اعتمدت النُهج الحديثة لإنشاء النص من البيانات على معمارية المُشفِّر-المُفكِّك (encoder-decoder) أو تطبيقاتها المُعدَّلة، والتي تُنتج نصوصًا سلسة (لكنها غالبًا ما تكون غير دقيقة) وتُظهر أداءً ضعيفًا جدًا في اختيار المحتوى المناسب وترتيبه بشكل منسق. ولتقليل بعض هذه المشكلات، نقترح نموذجًا عصبيًا يحتوي على مرحلة تخطيط على مستوى عالٍ (macro planning)، تليها مرحلة إنشاء نص تشبه الطرق التقليدية التي تعتمد على وحدات منفصلة للتخطيط وإنتاج السطح النصي. تمثل خطط التخطيط على المستوى العالي تنظيمًا عالي المستوى للمحتوى المهم مثل الكيانات والحوادث وتفاعلاتها؛ وتُتعلم هذه الخطط من البيانات وتُقدَّم كمدخلات للنموذج المُنشئ. أظهرت تجارب واسعة على مBenchmarkين لتحويل البيانات إلى نص (RotoWire وMLB) أن نهجنا يتفوق على النماذج المنافسة من حيث التقييم التلقائي والتقييم البشري.