Bei der großflächigen Erfassung von Fahrzeugdaten in Messkampagnen oder durch Auswertung von Wartungsdaten entstehen zum Teil erhebliche Datenbestände, deren Struktur aber nicht den Anforderungen der statistischen Versuchsplanung genügt. Die einzelnen Messergebnisse sind in der Regel nach verschiedenen Faktoren wie Region, Einsatzart oder technischen Merkmalen des Fahrzeugs klassifiziert, verteilen sich aber nicht gleichmäßig auf die möglichen Betriebszustände. Deswegen ist eine Auswertung mit herkömmlichen statistischen Methoden nicht oder nur eingeschränkt möglich.

Am ITWM werden daher Verfahren entwickelt, die es erlauben, auch aus unbalancierten Daten Schlüsse zu ziehen, zum Beispiel ob sich nominell verschiedene Betriebszustände hinsichtlich Lasten oder Verbrauch tatsächlich signifikant unterscheiden. Ein wichtiges Werkzeug in diesem Bereich sind "Bayes'sche Faktormodelle", die auf einer Erweiterung der mehrfaktoriellen Varianzanalyse beruhen. Sie ermöglichen Mehrfachvergleiche für beliebig strukturierte Datenbestände. Für die Detektion eines bestimmten Effekts sind nach wie vor ausreichend viele Daten notwendig, aber die Voraussetzunge für die Anwendbarkeit des Verfahrens sind gegenüber klassischen Ansätzen deutlich reduziert.