Lahore University of Management Sciences  
DISC 420 – Business Analytics 
Fall Semester 2016 
Instructors   Zainab Riaz 
Room No.   TBA 
Office Hours   TBA 
Email   zainab.riaz@lums.edu.pk
Telephone   5130 
Secretary/TA    Hassan Haider/ 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  
Elective  
Open for Student Category   MGS (Seniors), Open for MGS ‐Seniors in phase II
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 112   Computers & Problem Solving
DISC 212   Intro to Management Science 
DISC 320  Qualitative & Quantitative Methods in Business 
DISC 321  Decision Analysis Or equivalent  
  
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.  
 
Efficiently self‐train to apply OR guide technical staff in applying data‐mining techniques when they engage 
4. 
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  

Quizzes  20% 
Assignments (In‐Class + Other)  40%     
Mid‐Term Examination (on computer)  20%   NOTE: PLEASE READ QUIZ POLICY BELOW  
Final Exam (Project Presentation)  20%  
   
EXAMINATION DETAIL  
  
Yes/No: ...................................................................... YES  
Mid Term   Combine/Separate: .................................................... Separate  
(In‐Class)   Duration: .................................................................... 75 minutes (Tentatively)  
   Exam Specifications: .................................................. Closed Book/Closed Notes; Lab‐based Exam   
    ................................................................................... (Will need trading lab where the licensed software is  
................................................................................... installed)   
Quizzes  
  
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 > 4.  A missed (without petition 
approval) quiz will automatically be graded zero (0).  
  
You are required to attend with your designated section.  Neither quiz nor assignments can be transferred to any other section, 
especially as the Learning Management System follows the Zambeel sectioned roll no.  It is your responsibility to ensure that your 
details on LMS & Zambeel are up to date.  
  
COURSE OVERVIEW    

RECOMMENDED 
Sess. #   TOPICS   SESSION OBJECTIVE(S)  
READINGS  
a. Build a mental map of 
Introduction to Business Intelligence & Business 
1.    CC, Ch. 1   the course   
Analytics  
b. Contract for the course  
Case: Managing with Analytics at P&G a. How are the various 
levels of analytics 
1. How far into the levels of analytics (seen in  Case  
employed in a modern 
last session) have Procter & Gamble     organization  
2.   
progressed?   Managing with Analytics at  
b. What is the role of 
P&G  
2. Should Torres over‐ride the forecast?  What  analysts & managers in 
is the weakness in the BI if you say, “Yes”?   the modern organization 
CC, Ch. 3  Generic concepts in Data 
3.    Data Visualization – Basic  
   Visualization  
Data Visualization Exercise   Albright et. al. Section on  Application of data 
4.   
Case: King Kola Beverages Ltd.   Pivot Tables   visualization concepts  
  
  
 
Lahore University of Management Sciences  
5.       a. Advanced approaches to 
Advanced Data Visualization:  the  Tutorial Slides:    visualizing data  
“Grammar of Graphics”   Grolemund, “Visualizing   b. Introduction to R and its 
6.    (Introduction to R, R Studio & ggplot2 package)  
Data”   graphing packages  
  
7.    Business Intelligence Architectures, Data  Learning Objective #1, 3 
Warehousing & Big Data   V, Ch. 2 & Ch.3   Learning Objective #1, 3 
8.   
(Demonstration of  Microstrategy & SAS)  
Data Mining > Unsupervised Learning >  Cluster Analysis:  
9.    CC, Ch. 6, Sec 6.3, p. 256  
Introduction to Cluster Analysis   Hierarchical & K‐Means  
Data Mining > Unsupervised Learning >  Cluster Analysis: 
10.    (review last)  
Cluster Analysis (in R)   Hierarchical & K‐Means in R  
Data Mining > Unsupervised Learning >  CC, Ch. 6, Sec 6.3,   Association Rules Mining A 
11.   
Introduction to Association Rules   p. 265   priori algorithm  
Data Mining > Unsupervised Learning >  Association Rules Mining A 
12.    (review last)  
Association Rules (in R)   priori algorithm in R  
Data Mining > Unsupervised Learning >  Revision Assignment 
13.      
Association & Clustering  (Lab Assignment)  
 
14.    MID‐TERM  
  
Data Mining > Supervised Learning   Learning Objective #1, 3
Introduction to the process of supervised learning  ‐ CC, Ch. 6, Sec 6.4,    Supervised learning:  
15.    classification techniques  
Partitioning Data, Classification Accuracy,   p. 269  
Prediction Accuracy  
16.    Data Mining > Supervised Learning   Learning Objective #1, 3 
‐ CC, Ch. 6, Sec 6.4,   
k‐Nearest Neighbors (k‐NN) Classification and  Classification techniques: kNN 
17.    p. 277  
Prediction  
18.    Data Mining > Supervised Learning    Classification techniques: 
‐ CC, Ch. 6, Sec 6.4,   
19.    Classification Trees   trees  
p. 283, 293  
20.    Regression Trees  
Data Mining > Supervised Learning  ‐ CC, Ch. 6, Sec 6.4,   Supervised Learning: 
21.   
Logistic Regression   p. 299   Predictive modeling  
22.    Learning Objectives # 1, 3
Data Mining > Supervised Learning Introduction 
PB, Ch 6 (Section 6.8) p. 158   Introduction to Neural  
23.    to Neural Networks  
Networks  
All Learning Objectives
24.    Current trends in Data Mining and beyond   Current trends in mining 
‐ Social Network Analysis    To be distributed later   online data on social 
25.    ‐ Text Mining   networking sites using 
network connections and text 
26.    Comprehensive In‐Class Exercises      
27.    Comprehensive In‐Class Exercises     
28.    Review      
  
 
 
  
 
Lahore University of Management Sciences  
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.  
[CC] J. Camm, J. Cochran, M. Fry, et. al. (2015) “Essentials of Business Analytics”, Cengage.  
[PB] Stephen G. Powell and Kenneth R. Baker “Management Science, The Art of Modeling with Spreadsheets”, Wiley, 4th Ed