Neuere Ansätze zur Daten-zu-Text-Generierung haben die äußerst erfolgreiche Encoder-Decoder-Architektur oder deren Varianten übernommen. Diese Modelle generieren flüssigen Text (der jedoch oft ungenau ist) und erzielen nur schlechte Ergebnisse bei der Auswahl geeigneter Inhalte sowie deren kohärente Anordnung. Um einige dieser Probleme zu überwinden, schlagen wir ein neuronales Modell mit einer Makroplanungsphase vor, gefolgt von einer Generierungsphase, die an traditionelle Methoden erinnert, die separate Module für Planung und Oberflächenrealisierung verwenden. Makropläne repräsentieren die hochrangige Struktur wichtiger Inhalte wie Entitäten, Ereignisse und deren Interaktionen; sie werden aus Daten gelernt und als Eingabe an den Generator übergeben. Umfangreiche Experimente an zwei Daten-zu-Text-Benchmark-Datensätzen (RotoWire und MLB) zeigen, dass unser Ansatz sowohl in automatisierten als auch in menschlichen Bewertungen gegenüber konkurrierenden Baselines übertrifft.