金融機構可以使用的BPN簡單的模型。

假設該集團的數(shù)據(jù)組包括了100000個現(xiàn)有和潛在的顧客。數(shù)據(jù)組中所有成員至少滿足一個列示于每個輸出節(jié)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(jié)點中獲得數(shù)據(jù)，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(jīng)網(wǎng)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(shù)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(xù)，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(shù)據(jù)。

Kohonen特征映射網(wǎng)絡

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

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(wǎng)絡使用運算法則將輸入數(shù)據(jù)組映射至輸出摸式之中。輸出節(jié)點能自我組織，在大量數(shù)據(jù)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(wǎng)絡產生了基于輸入特征的客戶-行為模式圖。

在既定的數(shù)據(jù)組環(huán)境下，網(wǎng)絡逐字學習，使用戶能預測客戶可以做什么。但是，Kohonen映射網(wǎng)絡存在和BPN一樣的局限性。練習時間相對較長，數(shù)據(jù)組一定要很大。

優(yōu)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(jīng)網(wǎng)絡——或者是BPN或者是Kohonen特征映射網(wǎng)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(jīng)網(wǎng)絡能被用來改善和提高各種數(shù)據(jù)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(fā)現(xiàn)的信息進行市場細分。圖三中的BPN例子利用了模式識別，發(fā)現(xiàn)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(fā)現(xiàn)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(wǎng)絡通常被用來創(chuàng)造成熟的數(shù)據(jù)叢，該數(shù)據(jù)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(fā)現(xiàn)的信息來分析銷售渠道/活動的有效性。局外人分析是發(fā)現(xiàn)反常數(shù)據(jù)的過程，那些反常的數(shù)據(jù)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(wǎng)站和神經(jīng)網(wǎng)絡技術不僅已經(jīng)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(tǒng)的功能。此外，他們還覆蓋了CRM光譜的兩端：門戶網(wǎng)站增強操作型CRM的功能，神經(jīng)網(wǎng)絡增加分析型CRM的能力。使用這些技術，發(fā)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(jīng)驗。成功的最大秘訣是以最適當?shù)谋壤M合人力和技術資源。