Predictive Analytics for Business Forecasting

Name of the Faculty: Shubhabrata Das

Designation: Professor
Teaching Area:
(such as Finance & Accounting; Marketing; Production & Decision Sciences
Operations Management; Strategy)
This course may be offered to:
(PGP, FPM, PGPEM, PGPPM, EPGP) PGP
http://www.iimb.ernet.in/programmes
Credits (No. of hours):
(3 credits=30 classroom hours; 1.5 credits-15 classroom 3 credits
hours; session=90 minutes)
Term / Quarter: Term 4, starting June
(Starting April /June /September/December)
Course Type:
(Core or Elective) Elective
 
Offered as: Regular 
(Regular Course: staggered across the term or
Workshop1 Course: 3-5 continuous days)
Are there any financial implications to
NA
this course?

Additional information required

 
 

Degree/Diploma Granting Programmes: Template for proposing new course outlines_v2019_Internal Faculty 
Course Summary
The past few decades have witnessed growing adaptability of analytical forecasting tools in the corporate 
sector. This may be attributed to increase in the complexity, competitiveness and the rate of change in 
the business environment.  The objective of this course is to present a comprehensive view of the various 
tools and techniques used in forecasting for managerial decision making including the problem of demand 
estimation,  market  size  determination,  sales  projections,  analysing  and  predicting  stock  prices.  The 
models and methodology, covering various time series analysis techniques, as well as regression methods, 
will be presented with healthy mix of numerical illustrations and case studies. The focus of the course is 
on enabling the students to take up forecasting projects on their own. 

  Usage of software R will be integrated throughout the course. The necessary R codes would be 
demonstrated and shared. The students will have to implement these for their project data.  

Pre-requisites, inclusion/exclusion criteria, if any: NONE

Learning Objectives / Outcomes

The course is designed with the following specific objectives and learning outcomes: 

The objective of this course is to present a comprehensive view of the various tools and techniques used 
in forecasting for managerial decision making including the problem of demand Estimation, market size 
determination, sales projections, analyzing and predicting stock prices.   

On completion of this course, the student should be able to: 

 Understands finer details of various time series models and adapt them forecasting problems of 
interest such as sales forecast, demand forecast, stock market behavior; 
 Integrate regression and time‐series techniques comprehensively; 
 Model and Forecast high frequency demand data like energy load, mobile usage adopting new state‐
of‐the‐art modelling techniques; 
 Critically compare and combine various methods used for forecasting; 
 Use R for predictive analytics; 
 Undertake forecasting projects. 

Pedagogy 
The course will be a combination of lectures, and numerical demonstrations.  

 
Text Book: 
Business Forecasting, J.E. Hanke & D. Wichern. Pearson (2015). Ninth Edition.

Degree/Diploma Granting Programmes: Template for proposing new course outlines_v2019_Internal Faculty 
Course Evaluation & Grading Pattern 

Component  Weightage 
Exercise (one short individual exercise, to get familiarized with R)  10% 
Class participation  20% 
Project work (group) [report 25%, presentation 15%]  40% 
End term  30% 
 
Students will be given two weeks to select their own project and data and 5% bonus marks will be awarded 
if  they  can  select  project  on  their  own  using  the  guideline.  Failing  that,  the  students  will  be  assigned 
specific forecasting projects. 
Students  are  expected  to  attend  all  sessions.  The  standard  e‐PGP  (program)  rules  are  applicable.  In 
addition,  the  students  are  required  to  attend  the  sessions  designated  for  project  presentation,  failing 
which would attract suitable penalty in the project component.  
Marks in the CP component will be awarded on the basis of quality (rather than quantity) of comments, 
questions and discussions during the sessions, including project presentations. 

Session-wise plan
3 credits=20 sessions, 90 minutes each; 1.5 credits=10 sessions, 90 minutes each (excludes time involved in conducting quizzes of more
than 30 mins duration and examinations).

Session  Topic(s)  Readings / Reference 

1  Introduction and overview to forecasting; forecast evaluation  HE: Chapter 1.      LS 

2  Basic features and tools in Time series  HE: Chapter 2.     LS 

Review of Regression. Approaches for using covariates time 
3  HE: Chapters 5‐6. LS.   
series forecasting. 

4  Decomposition methods  HE: Chapter 4.     LS 

5  Exponential (ETS) and other smoothing techniques  HE: Chapter 3.     LS 

6  Advanced ETS models and implementation  LS, HO 
Implementation of decomposition and smoothing methods in  Case study: Predicting hotel 
7 
R.   occupancy 
Forecasting with Logistic regression (Predicting e.g. whether a 
8  LS 
loan will be repaid in time) 
Understanding autoregressive (AR) and moving average (MA) 
9  HE: Chapter 8. LS 
models and study of their properties  

Degree/Diploma Granting Programmes: Template for proposing new course outlines_v2019_Internal Faculty 
 10  Midterm discussion on projects:    

Model identification and prediction in ARIMA, Seasonal ARIMA 
11  HE: Chapter 8. LS 
(SARIMA)  
Forecasting with ARIMA / SARIMA ‐‐ Implementation using R. 
12  LS, HO 
Examples and case studies  
Regression with ARMA errors. Different ways of integrating 
13  HE: Chapter 7.      LS 
time series and regression methods  

14  Lagged model, intervention model, detecting change point  LS 

Different methods of Combining forecast. Overall  LS, HO. Case study: Forecasting 
15 
management of forecasting process  Revenues in Indian railways 
LS. Case study: Forecasting energy 
16  Energy load forecasting 
load at New York. 
DE LIVERA et al (2011). 
Methods for complex multiple seasonality. TBATS and two  Forecasting Time Series with 
17 
stage methods for forecasting high frequency data  Complex Seasonal Patterns Using 
Exponential Smoothing. JASA 
Bass, Frank (1969). A new product 
growth for model consumer 
18  Bass Type Models for forecasting a new product growth 
durables. Management Science. 
LS 
19  Project presentation    

20  Project presentation    

HE:  textbook. J.E. Hanke & D. Wichern. Pearson (2015). 

LS: Lectures slides/ notes

HO: handout

Degree/Diploma Granting Programmes: Template for proposing new course outlines_v2019_Internal Faculty