Datenqualitätstechnik in Finanzdienstleistungen

Vorwort

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Die meisten Menschen würden sagen, dass wir in einer Welt leben, in der wir der Herstellungsdisziplin und den Qualitätsstandards vertrauen, mit denen die Lebensmittel, die wir essen, das Wasser, das wir trinken, die Medikamente, die wir einnehmen, und die hochentwickelten Technologieprodukte, die wir in unserem täglichen Leben nutzen, hergestellt werden. Wir können die jahrelange Entwicklung in der Wissenschaft, die Verfeinerung der Herstellungstechniken und die Kodifizierung von Produktspezifikationen nachvollziehen, die die Grundlage für das Vertrauen bilden, das wir heute in den Konsum und die Verwendung physischer Produkte setzen. Was ist dann so anders an den Daten, die in der Finanzbranche verwendet werden, dass Daten und Informationen ständig überprüft, nachgeprüft und abgeglichen werden müssen, um ihre Genauigkeit und Qualität sicherzustellen?

Daten sind der fundamentale Rohstoff, der in der Finanzindustrie verwendet wird, um deine Altersvorsorge und das Vermögen deiner Familie zu verwalten, Betriebs- und Wachstumskapital für Unternehmen bereitzustellen und das globale Finanzsystem als Lebensader der Weltwirtschaft voranzutreiben. Anders als in der verarbeitenden Industrie haben sich die Datenströme in der Finanzbranche von offenen Märkten, Telefonen, Papierspuren und Tickerbändern zu hochentwickelten und komplexen Computer-, künstlichen Intelligenz- und maschinellen Lernanwendungen entwickelt. Wir erfassen, speichern und leiten Daten über komplexe Anwendungen weiter und nutzen Daten in Geschäftsprozessen, wobei wir generell davon ausgehen, dass die Daten zuverlässig und für die Nutzung geeignet sind.

Daten haben jedoch keine physische Form und können unendlich formbar sein. Im Gegensatz dazu haben die Rohstoffe in der Produktion eine physische Form. Die physikalischen Eigenschaften können gemessen und auf der Grundlage der Spezifikationen für die physikalischen Eigenschaften und Toleranzen, für die das Rohmaterial für die Verwendung zertifiziert ist, auf ihre Eignung hin überprüft werden. Dies ist eines der Schlüsselkonzepte, mit dem wir einen ähnlichen Rahmen für die Herstellung von Daten anwenden und die Eigenschaften von Daten definieren, die anhand einer Spezifikation gemessen werden können. Beispiele für Daten werden so dargestellt, als hätten sie Masse und physikalische Form, aber im Zusammenhang mit messbaren Datendimensionen: Vollständigkeit, Aktualität, Genauigkeit, Präzision, Konformität, Kongruenz, Sammlung und Zusammenhalt.

In diesem Buch wird davon ausgegangen, dass Daten eine Form haben, dass sie messbar sind und dass sie in Bezug auf Datenqualitätsspezifikationen und -toleranzen geprüft und gemessen werden können, aus denen sich Datenqualitätsmetriken ergeben. Die Ergebnisse können dann anhand von Datenqualitätsspezifikationen analysiert werden, um Datenqualitätskennzahlen abzuleiten. Zu den Datenqualitätsprozessen in der Fertigung gehört die Auswertung spezifischer Messungen von physischen Materialien in Bezug auf Kontrollspezifikationen. Die Ergebnisse werden analysiert, um festzustellen, ob die Materialqualitätsmessungen und -kennzahlen innerhalb der Konstruktionsspezifikationen und akzeptablen Toleranzen liegen.

Während die Finanzbranche mit einem Mangel an Industriestandards für die Identifizierung, Definition und Darstellung von Daten zu kämpfen hat, zeigt die Entwicklung und der Reifegrad der Fertigungsindustrie äußerst robuste Methoden, Genauigkeit und Reinheit in der Technik und Präzision in der Materialverarbeitung. Heute genießen wir die technische Komplexität, die uns moderne Medikamente, Genetik, Superpflanzen, Jets, Satelliten, Smartphones, Flachbildfernseher, künstliche Intelligenz, Roboter, Armbandcomputer - die Liste istendlos - beschert und halten sie vielleicht für selbstverständlich.

Die Finanzbranche kann viel von der Anwendung ausgereifter Fertigungstechniken auf unsere unausgereifte Datenmanagementdisziplin lernen. Der Hauptvorteil der Anwendung einer ähnlichen Präzision bei der Datenqualitätsprüfung ist die hohe Qualität der Daten. Aus geschäftlicher Sicht gibt es jedoch noch weitere Vorteile:

• Operative Effizienz

• Niedrigere Betriebskosten

• Weniger verschwendete Mühe

• Höhere Datengenauigkeit

• Genauere Entscheidungsfindung für Unternehmen

Dieses Buch soll nützliche Rahmenwerke und Techniken bereitstellen, die du in deine Datenstrukturen und dein Datenmanagement einführen kannst. Es wird erwartet, dass die Anwendung dieser Techniken und Frameworks die Effizienz der Datenverarbeitung, die Datenidentifizierung und die Datenqualität verbessert, betriebliche Datenprobleme reduziert und das Vertrauen in die Geschäftsfähigkeit und Zweckmäßigkeit der Daten erhöht.

Meine Reise und eine kurze Geschichte der Daten in derFinanzdienstleistungsbranche

Ich bin seit über 27 Jahren in der Finanzbranche tätig und habe sowohl in technischen als auch in geschäftlichen Funktionen mit Daten zu tun. Im Laufe der Jahre haben frühe Organisationen wie das Data Warehousing Institute (TDWI) und die Data Management Association International (DAMA) den Fokus auf Daten und Datenmanagement gelegt. Viele andere Branchen wie die Pharmaindustrie, die Luft- und Raumfahrt und die technische Fertigung haben erhebliche Fortschritte im Qualitätsmanagement von physischen Materialien gemacht, und die Gesellschaft profitiert von denVorteilen von Lean, Total Quality Management (TQM), Six Sigma und so weiter. Im Vergleich dazu ist die Finanzbranche bei der Definition und Einführung einheitlicher Datendefinitions- und Datenqualitätsstandards weit zurückgeblieben. Obwohl die Branche bestimmte Standards wie die Society for Worldwide Interbank Financial Telecommunications (SWIFT), das Financial Information Exchange (FIX)-Protokoll, die Länderstandards der International Standards Organization (ISO) und die ISO-Währungsstandards verwendet hat, fehlte der Branche bisher eine globale, gemeinsame, standardisierte und einheitliche Datentaxonomie und Ontologie, die Wertpapiere und Anlageinstrumente im globalen Finanzsystem definiert und identifiziert.

Die Software Publishers Association wurde 1984 gegründet und fusionierte dann 1999 mit der Information Industry Association und wurde in Software and Information Industry Association (SIIA) umbenannt. Die Financial Information Services Division (FISD), eine Abteilung der SIIA, wurde gegründet, um sich speziell auf die Finanzbranche und vor allem auf Marktdaten und -informationen zu konzentrieren. Damals, vor mehr als zwei Jahrzehnten, drehten sich die meisten Finanzinformationen um die Märkte, und die Hauptverteiler Reuters und Bloomberg lieferten die Marktticker, Emittenten- und Wertpapierinformationen sowie die Fundamentaldaten der Unternehmen und die Börsenberichte. Im Allgemeinen verwendeten die Aktienmärkte die CUSIP (Committee on Uniform Securities Identification Procedures), die SEDOL (Stock Exchange Daily Official List) und die ISIN (International Securities Identification Number) zur Identifizierung von Wertpapieren. Mit dem Einzug von festverzinslichen Wertpapieren, synthetischen Wertpapieren, Derivaten und verbrieften Produkten in das Finanzsystem und dem Fehlen einer standardisierten Definition und nationaler Wertpapierbörsen kam es in der Branche zu enormen Unterschieden bei Datendefinitionen, Bewertungen, Identifizierungsschemata und so weiter. Die wichtigsten Datenanbieter wie Reuters, Bloomberg, Interactive Data, Thomson Financial und Telekurs waren die Hauptakteure, die die erweiterten Referenzdaten und die dazugehörigen Analysen bereitstellten, und jeder hatte seine eigene Art, die Daten zu kuratieren und in Datenprodukte zu verpacken. Sie waren Konkurrenten, so dass das Fehlen von Industriestandards für die Interoperabilität/Ersetzung in Kombination mit dem Fehlen einer gesetzlich vorgeschriebenen gemeinsamen Taxonomie jede größere Verbesserung der gemeinsamen Datendefinition und Datenmanagementpraktiken verhinderte.

Dann kamen die Plattformen für das Unternehmensdatenmanagement (EDM) auf, darunter Eagle PACE, Asset Control, Cadis und GoldenSource. Ich habe umfangreiche Erfahrungen mit der Implementierung und Verwaltung von Eagle PACE sowie mit der Datenintegration in verschiedene EDM-Plattformen. So habe ich einen umfassenden Einblick in die Datenarchitektur, Datenstrukturierung, Datenqualitätsprüfung, Datenbereitstellung, Datenpflege und vieles mehr gewonnen.

Mike Meriton, ehemaliger Präsident und CEO von Goldensource, gründete 2005 den Enterprise Data Management Council unter Beteiligung von Mike Atkin, dem ehemaligen Präsidenten der FISD, und mehreren Datenanbietern, darunter Reuters. Der EDM Council konzentrierte sich zunächst auf die Verbesserung von Methoden und Rahmenwerken für Datendefinitionen und Datenmanagementpraktiken mit besonderem Schwerpunkt auf Referenz- und Analysedaten. Heute sind der EDM Council und die Global Legal Entity Identifier Foundation (GLEIF) führend bei der Förderung globaler Datenmanagement- und Standardinitiativen zur Verbesserung der Datenmanagementdisziplin in der Finanzbranche. Ich war Mitglied der SIIA und der FISD, ein beitragendes Mitglied des EDM Council und ein an derGründung der GLEIF beteiligtes Mitglied der Branche.

Heute habe ich das Privileg, mit anderen Datenexperten und Praktikern aus der Branche zusammenzuarbeiten, und gemeinsam haben wir dazu beigetragen, dass sich die Definition von Daten, Instrumenten, Attributen, Analysen, Entitäten usw. weiterentwickelt hat und ausgereift ist. Inzwischen gibt es viele Variationen des Rahmens für Datendimensionen, die von verschiedenen Arbeitsgruppen, Verbänden, Autoren, Anbietern usw. vorgestellt werden, aber es gibt keine gemeinsame, einheitliche Referenz für Datendimensionen.

Mir wurde klar, dass die Datenqualität nicht nur facettenreich ist, da sie die individuellen und kombinierten Toleranzen für jede Dimension widerspiegelt, sondern dass sich die individuellen Toleranzen über die Dimensionen hinweg für jedes Datenelement je nach Anwendungsfall unterscheiden. Daher habe ich eine Datenqualitätsspezifikation (DQS) entworfen, die die Ausrichtung der Datendimensionen, der Datenqualitätstoleranzen und -validierungen sowie die Datenqualitätserwartungen des Verbrauchers oder des nutzenden Systems enthält. Diese Definition der DQS unterscheidet sich von anderen Definitionen aus der Praxis, da sie sich auf eine bestimmte Gruppe von acht quantitativ messbaren Datendimensionen konzentriert. Dadurch ergeben sich drei Hauptkategorien:

Gültig

Innerhalb der Toleranz

Verdächtiger

Annäherung außerhalb der Toleranz

Ungültig

Außerhalb der Toleranz

Dieser Ansatz führt zu einer besseren Abgrenzung zwischen Bedingungen innerhalb und außerhalb der Toleranz.

Betrachte zum Beispiel globale Wirtschaftsdaten, die von quantitativen Forschern verwendet werden, um Trends und Muster zu verstehen, im Vergleich zu einer Portfoliodatei, die Nullwerte im Preisdatenelement enthält. Der Anwendungsfall könnte darin bestehen, den Nettoinventarwert und die Rendite eines Portfolios zu ermitteln. Die DQS der Datenqualität ist für jeden Anwendungsfall bemerkenswert unterschiedlich, obwohl die Datensätze gemeinsam ein Preisdatenelement enthalten können.

Dieses Buch bietet nützliche Rahmenwerke und Techniken für die Umsetzung von Data Governance, Stammdatenmanagement und Data Quality Engineering. Die Anwendung von Fertigungsprinzipien und -techniken auf das Datenmanagement in Kombination mit diesen Rahmenwerken soll strukturierte Datenarchitekturen und eine diszipliniertere und präzisere Datenverwaltung fördern, die eine höhere Qualität der zweckgebundenen Daten sowie geringere Betriebskosten und Risiken zur Folge hat.

In diesem Buch lernst du, wie du Datenvalidierungsprüfungen und Qualitätstoleranzen definierst, entwickelst und anwendest, um qualitativ hochwertige Daten zu liefern, die die Datenqualitätsspezifikation der Verbraucher erfüllen. Das Buch führt dich in die Data Governance ein und zeigt dir, welche Rolle sie bei der Umsetzung bewährter Methoden im Datenmanagement spielt. Du erfährst etwas über die Fertigung und wie Hersteller präzise Material- und Verarbeitungsspezifikationen verwenden, um sicherzustellen, dass die physikalischen Eigenschaften von Roh- und Halbfertigprodukten den Fertigungsanforderungen entsprechen. Die Daten in der Finanzbranche sind wie die Rohstoffe in der Fertigungsindustrie. Du wirst herausgefordert, über eine Datenmenge so zu denken, als wäre sie ein Rohstoff, der in der Produktion verwendet wird. Du wirst etwas über die Form von Daten, Zeitreihen, Querschnittsdaten, Paneldaten und die Dimensionen von Daten lernen. Du wirst in der Lage sein, genaue Datenqualitätsprüfungen und Toleranzen auf der Datenebene festzulegen, um sicherzustellen, dass nur hochwertige Daten verwendet werden, die den Anforderungen der Verbraucher oder der Anwendung entsprechen. Du lernst, wie du Datenqualitätsmetriken und -analysen auf der Grundlage standardisierter Datenqualitätsmessungen erstellst, die einen konsistenten Ansatz für das Data Quality Engineering unterstützen. Anhand eines Master Data Management-Ansatzes werden die Konzepte von Rohdaten, Staged Data und Mastered Data vorgestellt, die die Architektur bilden, in der du die Data Quality Engineering-Techniken anwenden kannst, um zu verhindern, dass Daten, die nicht den Spezifikationen für die Datenqualität der Verbraucher entsprechen, bereitgestellt und genutzt werden. Schließlich erfährst du, wie Unternehmensdatenmanagement die Kombination aus Data Governance, Data Quality Engineering und Master Data Management ist.

Diese Konzepte und Techniken sind mit vielen der Aufgaben verflochten, die in der Finanzbranche in verschiedenen datenintensiven geschäftlichen und technischen Funktionen anfallen. Im Allgemeinen sind die meisten Fachleute in der Finanzbranche Datenexperten und umfassen Geschäftsfachleute, Datenwissenschaftler, Datenanalysten, Dateningenieure und Datenarchitekten. Fachleute aus Wirtschaft und Technik, die in datenintensiven Bereichen wie Datenmanagement, Datenanalyse, Forschung, Portfoliomanagement, Portfoliokonstruktion, Handel, Rechnungswesen, Compliance und Leistungsmessung tätig sind, um nur einige zu nennen, profitieren von diesen Datenqualitätsrahmen. Die Datenqualität wird vom Verbraucher oder der Anwendung auf der Grundlage von Datenqualitätsspezifikationen bestimmt. Der Verbraucher kann diese Rahmenwerke nutzen, um die genauen Datenqualitätstoleranzen für die Daten zu übermitteln, die für seine Verwendung oder die Verwendung durch eine Anwendung bestimmt sind. Datenanalysten und Techniker, die für die Implementierung von Datenmanagement-Architekturen und Datenmanagement-Prozessen verantwortlich sind, können diese Rahmenwerke nutzen, um die Datenqualitätsanforderungen der Verbraucher zu verstehen und Datenqualitätsmessungen in das Daten-Ökosystem zu integrieren.

Du kannst diese Techniken direkt anwenden, um die Qualität der Daten zu verstehen, die du nutzt oder nutzen willst. Die Anwendung von Datenqualitäts-Engineering-Frameworks verschafft dir tiefe Einblicke in die Form und Qualität deiner Daten und gibt dir die Fähigkeit und die Sprache, anderen die erforderliche Datenqualität präzise zu vermitteln.

In diesem Buch verwendete Konventionen

In diesem Buch werden die folgenden typografischen Konventionen verwendet:

Tipp

Dieses Element steht für einen Tipp oder eine Anregung.

Hinweis

Dieses Element steht für einen allgemeinen Hinweis.

Warnung

Dieses Element weist auf eine Warnung oder einen Warnhinweis hin.

https://oreil.ly/DQEF-figures

Online Zahlen

Größere, farbige Versionen einiger Abbildungen findest du unter https://oreil.ly/DQEF-figures. Links zu den einzelnen Abbildungen findest du auch in den Bildunterschriften.

Schreib eine E-Mail an [e-mail], wenn du eine technische Frage hast.

O'Reilly Online Learning

Hinweis

Seit mehr als 40 Jahren bietet O'Reilly Media Schulungen, Wissen und Einblicke in Technologie und Wirtschaft, um Unternehmen zum Erfolg zu verhelfen.

Unser einzigartiges Netzwerk von Experten und Innovatoren teilt sein Wissen und seine Erfahrung durch Bücher, Artikel und unsere Online-Lernplattform. Die Online-Lernplattform von O'Reilly bietet dir On-Demand-Zugang zu Live-Trainingskursen, ausführlichen Lernpfaden, interaktiven Programmierumgebungen und einer umfangreichen Text- und Videosammlung von O'Reilly und über 200 anderen Verlagen. Weitere Informationen erhältst du unter http://oreilly.com.

Wie du uns kontaktierst

Bitte richte Kommentare und Fragen zu diesem Buch an den Verlag:

• O'Reilly Media, Inc.
• 1005 Gravenstein Highway Nord
• Sebastopol, CA 95472
• 800-998-9938 (in den Vereinigten Staaten oder Kanada)
• 707-829-0515 (international oder lokal)
• 707-829-0104 (Fax)

Wir haben eine Webseite für dieses Buch, auf der wir Errata, Beispiele und zusätzliche Informationen auflisten. Du kannst diese Seite unter https://oreil.ly/DQE aufrufen .

Schreib eine E-Mail an [e-mail], um Kommentare oder technische Fragen zu diesem Buch zu stellen.

Neuigkeiten und Informationen über unsere Bücher und Kurse findest du unter http://oreilly.com.

Du findest uns auf LinkedIn: https://linkedin.com/company/oreilly-media.

Folge uns auf Twitter: https://twitter.com/oreillymedia.

Sieh uns auf YouTube: https://youtube.com/oreillymedia.

Danksagungen

Es gibt kein "Ich" in dem Wort Daten und auch nicht in dem Wort Erfolg, und das Gleiche gilt für die Entwicklung und Produktion dieses Buches, das durch die Beiträge und die Unterstützung von vielen ermöglicht wurde. Ich möchte meinen tiefsten Dank und meine Anerkennung für die professionelle und persönliche Unterstützung, die Beiträge und die Ermutigung aussprechen, die ich von Acadian, O'Reilly Media, Branchenkollegen, anderenDatenexperten, Freunden und der Familie erhalten habe. Die erfolgreiche Arbeit an diesem Buch soll von allen geteilt werden.

Ich möchte dem Team von Acadian Asset Management meine Anerkennung und meinen Dank aussprechen: Executive Vice President und Chief Investment Officer Brendan Bradley, Senior Vice President und Director of Investment Analytics and Data Jim Dufort sowie den unglaublichen Teams für Enterprise Data Management und Informationstechnologie für ihre Unterstützung und ihr Engagement bei der Anwendung der Herstellungsprinzipien und der kontinuierlichen Verbesserung der Datenarchitekturen, der Datenverwaltungsabläufe, der Datenqualitätsprüfungen und der Data-Governance-Disziplin des Unternehmens. Die in diesem Buchvorgestellten Frameworks und Techniken haben sich dank der gemeinsamen und erfolgreichen Implementierungsbemühungen meiner Acadian-Kollegen bewährt. Ich bin ihnen sehr dankbar für ihre Bereitschaft, über Datenqualität und Datenmanagement anders zu denken. Die "Acadianer" haben Änderungen an der Architektur und den Verfahren vorgenommen, die hochwertige Daten für die gesamte Firma liefern und das Engagement von Acadian unterstützen, außergewöhnliche Anlageprodukte und Kundendienste zu liefern.

Mein aufrichtiger Dank geht an O'Reilly Media: Content Acquisition Editor Michelle Smith, Content Development Editor Corbin Collins, Production Editor Elizabeth Kelly und Copy Editor Nicole Taché. Vielen Dank für die großartige Möglichkeit, dieses Buch zu verwirklichen. Ich bin dankbar für das Privileg, zum Inhalt und Erfolg von O'Reilly Media beitragen zu dürfen. Dieses Buch wäre nicht möglich gewesen ohne Michelles scharfen Blick und ihre Erkenntnis der Bedeutung und Relevanz von Datenqualität in der Finanzbranche. Michelle hat verstanden, dass die grundlegenden Rahmenwerke in diesem Buch für alle Datenexperten hilfreich sind. Ich kann Corbin nicht genug für seine Geduld, sein Fachwissen, seine Empfehlungen, Vorschläge, sein Feedback und seine stetige und klare Anleitung danken, während er mit mir an der Entwicklung des Inhalts dieses Buches gearbeitet hat. Mein Dank gilt auch Elizabeth, Nicole, Suzanne Huston und dem Produktionsteam für ihre Kompetenz bei der Vorbereitung, Präsentation und Produktion dieses Buches. Ich habe eine neue Wertschätzung und höchsten Respekt für Inhaltsredakteure, Lektoren und Verlagsprofis entwickelt. Die außergewöhnliche Kompetenz dieser Personen trägt zum Erfolg von O'Reilly Media bei.

Die erfolgreiche Entwicklung von Schlüsselkonzepten und die Genauigkeit der Inhalte und Beispiele in diesem Buch wurden durch mehrere technische Prüfer ermöglicht. Ich möchte Predrag Dizdarevic, dem Gründer und Partner von Element22, für seine führende Rolle in der Branche, seine langjährige Erfahrung und sein Fachwissen danken, das er bei den technischen Überprüfungen dieses Buches freundlicherweise zur Verfügung gestellt hat. Mein herzlicher Dank geht an Abdullah Karasan, PhD, Senior Data Science Consultant bei TFI TAB Food Investments und Autor von Machine Learning for Financial Risk Management with Python (O'Reilly), für sein fundiertes Fachwissen und seine scharfen Einsichten, die er in seiner technischen Rezension vermittelt hat. Ich möchte auch meinem Kollegen Alagappan Solaiappan, Vice President, Senior Data Analyst, EDM Data Quality Engineer bei Acadian, für seine langjährige Erfahrung, sein Fachwissen im Bereich Datenqualität und seine außergewöhnliche Zusammenarbeit mit mir und unseren Kollegen von Acadian danken. Daten sind ein Mannschaftssport, und sein Feedback und seine sorgfältige technische Überprüfung des Buches haben zu dessen Erfolg beigetragen.

Ich möchte Matthew Lyberg, CFA, quantitativer Forscher bei NDVR, Inc. und ehemaliger Direktor für Performance-Attribution bei Acadian, für seine Einsichten und sein Feedback danken, die zu vielen Verbesserungen bei der Definition und Darstellung der Datenqualitätskonzepte und des DQS-Rahmens geführt haben. Als er den geschäftlichen Wert dieser Arbeit erkannte, stellte ich sie dem CFA Institute vor. Das CFA Institute nimmt nun Teile dieser Arbeit in seinen Lehrplan auf. Mein Dank gilt allen Datenqualitätskämpfern, Datenpraktikern und Branchenkollegen, die sich darum bemühen, in unseren Finanzdienstleistungs- und Vermögensverwaltungsunternehmen die beste Datenqualität zu liefern.

Persönlich möchte ich mich bei Barbara Buzzelli (Mama), Richard Buzzelli (Papa) und Claudine Wagenfuehr (Schwester) für ihre Liebe, Unterstützung und unendliche Ermutigung bedanken. Meine Mutter sagte immer: "Du kannst alles tun, was du dir vornimmst." Das kannich... und das habe ich getan. Ich möchte auch Dr. Andrew T. Revel danken, der mein bester Freund, mein größter Unterstützer, mein schärfster Kritiker und seit vielen Jahren mein Partner im Leben ist. Mein Dank geht an "The Foundation", zu der Robert Davis, Peggy Walther und Chuck Wesley (IM) gehören, für ihre unendliche Freundschaft, Unterstützung und Ermutigung. Mein Dank und meine Anerkennung gilt Matthew Szczepanski für seine Unterstützung und Ermutigung während der frühen, prägenden Jahre an der Universität und zu Beginn meiner Karriere. Vielen Dank an Nancy Pribich, die mir einen schnellen Kick als Motivation gab, meine Träume und Ziele zu verfolgen und hart dafür zu arbeiten, sie zu erreichen. Und schließlich meine Anerkennung und Dankbarkeit für die außergewöhnliche Ausbildung, die ich sowohl an der Carnegie Mellon University als auch an der University of Pittsburgh erhalten habe und die mir die fachlichen Grundlagen für die Entwicklung dieses Buches und für den Aufbau und die Verwirklichung meiner beruflichen Ziele gegeben hat.