In vielen Anwendungsbereichen nimmt die Zahl an gesammelten Daten in Zuge der digitalen Transformation* rapide zu. Die große Menge an Daten würde die statistische Anpassung komplexer Modelle nahelegen. Sowohl klassische Methoden der Modellschätzung (z.B. Maximum Likelihood, Bayesschätzer) als auch moderne simulationsgestützte Verfahren (Indirect Inference, Approx. Bayesian Computation) stoßen allerdings oft an ihre computationalen Grenzen, wenn der Umfang an Daten zu groß wird. Oft muss daher ein Kompromiss zwischen der bestmöglichen Informationsextraktion und Rechenaufwandüberlegungen gefunden werden, um in vernünftiger Zeit zu möglichst genauen Ergebnissen zu kommen.