Lahore University of Management Sciences  

DISC 420 – Business Analytics 
Fall Semester 2017 
 
Instructors   Zainab Riaz 
Room No.   SDSB‐ 4‐38 
Office Hours   TBA 
Email   zainab.riaz@lums.edu.pk
Telephone   5130 
Secretary/TA    Sec: Muhammad Umer Manzoor, TA: TBA
TA Office Hours   TBA 
Course URL (if any)   suraj.lums.edu.pk/~ro/
  
COURSE BASICS      

Credit Hours   3    

Lecture(s)   Nbr of Lec(s) Per Week  2  Duration  75 min. each 

  
COURSE DISTRIBUTION    

Core   This is a core course for MGS majors 
Elective   Elective for all other majors 
Open for Student Category   Freshmen (ACF majors only) 
Close for Student Category     
  
COURSE DESCRIPTION  
  
Lahore University of Management Sciences  

Throughout the Management Science degree, students have already been exposed to a number of statistical and analytical 
techniques  such  as  decision  analysis,  regression,  optimization,  etc.    However,  before  these  can  be  practically  deployed  as 
“business  analytics”  or  “business  intelligence”  (i.e.  analytical  tools  and  techniques  that  rely  on  a  business’  data  to  solve 
business problems) three things remain.  These three things, described as follows, are the focus of this course:  

1. Understanding the systems and their organization to support business analytics: Why use a data warehouse on top 
of  a  regular  database?    What  components  and  processes  have  todays  organizations  developed  to  practically  deal 
with capture and dissemination of business intelligence? (The top left circle in the diagram above)  
2. Data  mining  techniques:  Certain  analytical  techniques  rely  on  computerized  “machine  learning”.    There  are 
supervised versus unsupervised learning and classification versus association. This course will approach the subject 
from a business perspective: what is the objective of the technique? What business problems can it resolve?  And 
mostly hands‐on application of the tools. (the overlap between information systems circle and statistics circle)  
3. Integration of business analytics topics:  No real‐world problem comes with a label such as “Use regression or the a 
priori algorithm.” After studying data‐mining techniques, the student should now have a full menu of approaches at 
their  disposal.  It  is  the  intelligence  of  the  business  professional  that  guides  them  in  choosing  which  technique  to 
employ.    Hence,  this  course  aims  to help  students  practice this  judgment  call  at a  basic  level  in  various  situations 
essentially using a case‐based approach.  
 
  
COURSE PREREQUISITE(S)  
DISC 321‐Decision Analysis (AND) DISC 322‐Optimization Methods in Management Science
  
COURSE LEARNING OBJECTIVES  
 
1. Be aware of typical business intelligence systems components, processes and organizational architecture  
2. Learn about supervised and unsupervised data‐mining at a general level (not about details of the algorithms used but 
their benefits and limits, their required inputs and expected outputs and how to evaluate their performance).  
3. Be familiar with the vocabulary of data mining techniques, e.g. in text‐mining what is a “corpus”.  
4. Learn how to prioritize and choose between the analytical techniques across the degree.  
 
  
LEARNING OUTCOMES  
Upon completion of the course, students will be able to 
  
1. Understand  the  typical  vocabulary  used  across  various  business  intelligence  systems,  especially  with  respect  to 
datamining.  
2. Avoid  confusions  created  by  proprietary  names  of  business  intelligence  systems  and  components  (e.g.  SAP  Business 
Objects, Teradata, Microstrategy, Zambeel, etc.) and understand their functionality regardless of organization they work 
for.  
3. Select between descriptive, predictive and prescriptive analytical techniques according to the business problem at hand, 
or at least know who to refer to within their business intelligence organization in order to solve this problem.  
4. Efficiently  self‐train  to  apply  OR  guide  technical  staff  in  applying  data‐mining  techniques  when  they  engage  with  the 
business intelligence systems and organization of modern businesses to solve typical real‐world business problems.  
 
  
 
 
 
 
  
Lahore University of Management Sciences  

UNDERGRADUATE PROGRAM LEARNING GOALS & OBJECTIVES 
Goal 1 –Effective Written and Oral Communication 
   Objective: Students will demonstrate effective writing and oral communication skills  
Goal 2 –Ethical Understanding and Reasoning  
   Objective: Students will demonstrate that they are able to identify and address ethical issues in an organizational context.   
Goal 3 – Analytical Thinking and Problem Solving Skills   
   Objective: Students will demonstrate that they are able to identify key problems and generate viable solutions.   
Goal 4 – Application of Information Technology  
   Objective: Students will demonstrate that they are able to use current technologies in business and management context.   
Goal 5 – Teamwork in Diverse and Multicultural Environments  
   Objective: Students will demonstrate that they are able to work effectively in diverse environments.  Goal 
6 – Understanding Organizational Ecosystems  
   Objective: Students will demonstrate that they have an understanding of Economic, Political, Regulatory, Legal, 
Technological, and Social environment of organizations.  
Major Specific Learning Goals & Objectives  
Goal 7 (a) – Discipline Specific Knowledge and Understanding   
   Objective: Students will demonstrate knowledge of key business disciplines and how they interact including application to 
real world situations (Including subject knowledge).  
Goal 7 (b) – Understanding the “science” behind the decision‐making process (for MGS Majors)  
    Objective: Students will demonstrate ability to analyze a business problem, design and apply appropriate decision‐support 
tools, interpret results and make meaningful recommendations to support the decision‐maker   
  
  
Indicate below how the course learning objectives specifically relate to any program learning goals and objectives.   
  
PROGRAM LEARNING GOALS AND  COURSE LEARNING OBJECTIVES   COURSE ASSESSMENT ITEM  
OBJECTIVES  
Goal 1 –Effective Written and Oral  Objective #4  Exam 
Communication  
Goal 2 –Ethical Understanding and    
Reasoning  
Goal 3 – Analytical Thinking and  All objectives  Lab Assignments, Exam  
Problem Solving Skills  
Goal 4 – Application of Information  All objectives  Lab Assignments, Exam, Project 
Technology  
Goal 5 – Teamwork in Diverse and    
Multicultural Environments  
Goal 6 – Understanding Organizational  Objective #1  Quizzes, Exam  
Ecosystems  
Goal 7 (a) – Discipline Specific  All objectives  All items 
Knowledge and Understanding   
Goal 7 (b) – Understanding the  Objectives #2 & #4  All items 
“science” behind the decision‐making 
process  
 
  
 
 
  
Lahore University of Management Sciences  

GRADING BREAKUP AND POLICY  

Attendance (4 allowed)   05%
Quizzes (5)  15%     
Assignments (In‐Class + Other) (8)  30%   NOTE: PLEASE READ QUIZ POLICY BELOW  
Mid‐Term Examination (on computer)  15%  
Final Exam   15%  
Project  20% 
   
EXAMINATION DETAIL  
Yes/No: …................................................................... YES 
Combine/Separate: …................................................. Separate  
Mid Term  
Duration: …................................................................. 75 minutes (Tentatively)  
(In‐Class)  
Exam Specifications: …............................................... Closed Book/Open Notes; Lab‐based Exam   
  
 …................................................................................  (Will  need  trading  lab  where  R  Studio  is  
  
…................................................................................ installed)   

Yes/No: …................................................................... YES 
Combine/Separate: …................................................. Separate  
Duration: …................................................................. 120 minutes (Tentatively)  
Final Exam  Exam Specifications: …............................................... Closed Book/Open Notes; Lab‐based Exam   
 …................................................................................ (Will need trading lab where R Studio is  
…................................................................................ installed)     
 
Policy on Quizzes and Attendance 
  
Petitions  in  general:    Petitions  should  be  submitted  along  with  proper  documentation  (e.g.  a  medical  certificate  certifying 
illnesses or OSA certifying participation in OSA activity) and shall be approved on case‐by‐case basis.   NOTE: OSA activities are 
planned events SO PLEASE BRING THESE (or at least e‐mail a scan) BEFORE THE CLASS YOU PLAN TO MISS.  Later OSA petitions 
will be assumed not to be genuine.   
  
Quizzes:  To keep the number of quizzes to a minimum, we reserve the right to use un‐announced quizzes.  Quizzes will mostly 
be objective‐based in order to test understanding of vocabulary throughout the course or if they are tied to a case discussion, 
they  may  be  subjective  in  that  event.    An  “n‐1”  policy  will  be  applied  only  if  the  number  of  quizzes  >  5.    A  missed  (without 
petition approval) quiz will automatically be graded zero (0).  
  
Attendance:  Absents  beyond  4  will  be  lead  to  1  mark  deduction  per  leave  from  overall  marks.  The  only  valid  document  for 
compensating for a leave is OSA approved application. No other  applications will be entertained. Hard copy of OSA approved 
applications must be handed over to the instructor directly on the last course day. Electronic and email submissions will not be 
accepted.  Compensation  here  means,  average  personal  grade  for  that  instrument  would  be  applied  in  case  of  a  valid  OSA 
approved application submitted as a hard copy. 
 
COURSE OVERVIEW  

RECOMMENDED READINGS 
Sess. #   TOPICS   SESSION OBJECTIVE(S)  

a. Build a mental map of the course  
Introduction to Business Intelligence 
1.      b. Contract for the course  
& Business Analytics  
  
Lahore University of Management Sciences  

To get familiar with R and get required 
skillset for next sessions and advanced 
topics. 
Material for practice will be 
2.  Intro to R    
uploaded on LMS 
Working directory, Script file, library 
and packages, objects in R, vectors, 
data frame, matrix etc.   
3.     Business Intelligence Architectures,  Learning Objective #1, 3  
Data   Assignment 
V, Ch.3  
 Warehousing & Big Data   Learning Objective #1, 3  
4.   

 Getting to know your data  JL, Ch. 2 Processing the information and 

5. 
understanding the data 
 Visualization   JL, Ch. 2 Generic concepts in Data Visualization 
 
6.  Material for practice will be 
Base Plots 
uploaded on LMS 

 Visualization   Material for practice will be  GGPlot2

7.   
uploaded on LMS 
 Visualization   Material for practice will be  GGPlot2 
8. 
uploaded on LMS  Assignment 
Data Mining – Intro to supervised  Concepts and examples of what the 
Reading material will be 
9.  and unsupervised learning   two learning techniques are. 
uploaded on LMS 
Assignment 
Data Mining > Supervised Learning   Learning Objective #1, 3 Supervised 
Introduction to the process of  learning:  
supervised learning   classification techniques  
10.     JL, Ch. 8 
Partitioning Data, Classification 
Accuracy,  
Prediction Accuracy  
Data Mining > Supervised Learning   Learning Objective #1, 3 Supervised 
11.    Simple Linear Regression  JL, Ch. 3  learning:  
classification techniques 
Data Mining > Supervised Learning    Learning Objective #1, 3 Supervised 
12.   
Classification Trees   learning:  
Regression Trees  JL, Ch. 13  classification techniques – Decision 
13.  Trees 
 
14.    Data Mining > Supervised Learning   JL, Ch. 9 Assignment  
15.  k‐Nearest Neighbors (k‐NN)   Learning Objective #1, 3  
Classification techniques: kNN 
Submission of one page project synopsis 
(week 14) 
16.  MID‐TERM
17.  Project Data Presentation 
18.    Logistic Regression  JL, Ch. 7  Supervised Learning: Predictive 
19.  modeling  
Assignment 
  
Lahore University of Management Sciences  

20.  Data Mining > Unsupervised Learning  JL, Ch. 15 Cluster Analysis: K‐Means 

21.  > Introduction to Cluster Analysis 
22.  Data Mining > Unsupervised Learning  JL, Ch. 15 Cluster Analysis: Hierarchical
23.  > Cluster Analysis  Assignment  
24.  Data Mining > Unsupervised Learning  JL, Ch. 16 Association Rules Mining A priori 
25.  > Introduction to Association Rules  algorithm 
Assignment 
26.  Text Mining   Reading: Introduction to text mining and its 
27.  Business Intelligence from User  applications 
Generated Content 
28.  Network Analysis  JL, Ch. 20 Introduction to Network Analysis
Assignment 
 
TEXTBOOK(S)/SUPPLEMENTARY READINGS  
  
PLEASE OBTAIN THE COURSE PACK from the library for this course as there are multiple sources which have been used for 
the readings.  Some of the textbook abbreviations used are explained below:  
  
[V] C. Vercellis  (2009) “Business Intelligence: Data Mining & Optimization for Decision Making” Wiley.  
[JL] J. Ledolter (2013) “DATA MINING AND BUSINESS ANALYTICS WITH R “ Wiley.