Metrics 

and Data Analytics 
for Entrepreneurial Growth
Dessislava A. Pachamanova, PhD
Professor of Analytics and Computational Finance
Agenda
• Using data and metrics to understand growth 
opportunities
• Using predictive analytics to drive business results
• Framing business problems as analytics problems
• Using data and analytics to grow your business
A Data‐Driven Culture
• Collect customer and order/purchase data from the 
beginning
• Collect product reviews
• Use vendors for LTV, pricing studies, and shipping
• Track social media presence
• Calculate weekly key performance indicators (KPIs)
If you can’t measure it, 
you can’t manage it.
Peter Drucker
Metrics
• Sales metrics
– Sales Opportunities, Product Performance, Sales per Rep
• Marketing metrics
– First Visits, Returning Visits, Incremental Sales, Brand Awareness 
• Social media metrics
– Website Referrals, Conversions, Engagement
• SEO metrics
– Keyword Opportunity, Keyword Click‐Through Rate
• Financial metrics
– Recent Payments, Income and Expenses, Net Profit Margin
• Supply chain metrics
– Order Tracking, Inventory Turnover, Inventory to Sales Ratio 
Dashboards

Source: Tableau
Dashboards

Source: Tableau
Dashboards

Source: Tableau
Dashboards

Source: Tableau
Metrics of Interest
• Market size/growth
– Market Share, Market Penetration
• Effective use of marketing dollars to generate awareness
– Total and Unique Visitors, Origin of Traffic, Bounce Rate, 
Customer Retention Rate, Lead to Close Ratio, Total 
Conversion
• Customer needs and engagement
– Visit Frequency, Activity Time
Actionable vs Vanity Metrics
(Eric Reis)
• Per‐customer metrics
• Split (A/B) tests
• Cohort analysis
• SEM metrics
 Split (A/B) Tests

Source: P. Benson, M. Casali and D. Pachamanova, “Making Optimization Significant: The Role of Statistical Analysis,” 
Search Marketing Standard, Summer 2012
Cohort Analysis

Source: Custora

Source: Google Analytics
Business Analytics vs Business Intelligence
Business Questions
• How can I offer my customers recommendations for 
other products/services based on similar customers’ 
actions?
• How can I improve my customer retention rate?
Analytics Methods
• Data summaries and visualization
• Hypothesis testing
• Data mining and predictive analytics
– Unsupervised learning
• Clustering
• Association rules
– Supervised learning
• Linear and logistic regression
• Decision trees
• Time series analysis and forecasting models
 Hypothesis Testing
A/B Testing
P‐value = 30%

P‐value = 4%

Source: P. Benson, M. Casali and D. Pachamanova, “Making Optimization Significant: The Role of Statistical Analysis,” 
Search Marketing Standard, Summer 2012
Association Rules
Regression
• A regression model is an equation that links an 
output (dependent, response) variable to one or 
more input (independent, predictor) variables
• If the output variable is numerical (e.g., LTV), one can 
use linear regression
• If the output variable is binary (0‐1, e.g., a customer 
will recommend you/leave, a loan will default), one 
can use logistic regression
– Logistic regression returns a score (e.g., a probability 
that a customer will recommend you)
Decision Trees
Decision Trees
NP
340/(340+260)
Income < 48K Income >= 48K

NP
312/(312+52)
P
208/(28+208)
Price >=25 Price < 25

P 53/(26+53)
P
155/(2+155)
Income <52K Income >=52K

NP 15/(15+2)
P 51/(11+51)
Time Series Analysis
140

120

100
Sales ($ million)

80

60

40

20

0
1 7 13 19 25 31 37 43 49 55 61 67 73
Month
 Map of Problems and Techniques
Problem Technique
Observe patterns; detect errors and inconsistencies Data visualization

Test if there is a significant change to the status quo Hypothesis testing

Group by similarity Clustering
Determine if certain characteristics/behaviors happen  Association rules
together
Determine the impact of factors on an output variable of  Regression (linear, logistic)
interest
Determine likelihood of a “Yes/No” event, or classify into a  Logistic regression, decision 
category trees
Analyze the behavior of a process over time Time series analysis

Capture insights from text data Text mining and unstructured 
data analytics
Framing Business Problems as Analytics 
Problems
• How can I offer my customers recommendations for other 
products/services based on similar customers’ actions?
– How can I identify customers who are “similar” in certain ways? How 
likely is a customer to respond to an offer?
• How can I improve my customer retention rate?
– What factors differentiate one‐time customers from repeat 
customers?
Tools
• Web analytics
– Google Analytics, Yahoo Web Analytics 
• Data visualization
– Microsoft BI Platform (PowerPivot, Excel 2010, SQL Server 
with VertiPaq; Analytical, Reporting and Integration Services 
(SSAS, SSRS, SSIS)), Tableau, Spotfire, IBM Cognos, IBM Many 
Eyes, Qlikview, MATLAB, R, SAS Visual Analytics 
• Statistical modeling (regression, time series analysis)
– R, SAS, IBM SPSS, Statistica, Stata, Python
• Data mining (association rules, clustering)
– R, IBM SPSS Modeler, SAS, SAP Predictive Analytics, Python
• Deployment
– SAS Enterprise Miner, Alpine Miner
Case Study: Paychex
• Founded in 1971 by B. Thomas Golisano
– With $3,000, one employee, and 40 clients, he 
founded the company in Rochester, NY to provide 
payroll to small‐ to‐medium sized businesses
– The company became public in 1983
– Today, Paychex provides more than 560,000 clients 
with payroll, tax credit, time and attendance, 
scheduling and general human resources services
Session Summary
• Learned examples of how metrics and analytics add 
value and enable growth
• Discussed most common predictive analytics 
approaches and how they map to classes of business 
problems
• Talked about popular tools for data visualization and 
analytics