、成本下降。這種「發現某個貴參數其實不重要」的時刻，往往才是專案真正省下大錢的地方。
七、最後一哩：確認實驗（別跳過這一步）
從回應表挑出每個因素的最佳水準，得到最佳組合：
現在回頭看第二階段那張表，找找看這個組合是第幾號試驗——你找不到，因為它根本沒被烤過。
最佳組合通常不在你跑過的那幾次裡面，它是「算」出來的預測值。算法是把各因素超出總平均的部分加回去：
既然是預測，就必須實際再烤一次來驗證。這一次叫做確認實驗（Confirmation Run）。
我們烤了，實測 9.4——落在預測附近，模型成立。十七次實驗結束，食譜可以定稿了。
實測明顯低於預測（例如只有 7.2），這不是失敗，是重要情報：代表有你沒放進模型的交互作用在作怪。而你第一個該懷疑的，就是第四節那張別名表裡被壓在空白欄底下的溫度 × 時間。
此時的下一步很明確：改用配置二，把溫度、時間、麵粉放進圓圈，三個交互作用放進連線，再花八次把它看清楚。
確認實驗是「推論」與「事實」之間的那條線。少了它，你交出去的是一個沒驗證過的數學結果；有了它，你交出去的是一個做出來過的成品。
八、為什麼實驗室完美、量產卻慘不忍睹？
假設你把這份食譜交給了一間中央廚房，結果客訴一大堆。原因是你家廚房太乾淨了。真實世界充滿你控制不了的雜音（Noise）：當天室溫、奶油的批次差異、烤箱老化程度、換班的師傅。
不要花大錢去消除雜音，要找出「對雜音不敏感」的參數組合。這個特性叫做堅耐性（Robustness）。
做法：兩張表相乘
注意配方甲就是我們第七節那個確認過的最佳組合，它在理想條件下確實能拿 9.4。但如果你的目標是量產而不是自己在家烤，你該選的是配方乙。
上一篇談品質損失函數時我們說過：只要偏離目標值，損失就以平方倍數放大——所以變異本身就是成本。當時那是一個觀念；內側 × 外側直交表，就是把那個觀念變成明天早上就能動手做的實驗程序。損失函數告訴你為什麼要降低變異，直交表告訴你怎麼降。
九、什麼時候「不該」用直交表
- 因素只有 2～3 個 → 直接做全因素。次數差不多，卻能把交互作用看得一清二楚。
- 實驗成本極低（跑程式、線上 A／B 測試） → 算力比腦力便宜，全掃或隨機搜尋更省事。直交表是為了「每一次實驗都很貴」而生的。
- 交互作用本身就是你的研究主題 → 直交表會把它們混淆在一起，該用全因素或部分因子設計。
- 你要找的是精確最佳點 → 直交表用離散水準，做的是篩選與粗調。要逼近真正的曲面頂點，請接反應曲面法（RSM）。
直交表是「用少數幾次昂貴的實驗，從一堆因素中揪出關鍵少數，並找出對雜音免疫的穩健設定」——它是篩選與強健化的工具，不是萬用最佳化演算法。
十、換兩個場景：同一套流程，走得通嗎？
蛋糕當然是編出來的例子。真正的問題是：這套流程換到別的地方還成立嗎？我們看兩個真實場景——一個來自七十年前的工廠，一個來自你今天的辦公桌。
場景一：伊那製陶的那座窯（1953 年）
日本伊那製陶（Ina Tile，後來的 INAX）引進一座昂貴的隧道窯，卻發現窯內溫度分佈不均——靠外圍的磁磚尺寸嚴重偏差，不良率居高不下。
直覺的解法是改建窯爐讓溫度均勻，但那要花掉一大筆錢。田口的團隊反其道而行：他們接受「溫度就是不均勻」這個事實，用 L8 一口氣測試七個配方與製程因素，最後發現只要提高石灰石的添加比例，磁磚就對溫度變化變得不敏感。不良率大幅下降，而那座窯一根螺絲都沒動。
對照我們的流程，這是第八節那一招的完整版：窯內位置（中央／外圍）就是外側直交表，配方就是內側。而它買到的「關鍵少數」是石灰石——恰好也是整批原料裡最便宜的一種。
一句話總結這個哲學：不要花錢讓世界變乾淨，要讓你的產品在髒世界裡也能活。
場景二：提示詞調校（2026 年）
你要調一組 LLM 提示詞，可調的有：模型大小、溫度、few-shot 範例數、角色設定、思考鏈開關、輸出格式。六個因素——和我們的蛋糕一模一樣。
照同樣的配置一排進 L8、第 3 欄留白，用 100 題測試集評分。八次跑完的回應表（總平均 70.0）：
| 因素 | 水準 1 | 水準 2 | 極差 R | 判讀 |
|---|---|---|---|---|
| C 範例數 | 64.8（0） | 75.2（4） | 10.4 | 最關鍵 |
| A 模型 | 66.1（小） | 73.9（大） | 7.8 | 關鍵 |
| E 思考鏈 | 67.0（關） | 73.0（開） | 6.0 | 關鍵 |
| F 輸出格式 | 67.4（自由） | 72.6（JSON） | 5.2 | 有效 |
| B 溫度 | 70.7（0.2） | 69.3（0.8） | 1.4 | 影響很小 |
| D 角色設定 | 69.8（無） | 70.2（有） | 0.4 | ＝雜訊 |
| （空白誤差欄） | 69.8 | 70.2 | 0.4 | 雜訊基準線 |
和蛋糕一樣的劇本：角色設定的極差 0.4，和空白欄一模一樣——加不加「你是一位資深律師⋯⋯」造成的差異，和隨機波動無法區分。沒留那一欄，你會白白在每則提示詞前面多付 token。
另一個發現同樣值錢：溫度的極差 1.4，範例數的極差 10.4。大部分人花在調溫度上的時間，該拿去補範例。
但這個場景的結局和蛋糕不同。算出最佳組合的預測值是 85.4，實際跑一次卻只有 81.2——確認實驗沒過。
這正是第七節那個「如果沒通過呢」的實例：有交互作用被漏掉了。最合理的懷疑是模型大小 × 範例數（小模型給範例幫助大，大模型本來就會，邊際效益遞減）。但注意——在配置一底下你無法指認是哪一個，因為每個交互作用都躲在某個主效果後面。要驗證，就得改用配置二，再花八次。
| 步驟 | 起司蛋糕 | 伊那製陶 | 提示詞調校 |
|---|---|---|---|
| ① 選表 | L8 → L9 共 17 次 | L8 8 次 | L8 8 次 |
| ② 配置 | 配置一，第 3 欄留白 | 飽和，不留空白 | 配置一，第 3 欄留白 |
| ③ 回應表 | 溫度最關鍵 糖量 = 雜訊 | 石灰石是關鍵少數 而且它最便宜 | 範例數最關鍵 角色設定 = 雜訊 |
| ④ 確認實驗 | 預測 9.50 / 實測 9.4 通過 | 量產驗證 通過 | 預測 85.4 / 實測 81.2 沒過，有交互作用 |
| ⑤ 下一步 | 外側表測堅耐性 | 窯不用改 | 改配置二，再八次 |
為什麼這套七十年前的方法沒有過時
直交表的血統來自費雪（R. A. Fisher）1920 年代的農業田間試驗——因為一塊田一年只能種一次，每一次實驗都貴到不能浪費。伊那製陶開一次窯要燒掉整批原料，同樣的約束。而今天，當你要用 100 題人工評分的測試集去比較提示詞配置時，你面對的是同一個約束的現代版本。
方法沒有過時，因為「實驗很貴」這件事從來沒有消失，只是換了形式。
同樣的邏輯也能直接搬進品管圈（QCC）。QCC 最常見的病，是「對策擬定」階段一次只驗證一個對策，跑掉半年還說不清哪個有效。直交表讓你在同一輪 Do 裡同時檢定 4～7 個對策，Check 階段用回應表直接排出貢獻度——哪個對策該標準化、哪個該砍掉，數字自己會講話。
帶走這五件事
- 拒絕盲目試錯。一次改一個參數看起來嚴謹，實際上結構性地看不見交互作用。
- 直交表買到的是「關鍵少數」，不是完整真相。知道自己買的是什麼，才不會在會議上被問倒。
- 留一欄空白。它不花你任何一次實驗，卻替你買到一條雜訊基準線——糖量和角色設定都是這樣被抓出來的。
- 一定要做確認實驗。最佳組合通常沒被做過，它只是預測值。通過了就標準化，沒通過就知道有交互作用——兩種結果都有價值。
- 追求穩，不是追求高。能在各種壞情況下都交出七分的配方，遠勝於偶爾九分、偶爾五分的那一個。
系列文｜經營管理與商業思維
主題一：田口方法・品質損失函數——為什麼「在規格內」不等於「品質好」
主題二：直交表——729 種組合，17 次實驗（本篇）