18‐10‐2013

1

Introduction to Business Analytics

Prof. Umesh Rao HodeghattaXavier Institute of Management

Bhubaneswar

Outline

• Course Outline• Course Structure• Course Rules• Introduction to BA

– What is Analytics– Predictive Modelling– Why Analytics– Big Data

Course ObjectiveTopics Covered

• Introduction to BA• Exploring Data• Classification and Prediction Analysis

– Decision Tree– Bayes Classifier

• Clustering• Regression

• Simple, Multiple and Logistic

• Association Rule• Random Forest

18‐10‐2013

2

Topics you “may” be familiar with

• Forecasting• Smoothing techniques• Time series analysis• Linear Optimization• Delphi Analysis• Simulation• Pareto Analysis (CBA)• Purchasing Behaviour (Marketing class)

–

Jobs!!!

Job Prospects

• Data Scientists• Business Analysts• Web Analysts• Analysts

Source: Googe images

Googe images

18‐10‐2013

3

Course Structure

• Lecture• Lab• Class Presentations

– Cases– Data Analytics

Prerequisite

Text and Reference Books Software

• R• XLMiner• SPSS

18‐10‐2013

4

Evaluation Pattern

• Online Quiz– 20%

• Online Mid Term– 30%

• End Term– 40%

• Class Project– 10%

Course Rules

• Attendance• Placement Activities• Lab• Exams

Introduction

18‐10‐2013

5

Business Decisions

• What are some of the examples of Business Decisions?

Examples of Business Decisions

• Should Samsung sell Tablets in India?• Should Microsoft BUY Nokia’s mobile business?• Deciding between taking on a new customer and having to borrow money in order to fund inventory for production

• To decide either to temporarily shutdown a business segment or continue even if it incurs loss initially

• To make a product or just buy it from outside source.

Why Decisions are Important? Identifying Business Opportunities

• Planning for new product• Planning direct marketing campaigns• Understanding customer attrition/churn• Evaluating results of a marketing test• Allocating marketing budgets to attract the most profitable customers

18‐10‐2013

6

Business Intelligence

Business Leaders want answers for the following question:• What has happened? • What is happening? • Why it is happening?• What will happen? • What do we want to happen? 

21

Where is This Information

?

Where is the Wisdom?Lost in the Knowledge.Where is the Knowledge?Lost in the information?‐ TS Elliot

Where is the Information?Lost in the data.Where is the data?Lost in the database!!!

‐ Joe Celko (Technical Author of SQL)

Discovery and analysis

• Making it possible for decision‐makers to more easily access, understand, analyze, collaborate, and act on information, anytime and anywhere

Business Analytics

Introduction

18‐10‐2013

7

What is Business Analytics

• Analytics: The science of analysis• Business Analytics:

– Analysing for competitive advantage– Analysing to help businesses to make better  business and strategic decisions

– Automating the thinking of decisions making

Types of Analytics

• Sales Analytics• Inventory/Purchase Analytics• Manufacturing Analytics• Financial Analytics• HR Analytics

What Business Leaders Are Saying…

• “In God we trust, all others bring data”• “Do you think that, or do you know that?”• “Those who succeed with six sigma, and then advance in our company, have the better quantitative skills”

• “We are basing our strategy on analytics, especially customer analytics”

Why Analytics

Define Problem

UnderstandData

Cleanup/prepare Data

Reporting

Predicting

OptimizingStrategizeFuture

Business

Value

Analytics Value  

18‐10‐2013

8

Where are we getting Data? Data

• Many organizations have amassed vast amount of data that they can use to unlock valuable relationship to enable organizations to compete and perform successfully– Internet– Social Media

• Facebook• Twitter• Blogs• Forums, Message Boards

Digital Business

Your Domai n/ URL

Int er net

POS

Appliance ServerStore 3

PCThin Client

Appliance

On-line Multi-station Store

Net Appliance

Store 1

On-lineSingle-station Store

On-line CustomersConsumer & Business

Commercial

E-commerce

Hub

AccountingPhone OrdersMail Orders

Order Fulfillment

STARS

Thin ClientThin Client

In-house operations

PC PC

PC

Purchasing

On-line Salesperson

Linux Credit Card Approval

Apache Server

Cold Fusion

Sybase ASE Database

Linux SSL

Apache Server

Beacon Hill's Stars

Tarentella

SCO UnixLi nuxUni x

Busi ness t o Busi nessServer

E-Commerce Server

Wi nd ows 200 0

Of f i ce Sui t e Vi d eo Conf erenci ng

Server

IP Add r ess 1

IP Add r ess 2

IP Ad dr ess 3

STARSNetworksTelecommunications

Consumer

In-office

Sales

31Source: Senn, Information Technology, 3rd Edition © 2004 Pearson Prentice Hall

Digital Economy

• E‐Business: The use of electronic technologies to transact business.

• Collaboration: People and Organizations interact, communicate, collaborate and search for information

• Information Exchange: Storing, processing and transmission of information.

32

18‐10‐2013

9

The Characteristics of the Information Age

33Source: Senn, Information Technology, 3rd Edition © 2004 Pearson Prentice Hall

Digital Information

34

Data

Raw factsFiguresDetails

Information

OrganizedMeaningfulUseful Interpretation of data

Knowledge

Awareness and UnderstandingHow the information put to use

Business Analytics

• Leading firms analyze data to improve business performance and make better decisions

• Some firms use analytics as a competitive weapon: Competting on Analytics Byy Davenport

Netflix

• Movie recommendation engine• Customers given priority in shipping• Paying for distribution rights of DVDs (look at success of rated movies)

18‐10‐2013

10

Harrah’s Entertainment

• Customer loyalty card data used in near‐real time t optimize yield, set prices for slots and rooms, and design traffic through the casinos

• HR Analytics used to recruiting process

KPMG

• Metrics are key to understand how strategy is being executed

• Examples: Bad debt chasing, payroll process, SOX audit controls, fraud recovery

Nordstrom

• Tracking customer interactions• Determining circulation of catalogues• Direct marketing• Performance of new product launch

Colgate

• Use data generated from global ERP system to run the company– Financial, sales, R&D

• Customer purchase patterns• Marketing promotions

18‐10‐2013

11

Marriott

• To predict customer acquisition and retention• Predict customer’s visit to a location on a weekend or holiday in the next year

More Examples…

• Forecasting– Estimating Sales, predicting server loads or server downtime

• Risk and probability– Choosing the best customers for targeting mailings, determining the 

probable break‐even  point for risk scenarios, assigning probabilities to diagnoses or other outcomes

– Recommendations• Determining products likely to be sold together, generating recommendations

• Finding Sequences– Analyzing customer selection in a shopping cart, predicting likely events

• Grouping– Separating customers or events into clusters of related items, analyzing 

and predicting affinities

BA ‐ Definition

• Analytics has been defined as “the extensive use of data, statistical and quantitative analysis, explanatory and predictive models, and fact‐based management to drive decisions and actions” (Davenport and Harris, Competing on Analytics, 2007)

• Analytics has been defined as “the extensive use of data, statistical and quantitative analysis, explanatory and predictive models, and fact‐based management to drive decisions and actions” (Davenport and Harris, Competing on Analytics, 2007

Definition (contd…)

• Some authors view analytics as a subset of business intelligence (BI): “a set of technologies and processes that use data to understand and analyze business performance ” and “includes both data access and reporting, and analytics” (Davenport and Harris, Competing on Analytics, 2007)

18‐10‐2013

12

Business Analytics

• For the purpose of this course, we will not make any distinctions between Business Analytics (BA) and Business Intelligence (BI)

• We consider business analytics to include the access, reporting, and analysis of data supported by software to drive business performance and decision making

Assignment for the next class

• Find out the skills required for a data scientist or Business Analyst job

• Open an account in Linkedin.com

Reference

• Materials used in this presentation are extracted mainly from the following references, unless stated otherwise.

ReferencesReference used to prepare notes• Senn, Information Technology, 3rd Edition © 2004 Pearson Prentice Hall• Management Information System, Kenneth C. Laudon, Jane P Laudon• Business Data Communication and Networking – Jerry Firgerald, John 

Wiely• Andrew S Tanenbaum – Computer Networks• William Stallings – Computer Data Networks• http://www.cisco.com and Cisco CCIE books• McAfee.com• Networkworld.com• Lucent.com

48

18‐10‐2013

13

References• Swift, Ronald S. (2001) Accelerating Customer Relationships Using CRM and Relationship 

Technologies, Prentice Hall• Berry, M. J. A., Linoff, G. S. (2004) Data Mining Techniques. Wiley Publishing.• Ertek, G. Visual Data Mining with Pareto Squares for Customer Relationship Management 

(CRM)  (working paper, Sabancı University, Istanbul, Turkey)• Ertek, G., Demiriz, A. A framework for visualizing association mining results (accepted for 

LNCS)• Hughes, A. M. Quick profits with RFM analysis.

http://www.dbmarketing.com/articles/Art149.htm• Kumar, V., Reinartz, W. J. (2006) Customer Relationship Management, A Databased 

Approach. John Wiley & Sons Inc.• Spence, R. (2001) Information Visualization. ACM Press.Dyche, Jill, The CRM Guide to Customer Relationship Management, Addison‐Wesley, Boston, 

2002.Gordon, Ian. “Best Practices: Customer Relationship Management” Ivey Business Journal 

Online, 2002, pp. 1‐6.• Data Mining for Business Intelligence: Concepts, Techniques, and Applications in 

Microsoft Office Excel with XLMiner [Hardcover] By Galit Shmueli (Author), Nitin R. Patel(Author), Peter C. Bruce (Author) 

References

• Data Mining ‐ Concepts and Techniques By Jiawei Han, Micheline Kamber and Jian Pei, 3e, Morgan Kaufmann

• S. Agarwal, R. Agrawal, P. M. Deshpande, A. Gupta, J. F. Naughton, R. Ramakrishnan, and S. Sarawagi.  On the computation of multidimensional aggregates.  VLDB’96

• D. Agrawal, A. E. Abbadi, A. Singh, and T. Yurek. Efficient view maintenance in data warehouses. SIGMOD’97

• R. Agrawal, A. Gupta, and S. Sarawagi. Modeling multidimensional databases.  ICDE’97

• S. Chaudhuri and U. Dayal. An overview of data warehousing and OLAP technology. ACM SIGMOD Record, 26:65‐74, 1997

• E. F. Codd, S. B. Codd, and C. T. Salley. Beyond decision support. Computer World, 27, July 1993.

• J. Gray, et al. Data cube: A relational aggregation operator generalizing group‐by, cross‐tab and sub‐totals.  Data Mining and Knowledge Discovery, 1:29‐54, 1997.

50

References

• A. Gupta and I. S. Mumick. Materialized Views: Techniques, Implementations, and Applications. MIT Press, 1999.

• J. Han. Towards on‐line analytical mining in large databases. ACM SIGMOD Record, 27:97‐107, 1998. 

• V. Harinarayan, A. Rajaraman, and J. D. Ullman. Implementing data cubes efficiently. SIGMOD’96

• C. Imhoff, N. Galemmo, and J. G. Geiger. Mastering Data Warehouse Design: Relational and Dimensional Techniques. John Wiley, 2003

• W. H. Inmon. Building the Data Warehouse. John Wiley, 1996• R. Kimball and M. Ross.  The Data Warehouse Toolkit: The Complete Guide 

to Dimensional Modeling. 2ed. John Wiley, 2002• P. O'Neil and D. Quass. Improved query performance with variant indexes. 

SIGMOD'97• Microsoft. OLEDB for OLAP programmer's reference version 1.0. In 

http://www.microsoft.com/data/oledb/olap, 1998

51

References

• A. Shoshani.  OLAP and statistical databases: Similarities and differences. PODS’00.

• S. Sarawagi and M. Stonebraker. Efficient organization of large multidimensional arrays. ICDE'94

• OLAP council. MDAPI specification version 2.0. In http://www.olapcouncil.org/research/apily.htm, 1998

• E. Thomsen. OLAP Solutions: Building Multidimensional Information Systems. John Wiley, 1997

• P. Valduriez. Join indices. ACM Trans. Database Systems, 12:218‐246, 1987.• J. Widom. Research problems in data warehousing.  CIKM’95.• Kurt Thearling. Data Mining. http://www.thearling.com, kurt@thearling.com• “Building Data Mining Applications for CRM”, By Alex Berson, Stephen Smith 

and Kurt Thearling• Building Data Mining Applications for CRM by Alex Berson, Stephen Smith, 

Kurt Thearling (McGraw Hill, 2000). •

52

18‐10‐2013

14

End of Session