Однако практика показывает, что массив данных за один год не позволяет определить признаки банкротства с высокой надежностью. Поэтому с помощью карты платежеспособности необходимо пронаблюдать динамику развития анализируемой компании, вводя финансовую информацию за разные годы. Если некая компания в какой-то период времени оказывается в зоне банкротства, ее необходимо рассмотреть более тщательно, поскольку финансовая структура этой компании не отличается от финансовой структуры других компаний, разорившихся в прошлом. Если же она стабильно находится в области благополучных компаний, дополнительное рассмотрение не требуется. Особое внимание необходимо уделять компаниям, находящимся в пограничной области с зонами банкротства и платежеспособности. Преимуществом представления информации с помощью АНС является то, что в этом случае данная область совершенно очевидна.
Однако, учитывая важность этих зон, границы их должны определяться с максимально возможной точностью.
Проводимый с помощью АНС исследовательский анализ и извлечение данных (data mining) могут быть использованы для обнаружения скрытых знаний (knowledge discovery) в больших базах данных, что позволяет решать задачу преобразования скрытого знания в явное. В общем случае это представляет собой целый интерактивный процесс выявления в данных неизвестных ранее паттернов или структур. В этом контексте под знаниями понимаются взаимосвязи между элементами данных и паттернами в наборах данных, а извлечение знаний определяется как нетривиальное обнаружение в данных первоначально неизвестных и потенциально полезных знаний. На практике под этим подразумевается поиск структурных паттернов в данных по внешне похожим предприятиям. Основной процесс исследовательского анализа данных и извлечения знаний состоит из множества шагов, начиная с формулировки целей и заканчивая оценкой результатов. Он может включать в себя петлю обратной связи, что означает переформулирование целей на основе полученных результатов. В зависимости от целей этого процесса наряду с АНС широко используются алгоритмы распознавания образов, машинное обучение и многомерный статистический анализ. В целом же обнаружение знаний является междисциплинарный процессом, в ходе которого могут также использоваться классическая статистика, программирование, технологии баз данных и экспертные системы.
