Eine effiziente Vorverarbeitung der anfallenden Daten ist notwendig,
um sie dem Netz eingeben zu können.
Insbesondere muß aufgrund der gewählten Implementation eine Skalierung der unterschiedlichen Werte auf das Intervall 
erfolgen.
Gegeben seien die relevanten Informationen für T Wochen.
Mit den folgenden Definitionen
werden für jeden Artikel i und jede Woche t folgende Netzeingaben berechnet:
Für jeden Artikel i und jede Woche t in der Vergangenheit wird der folgende dreidimensionale Vektor definiert:
Für eine zukünftige Woche t wird dieser Vektor um den noch unbekannten Abverkauf reduziert:
Um den Abverkauf eines Artikels für eine Woche t zu trainieren bzw. vorherzusagen wird ein Zeitfenster von n vergangenen Wochen verwendet. Dadurch ergibt sich für jeden Artikel i der Eingabevektor
Da die betrachteten Artikel einer Produktgruppe angehören, korreliert ihr Absatz: Ein Absatzplus bei einem Artikel geht im allgemeinen zu Lasten anderer Artikel. Deshalb werden die bekannten Informationen aller p Artikel zu einem Eingabevektor konkateniert:
Mit dem Abverkauf 
jedes Artikels i in der Woche t als Sollwert des Ausgabeneurons wird ein Netz trainiert.
Somit ergibt sich für das i-te der p Netze,
das das Abverkaufsverhalten des i-ten Artikels lernen soll, eine Trainingsmenge mit folgenden Trainingspaaren (vgl. Bild 2):
Zur Prognose des noch unbekannten Abverkaufs von Artikel i in der zukünftigen Woche T+1 wird das trainierte i-te Netz mit folgendem Eingabevektor abgefragt:
Als Ausgabewert des Netzes wird der Wert 
erwartet, der zurücktransformiert werden muß
zum Wert für den prognostizierten Abverkauf von Artikel i in der Woche T+1.