金融机构可以使用的BPN简单的模型。

假设该集团的数据组包括了100000个现有和潜在的顾客。数据组中所有成员至少满足一个列示于每个输出节点边上的特征条件，比如说，他们的年龄小于35岁或者是在35-40之间，男性或者女性，房东或者租借人。BPN从所有的输入节点中获得数据，并且以此编译一个预测型模型。这个简单的模型告诉使用者，年龄在35-40岁之间的男性房东最有可能购买共同基金和金融市场产品。这是BNP能预测的信息。

然而，这种分析不是自然而然得出的。使用BPN(或者神经网络技术)的局限性是BPN——像人的大脑——一定要接受练习以识别正确的模式并进行准确的信息翻译。这个练习的过程往往需要花费大量的时间。同时，整个练习过程的完成需要向BNP提出一系列知道成果的问题和额外的输入价值，也需要使用数学运算法则改变和再运用那些基于众多BPN提供的正确或者不正确的答案的重点。练习阶段会一直继续，直到BPN提供的答案能够和使用者希望的答案基本吻合。当练习输出符合期望输出时，然后BPN将被认为是成熟的，而且能够被用来分析、解释、预测未知结果的输入数据。

Kohonen特征映射网络

Kohonen特征映射网络也是一种令人激动的神经网络技术。Kohonen映射技术比BPN技术出现的时间更短，但是这种技术非常有潜力。不像反向神经传播网络，Kohonen映射网络没有隐藏的分析层。相反，网络的输出层做了所有的工作。网络使用极其复杂的数学运算法则组织和分析输入数据。

比如，假定一个输入的信息有X个特征，并且在模式的Z空间由矢量Y代表。Kohonen网络使用运算法则将输入数据组映射至输出摸式之中。输出节点能自我组织，在大量数据组练习之下，产生了正确的特征映射。用简洁、清晰的语言表达，这意味着网络产生了基于输入特征的客户-行为模式图。

在既定的数据组环境下，网络逐字学习，使用户能预测客户可以做什么。但是，Kohonen映射网络存在和BPN一样的局限性。练习时间相对较长，数据组一定要很大。

优势：从充分利用你拥有的大部分信息

即使练习过程相对较长，但是一个强大的成熟的神经网络——或者是BPN或者是Kohonen特征映射网络——在客户价值(或者至少在收入增长方面)是物有所值的。神经网络能被用来改善和提高各种数据挖掘任务的有效性，诸如：

市场细分：通过由认识模式和群集技术发现的信息进行市场细分。图三中的BPN例子利用了模式识别，发现在35-40岁的男房主最有可能有金融市场和共同基金账户。

客户概况描述：通过由聚集运算法则发现的信息，在基于内在相似性的基础上将各条信息组合在一起。Kohonen映射网络通常被用来创造成熟的数据丛，该数据丛能提供各方面观点的新信息和详细的顾客概况。

销售渠道/活动有效性分析：通过由群集和局外人分析发现的信息来分析销售渠道/活动的有效性。局外人分析是发现反常数据的过程，那些反常的数据信息通常能扭曲其他正常的信息。它能够被用来作为分析过程的一部分，分析过程只要是分析为什么不同的销售渠道/活动的有效性有的高，有的低，或者为什么一些渠道活动参与者有巨大的成功或者是失败。

结论：

这些门户网站和神经网络技术不仅已经相当成熟了，而且具有非常强大的作用。如果正确使用这些技术，他们能够极大的提高CRM系统的功能。此外，他们还覆盖了CRM光谱的两端：门户网站增强操作型CRM的功能，神经网络增加分析型CRM的能力。使用这些技术，发挥他们最大潜力的诀窍是要知道什么时候使用他们、什么时候停止使用他们而依靠人为接触和经验。成功的最大秘诀是以最适当的比例组合人力和技术资源。