金融機構可以使用的BPN簡單的模型。

假設該集團的數據組包括了100000個現有和潛在的顧客。數據組中所有成員至少滿足一個列示于每個輸出節點邊上的特征條件，比如說，他們的年齡小于35歲或者是在35-40之間，男性或者女性，房東或者租借人。BPN從所有的輸入節點中獲得數據，并且以此編譯一個預測型模型。這個簡單的模型告訴使用者，年齡在35-40歲之間的男性房東最有可能購買共同基金和金融市場產品。這是BNP能預測的信息。

然而，這種分析不是自然而然得出的。使用BPN(或者神經網絡技術)的局限性是BPN——像人的大腦——一定要接受練習以識別正確的模式并進行準確的信息翻譯。這個練習的過程往往需要花費大量的時間。同時，整個練習過程的完成需要向BNP提出一系列知道成果的問題和額外的輸入價值，也需要使用數學運算法則改變和再運用那些基于眾多BPN提供的正確或者不正確的答案的重點。練習階段會一直繼續，直到BPN提供的答案能夠和使用者希望的答案基本吻合。當練習輸出符合期望輸出時，然后BPN將被認為是成熟的，而且能夠被用來分析、解釋、預測未知結果的輸入數據。

Kohonen特征映射網絡

Kohonen特征映射網絡也是一種令人激動的神經網絡技術。Kohonen映射技術比BPN技術出現的時間更短，但是這種技術非常有潛力。不像反向神經傳播網絡，Kohonen映射網絡沒有隱藏的分析層。相反，網絡的輸出層做了所有的工作。網絡使用極其復雜的數學運算法則組織和分析輸入數據。

比如，假定一個輸入的信息有X個特征，并且在模式的Z空間由矢量Y代表。Kohonen網絡使用運算法則將輸入數據組映射至輸出摸式之中。輸出節點能自我組織，在大量數據組練習之下，產生了正確的特征映射。用簡潔、清晰的語言表達，這意味著網絡產生了基于輸入特征的客戶-行為模式圖。

在既定的數據組環境下，網絡逐字學習，使用戶能預測客戶可以做什么。但是，Kohonen映射網絡存在和BPN一樣的局限性。練習時間相對較長，數據組一定要很大。

優勢：從充分利用你擁有的大部分信息

即使練習過程相對較長，但是一個強大的成熟的神經網絡——或者是BPN或者是Kohonen特征映射網絡——在客戶價值(或者至少在收入增長方面)是物有所值的。神經網絡能被用來改善和提高各種數據挖掘任務的有效性，諸如：

市場細分：通過由認識模式和群集技術發現的信息進行市場細分。圖三中的BPN例子利用了模式識別，發現在35-40歲的男房主最有可能有金融市場和共同基金賬戶。

客戶概況描述：通過由聚集運算法則發現的信息，在基于內在相似性的基礎上將各條信息組合在一起。Kohonen映射網絡通常被用來創造成熟的數據叢，該數據叢能提供各方面觀點的新信息和詳細的顧客概況。

銷售渠道/活動有效性分析：通過由群集和局外人分析發現的信息來分析銷售渠道/活動的有效性。局外人分析是發現反常數據的過程，那些反常的數據信息通常能扭曲其他正常的信息。它能夠被用來作為分析過程的一部分，分析過程只要是分析為什么不同的銷售渠道/活動的有效性有的高，有的低，或者為什么一些渠道活動參與者有巨大的成功或者是失敗。

結論：

這些門戶網站和神經網絡技術不僅已經相當成熟了，而且具有非常強大的作用。如果正確使用這些技術，他們能夠極大的提高CRM系統的功能。此外，他們還覆蓋了CRM光譜的兩端：門戶網站增強操作型CRM的功能，神經網絡增加分析型CRM的能力。使用這些技術，發揮他們最大潛力的訣竅是要知道什么時候使用他們、什么時候停止使用他們而依靠人為接觸和經驗。成功的最大秘訣是以最適當的比例組合人力和技術資源。