目前在化学学术界，绝大多数人进行反应条件优化时仍然使用非常朴素的对照实验，也就是先选定一部分条件，剩下一个变量，筛选一批，选出表现较好的取值固定下来，再去筛其他变量。例如在做方法学条件优化时依次筛选催化剂、溶剂、温度、当量等。这种做法如同盲人摸象，效率较低，而且忽视了各种变量之间的相互作用。例如，对于不同催化剂，最优溶剂很有可能是不同的，上述方法会错过大量潜在的有效条件。实际上，在多种变量同时影响实验结果的情况下如何进行条件筛选最有效率，统计学已经给出了解答。其中最重要的方法包括正交试验、反应曲面分析等。这个学科叫做Design of Experiments (DoE)，旨在找到以最少的实验次数确定全局最优实验条件的方法，并且不同的方法可以在不同程度上考虑变量间的相互作用，极大提升了条件筛选的科学性。这些方法可以在JMP、Minitab等软件里以一键的方式实现，软件可以直接给出实验方案，填写好实验结果后自动进行数据分析。除了这些图形化软件之外，还有PyDOE等Python包，优点是免费。
历来有许多人试图将DoE方法介绍到化学界，例如DOE (Design of Experiments) in Development Chemistry: Potential Obstacles、The application of design of experiments (DoE) reaction optimisation and solvent selection in the development of new synthetic chemistry。在一篇最新的ACS Catalysis中（A Practical Start-Up Guide for Synthetic Chemists to Implement Design of Experiments (DoE)），作者以零基础的方式详细介绍了这种做法，对于没有接触过的人非常值得阅读。
近期，我会在下方更新使用JMP的DoE功能进行反应条件筛选的案例。