Neuronale Netze sind geeignet zur Prognose von Absatzzahlen in Supermärkten. Die stark schwankenden und von vielen Einflußfaktoren abhängigen wöchentlichen Verkaufszahlen können von MLP-Netzen generalisiert und für das kommende Zeitintervall recht präzise vorhergesagt werden. Die dabei anfallenden Trainingszeiten sind durch geeignete Parallelisierungen verringert worden.
Ein erhebliches Potential zur notwendigen Verkürzung der Trainingszeiten birgt die Verkleinerung des Inputvektors. Wurden bisher die Zeitreihen aller verwandten Produkte, die möglicherweise Einfluß auf den Abverkauf eines Artikel haben konnten, herangezogen, so soll in Zukunft durch Korrelationsanalysen im Vorfeld erreicht werden, daß lediglich die signifikanten Daten zum Training ausgewählt werden.
Außerdem gibt es neben den bisher benutzten Zeitreihen offensichtlich noch weitere Einflußfaktoren. Erste Untersuchungen haben gezeigt, daß Informationen über Feiertage, Saison und Urlaub ebenfalls einbezogen werden sollten, um die Prognosegüte zu verbessern.
Diese Daten auszuwählen sowie in Zeitreihen geeignet zu modellieren und dabei die Zahl der Eingangsneuronen klein zu halten wird das Ziel der nächsten Anstrengungen sein. Als Ergebnis soll ein System entstehen, das vor Ort im Supermarkt die Disposition unterstützt und sich durch ständiges Training flexibel veränderten Absatzentwicklungen anpaßt.