実験計画法

実験計画法（DOE）とは？
なぜ実験計画法が重要なのか？
実験計画法の代表的な手法・種類
実験計画法のステップと進め方
実験計画法を使った実例・ケーススタディ
よくある課題とその対処法
実験計画法に役立つツール・ソフトウェア
タグチメソッドとの違いと使い分け
実験計画法の勉強方法・習得手段
まとめ｜実験計画法で品質と効率を最大化しよう

実験計画法（DOE）とは？

実験計画法の基本定義と目的

実験計画法（Design of Experiments: DOE）とは、効率的かつ効果的に実験を行い、変数（要因）と結果（応答）との関係を明らかにするための統計的手法です。特定の目的に対して、できるだけ少ない試行回数で最大限の情報を引き出すことを目指します。
DOEの主な目的は、「最適な条件の発見」「品質や性能のばらつきの抑制」「因果関係の明確化」にあります。

DOEと従来の実験手法の違い

従来の一因子実験（One Factor at a Time: OFAT）では、1つの要因だけを変化させて影響を観察しますが、DOEでは複数の要因を同時に変化させることで「交互作用」まで考慮できます。これにより、従来比で50%以上の試行削減が可能になるケースもあります。

どんな業界・職種で活用されているか？

実験計画法は製造業だけでなく、さまざまな業種・部門で活用されています。

業界	用途例
製造業（自動車・電子部品）	工程条件の最適化、不良率低減、品質向上
化学・製薬	反応条件の最適化、新薬開発、安定性試験
食品業界	味・香りの調整、保存条件の検証
IT業界	A/BテストやUI改善などのユーザー行動最適化

なぜ実験計画法が重要なのか？

コスト削減・時間短縮につながる理由

DOEを活用することで、不要な試行を減らし、最小限のデータで最大限の知見を得ることができます。たとえば、3因子×3水準の試験をすべて網羅する場合、従来手法では27回必要ですが、直交配列表を用いることでわずか9回の実験で済むこともあります。これは試験工数を約67%削減

品質管理・工程改善での貢献

工程条件を実験計画法で最適化することで、以下のような成果が見込めます：

不良率の低下（例：3.2% → 0.8%）
加工時間の短縮（例：35秒 → 28秒）
ばらつきの抑制（標準偏差：±2.1 → ±0.9）

これにより、再加工コストや検査コストの削減にもつながります。

再現性と信頼性の向上

DOEは統計的な裏付けに基づいて因果関係を検証するため、「たまたまうまくいった」状態を排除できます。また、最適条件が理論的に明確化されることで、他部署・他工場への横展開も容易になります。

実験計画法の代表的な手法・種類

一元配置法（単因子実験）

一元配置法は、1つの要因（因子）に対して複数の水準（条件）を設定し、それが応答変数に与える影響を調査する基本的な手法です。
たとえば、「温度（3水準）」が製品の強度に与える影響を調べる際に使われます。分析には分散分析（ANOVA）が使われ、因子の有意性を数値的に判断できます。

直交配列表（タグチメソッド）

直交配列は、複数の因子を効率よく組み合わせるための手法です。たとえば3因子×2水準の条件をすべて試すと8通りですが、L4直交配列を用いればたった4通りで解析が可能です。
タグチメソッドではSN比（Signal-to-Noise Ratio）を用いて、「ノイズに強い」条件を導き出すのが特徴です。

直交配列表名	使用例
L4	2因子×2水準の簡易実験
L9	3因子×3水準の実験
L18	6因子×3水準（部分交互作用あり）

二元配置法と交互作用

二元配置法では、2つの因子が個別に与える影響だけでなく、交互作用（Interaction）も評価します。たとえば、温度と圧力が同時に製品に与える効果を解析したいときに有効です。
交互作用が無視できない場合、一因子実験だけでは正確な最適条件を見逃す可能性があります。

分割法・繰返し実験

実験の効率を保ちながら、ノイズの影響を考慮するための設計手法です。メイン因子とサブ因子の階層構造をもとに、コストや時間を抑えて効果的な試験が行えます。
また、繰返し実験（Replicate）を行うことで、ばらつきの大きさを評価し、信頼性を高めることができます。

応答曲面法（RSM）

応答曲面法（Response Surface Methodology）は、要因間の非線形な関係をモデル化し、最適条件を導く高次の手法です。2次関数モデルを使い、応答の最大化または最小化を狙います。
特に複数因子の最適化を目的とする場合に強力で、工業プロセスの最終調整段階で多用されます。

実験計画法のステップと進め方

目的の明確化と要因の選定

まず、実験の目的を明確に設定します（例：「不良率を10%以下に抑える」など）。そのうえで、影響を与えると考えられる因子（例：温度、圧力、時間など）をリストアップし、優先順位の高い因子から選定します。
事前にブレーンストーミングや因果関係図を使って、仮説立てを行うことが重要です。

水準の設定と実験計画の作成

選定した因子に対し、2～3段階の水準（Low / Medium / High など）を設定します。たとえば温度なら「150℃ / 170℃ / 190℃」のように設定し、直交配列や階乗計画を用いて効率的な実験順序を決定します。

実施とデータ収集

計画に沿って実験を行い、結果データを正確に記録します。このとき、作業条件や外的要因（ノイズ）もメモしておくことで、後の解析精度が向上します。
測定値は可能であれば3回以上の繰返しを行い、統計的信頼性を確保することが望ましいです。

分散分析（ANOVA）と結果の解釈

収集したデータを元に、分散分析（ANOVA）を実施し、各因子の有意性（P値）や寄与率を算出します。
たとえば以下のような結果になることがあります：

因子	P値	寄与率
温度	0.003	42%
圧力	0.029	33%
加工時間	0.113	12%

このようにして、最も影響の大きい因子とその水準を特定します。

再実験と改善アクション

得られた結果をもとに、最適条件を再実験で検証します。この段階で再現性が得られれば、標準作業化やプロセス管理への応用が可能になります。
改善の効果が確認できたら、工程変更の申請、作業標準書の改定などを進めていきます。

実験計画法を使った実例・ケーススタディ

製造業：プレス加工の最適化

ある自動車部品メーカーでは、プレス加工時の割れ発生率を低減するためにDOEを導入しました。
対象因子は「圧力」「加工速度」「金型温度」の3因子、各3水準でL9直交配列を使用し、以下のような結果が得られました。

実験No.	圧力（MPa）	速度（mm/s）	温度（℃）	割れ発生率（%）
1	100	50	180	5.2
2	100	60	200	3.7
3	100	70	220	2.9
4	120	50	200	4.5
5	120	60	220	3.1
6	120	70	180	2.8
7	140	50	220	2.2
8	140	60	180	2.9
9	140	70	200	1.5

結果として、「圧力140MPa」「速度70mm/s」「温度200℃」の条件で割れ発生率が1.5%まで低下。
従来の平均（約4.2%）と比較して約64%の改善となりました。

化学業界：反応条件の最適化

化学メーカーでは、新素材開発における反応効率を改善する目的でDOEを導入。
3因子（濃度、pH、温度）×2水準のL4直交配列で試験を行った結果、生成率が最大15%向上し、生産ラインへの適用も実現しました。

食品業界：品質保持期間の延長

冷凍食品の品質劣化を防ぐため、保管温度、包装方法、調味料比率の組合せを実験。DOEで最適条件を導き出し、品質保持期間が従来の90日 → 120日に延長され、年間約2,000万円のロス削減に成功しました。

IT業界：UIテストの最適化

SaaS企業では、ユーザーのクリック率向上を目的に、ボタン配置、色、文言の3因子を直交配列で組み合わせたA/Bテストを実施。結果、CVRが2.3% → 3.8%に改善しました。

よくある課題とその対処法

要因選定のミス

影響が小さい因子を選んでしまったり、重要な因子を見逃したりすると、正しい結論が導けません。
対処法としては、FMEAや特性要因図などで要因洗い出しを行い、事前に専門家とレビューを重ねることが有効です。

実験データのばらつき

測定誤差やノイズ要因の影響で結果にばらつきが出ることがあります。
この場合、繰返し実験（Replicates）を行い、平均値で評価することで信頼性を高めます。また、ノイズ要因を固定化・ブロック化する方法も有効です。

統計知識の不足による誤解

P値や交互作用など、統計的な用語や考え方に慣れていないことで、誤った判断をしてしまうケースがあります。
そのため、基本的な統計知識（ANOVA、回帰分析、SN比など）を事前に習得するか、分析にはMinitabなどの専用ソフトを活用するのが有効です。

実験回数が多すぎて実行困難

フルファクタリアル設計を行おうとすると、要因数が増えるほど試験回数が爆発的に増加します（例：5因子×3水準 = 243通り）。
対処法としては、直交配列の活用や、寄与率の高い因子だけを残すスクリーニング実験の実施が効果的です。

実験計画法に役立つツール・ソフトウェア

Minitabとは？

Minitabは、製造業や品質管理の現場で広く使われている統計解析ソフトです。実験計画法に特化した機能を備えており、直交配列の自動作成やANOVA、SN比の自動計算などが可能です。
また、グラフや回帰式も自動生成され、統計初心者でも扱いやすいインターフェースが特徴です。

JMPとは？

JMP（ジャンプ）はSAS社が提供する高度な可視化・統計解析ツールです。特に応答曲面法（RSM）や交互作用プロットの表現に優れており、探索的な分析や設計空間の可視化に向いています。
直感的なGUIで操作でき、R&D部門やエンジニアリング分野での導入が進んでいます。

Excelでの簡易DOE

専用ソフトが無い場合でも、Excelで簡易的な実験計画を行うことは可能です。
行列関数やIF文、条件付き書式などを組み合わせて直交配列を手動で作成したり、データの集計・グラフ表示に利用することができます。
ただし、交互作用やSN比の解析には限界があるため、本格的な解析には専用ソフトが推奨されます。

PythonやRを使った統計解析

プログラミングに慣れている場合、PythonやRを使って実験計画法を実装することも可能です。
代表的なライブラリには以下があります：

Python： statsmodels, pyDOE, scikit-learn
R： DoE.base, FrF2, rsm

コードによる再現性や自動化が可能であり、研究開発やデータサイエンスの現場でも注目されています。

タグチメソッドとの違いと使い分け

目的の違い（最適化 vs 安定化）

実験計画法（DOE）は「最適条件を見つける」ことを主目的とするのに対し、タグチメソッドは「外乱に強い条件（＝ロバスト設計）」を目指します。
たとえば、製造工程で温度や湿度のばらつきが発生しても、品質が安定する条件を設計するのがタグチメソッドの強みです。

直交配列の考え方

どちらの手法も直交配列を用いますが、タグチメソッドではノイズ因子も含めた設計（内・外信号の組合せ）が特徴です。
これにより、変動の最小化を重視した実験設計が可能になります。

SN比とは？

タグチメソッド特有の指標であるSN比（Signal-to-Noise Ratio）は、望ましい応答の「強さ」と「安定性」を同時に評価するための指標です。
たとえば「大きい方が良い」「小さい方が良い」「目標値がある」といった目的に応じて、以下のような計算式が用いられます：

SN比の種類	目的	代表式（dB単位）
大きい方が良い	応答を最大化	-10 × log10(Σ1/y² / n)
小さい方が良い	応答を最小化	-10 × log10(Σy² / n)
目標値あり	目標に近づける	10 × log10(μ² / σ²)

SN比の分析により、ばらつきを抑えた最適条件の選定が可能になります。

実験計画法の勉強方法・習得手段

無料で学べるオンライン講座

以下のようなオンライン学習サイトでは、無料または低価格でDOEを学べます：

Coursera（入門レベル統計講座）
Udemy（MinitabやExcel活用）
YouTube（JMPやタグチメソッドの解説動画）

社内教育・外部セミナーの活用

社内研修として取り入れる企業も増えており、トヨタ系・日産系など多くのメーカーがDOEを標準教育としています。
また、日本品質管理学会や各地域の商工会議所でも定期的にセミナーが開催されており、実務事例を通じた学習が可能です。

まとめ｜実験計画法で品質と効率を最大化しよう

実験計画法（DOE）は、製造業だけでなくあらゆる分野で効率的に成果を出すための必須スキルです。
適切な要因の選定と実験設計によって、最適条件の探索、品質向上、コスト削減を実現できます。

さらに、ツールの活用や統計的理解を深めることで、DOEは再現性の高い改善活動を支える強力な武器になります。
実務での活用を進め、ロスの少ない生産体制や、顧客満足度の高いプロダクト作りに役立てましょう。