AI-Ready Data: S&P Global 3분기 콜, MCP로 데이터를 열자 API 호출 4,000% 넘게 증가

S&P Global은 데이터를 화면 구독으로만 팔지 않고 고객사 AI 모델이 직접 불러 쓰는 MCP 통로로 열었습니다. 그러자 API 호출이 1년 새 4,000% 넘게 늘었고 AI 상품을 쓰는 고객은 그렇지 않은 고객보다 계약을 1.8~3배 빠르게 키웠습니다. 자기 데이터를 이렇게 팔려면 데이터셋마다 AI 사용 권한 조항과 호출 단위 사용량 계량부터 갖춰야 합니다.

요약

S&P Global은 2026년 10월 27일 3분기 실적 콜에서 AI 관련 숫자를 처음으로 부문별로 내놓았습니다(Motley Fool 녹취 기준). CEO Martina Cheung은 분기 중 MCP(Model Context Protocol, AI 모델이 외부 도구와 데이터를 표준 방식으로 불러 쓰게 하는 규약) 도구와 adaptive retrieval agents(여러 데이터셋을 가로질러 복합 질문에 답하는 검색 에이전트)를 하나의 AI 데이터 포털로 합쳤다고 밝혔습니다. 신용등급(Ratings), 에너지(Energy), 애널리스트 추정치 데이터인 Visible Alpha도 이번 분기에 MCP로 열었습니다. 고객사가 사내 AI 도구를 늘리면서 frontier model(가장 앞선 범용 LLM)에 S&P 데이터를 붙이는 사례가 많아졌다는 설명입니다. 그 흔적이 API 호출량에 남았습니다. 2분기보다 50% 가까이, 전년 동기보다 4,000% 넘게 늘었습니다.

3분기에 묶은 AI 데이터 포털의 흐름. 고객 모델의 호출이 곧 API 호출 수로 잡힘

매출 기여도 숫자로 나왔습니다. CFO Eric Aboaf는 AI 데이터, AI-ready 포털 접근, 대량 정보 검색 같은 별도 AI 상품이 Energy와 Market Intelligence(MI) 성장률을 각각 약 50bp(0.5%p) 끌어올렸다고 했습니다. AI 상품을 쓰는 고객의 ACV(Annual Contract Value, 연간 계약가치) 증가율은 쓰지 않는 고객보다 MI에서 1.8배, Energy에서 약 3배 높았습니다. Cheung은 2분기에 AI 사용 권한(AI rights) 협상으로 늘어졌던 영업 주기가 표준 계약 조건으로 정리됐고 갱신 때 가격도 올렸다고 덧붙였습니다. 사내에서는 총인원을 전년 수준으로 유지한 채 해마다 두어 %p의 생산성 개선을 예산에 넣고 그 일부를 AI로 채웁니다. 경영진은 이를 두고 “AI initiatives are starting to show real traction”이라고 요약했습니다. 아래에서는 이 흐름을 다섯 가지 메커니즘으로 나눕니다. 그리고 데이터를 AI 상품으로 내려는 회사와 외부 데이터를 사내 에이전트에 붙이려는 회사가 각각 무엇을 준비하면 되는지 덧붙입니다.

ACV 증가율을 비AI 고객 1로 놓은 배수. 3분기 콜에서 Martina Cheung이 밝힌 값

핵심 메커니즘

AI-Ready Data Feeds: 모델이 바로 읽는 형태로 내보내는 데이터

사람이 단말 화면에서 보던 데이터를 모델과 고객 시스템이 곧바로 받아 쓰도록 정리해 보내는 피드입니다. 원천 데이터셋(재무, 등급, 에너지 가격)에 회사·종목 같은 엔터티를 연결(linking)하고 형식을 맞춘 뒤 출처와 기준일을 붙여 내보냅니다. Aboaf는 MI 안에서 Kensho Data가 가장 빨리 크는 사업이고 AI-ready 피드 채택이 성장을 이끌어 두 자릿수 증가율을 넉넉히 넘겼다고 했습니다. Cheung은 고객들이 S&P 데이터를 고르는 이유로 성능이 좋고 다른 공급사보다 오류율이 낮다는 점을 든다고 전했습니다(고객 평가로 소개했고 별도 측정값은 내지 않았습니다). 엔터티 연결, 녹취록 처리, 검색 모델을 만든 Kensho는 2018년 인수 이후 최근의 API, MCP, adaptive retrieval agents까지 맡아 왔습니다. 이 방식은 고객이 자기 모델을 돌릴 때 값을 냅니다. 화면 구독만 쓰는 고객에게는 새 상품이 아닙니다.

가상 예시로, 한 제조사 구매팀이 협력사 300곳의 신용등급을 주간 리스크 보고서에 넣는다고 해 봅시다. 화면에서 한 곳씩 찾던 일을 피드 하나로 받아 사내 협력사 코드와 연결해 두면 에이전트가 같은 질문을 매주 다시 물어도 같은 근거를 씁니다.

Kensho Data 성장을 이끈 AI-ready feed의 작동 방식(개념도)

MCP: 고객의 모델이 데이터를 직접 불러 쓰는 통로

MCP는 AI 모델이 외부 데이터 서버의 도구 목록을 읽고 질문에 맞는 도구를 골라 호출하게 하는 규약입니다. 고객사 에이전트가 질문을 받으면 MCP 서버가 내놓은 도구 가운데 하나를 고릅니다. 서버는 권한을 확인한 뒤 데이터를 돌려주고 모델은 그 값을 근거로 답을 씁니다. 사람 대신 모델이 데이터를 부르기 때문에 에이전트가 늘수록 호출 수가 가파르게 늘어납니다. S&P Global은 3분기에 Ratings, Energy, Visible Alpha 데이터를 MCP로 열었고 같은 기간 API 호출은 2분기보다 50% 가까이, 전년보다 4,000% 넘게 늘었습니다. 전년 동기를 1로 놓으면 41배가 넘는 셈입니다. Cheung은 고객이 사내 솔루션을 넓히며 frontier model에 S&P 데이터를 붙이는 흐름을 이유로 들었습니다. 어떤 모델 회사인지는 밝히지 않았습니다. 데이터 질문이 한두 개의 표 조회로 끝나면 기존 API로도 충분합니다. MCP는 에이전트가 질문마다 어떤 데이터를 부를지 스스로 정해야 할 때 맞습니다.

3분기 콜 수치. 4,000%는 '그 이상'이라는 표현

AI Data Portal과 Adaptive Retrieval Agents: 여러 데이터셋을 한 번에 묻는 창구

포털은 MCP 도구와 검색 에이전트를 한 계약, 한 창구로 묶은 상품입니다. 고객이 “이 발행사의 등급 변화와 애널리스트 추정치 변화를 함께 보여 달라”처럼 여러 데이터셋에 걸친 질문을 던지면 agents가 필요한 데이터셋을 골라 가로질러 조회합니다. Cheung은 agents에 대한 고객 반응이 좋고 이를 쓰는 고객이 새 데이터셋 라이선스도 함께 늘린다고 했습니다. 가격 구조도 갈립니다. 포괄 갱신 계약에는 의미 있는 가격 인상이 들어갔고 agents 쪽에서는 쓴 만큼 내는 사용량 과금(consumption-based pricing)이 생겨날 가능성이 보인다고 했습니다. 계약 기간이나 매출 규모는 밝히지 않았습니다. 정해진 지표 몇 개를 정기적으로 받는 고객이라면 피드로 충분하고 질문이 매번 달라지는 고객일수록 agents의 값이 커집니다.

포털과 agents의 관계. 사용량 과금은 Cheung이 '가능성'으로 언급한 단계

AI Rights 표준 조건: IP를 지키면서 AI 사용을 허락하는 계약

AI rights는 고객이 받은 데이터를 AI 모델과 에이전트에 어디까지 써도 되는지를 정한 계약 조건입니다. 2분기에는 이 조건을 두고 협상이 길어지며 MI 영업 주기가 늘어졌습니다. Energy는 갱신에서 AI 사용 권한에 초점을 맞췄고 MI도 같은 방식을 따라 권리를 지키면서 경제적 이익도 남기는 표준 조건을 만들었습니다. Cheung은 고객이 사업 전반에서 이 표준 조건을 받아들였고 3분기에 2분기의 대형 거래 여러 건이 IP 보호 조건을 유지한 채 종결됐다고 했습니다. 이 문제가 대체로 정리돼 다시 반복되지 않을 것이라는 설명입니다. 고객사가 AI-ready 데이터의 가치를 인정하고 회사의 IP를 존중하는 데 동의한다는 점도 덧붙였습니다.

AI 사용 권한 협상의 흐름. Cheung은 이 문제가 대체로 정리됐다고 설명

Productivity Budget: 인원을 늘리지 않고 해마다 몇 %p씩 생산성을 계획하기

애널리스트가 연간 AI 절감액을 묻자 Aboaf는 금액을 내지 않았습니다. 대신 AI를 대부분의 업무 흐름, 특히 데이터 운영, 리서치, 소프트웨어 개발, 애널리스트 업무에 쓰고 있으며 그 효과가 업무 흐름 재설계와 팀 구조 변경과 섞여 있다고 설명했습니다. 회사는 해마다 두어 %p의 생산성 개선을 계획과 예산에 넣고 그중 일부를 AI로 채웁니다. 얻은 여력은 일부를 성장 투자로, 일부를 마진으로 돌립니다. 3분기 조정 비용은 성장 분야 투자로 5% 늘었지만 생산성 프로그램이 그 재원을 댔고 총인원은 전년과 같았습니다. 회사는 연간 조정 영업이익률 개선 전망을 35~60bp에서 75~100bp로 높였습니다. AI 절감을 따로 떼어 약속하기보다 생산성 목표 안에 넣어 관리하는 방식입니다.

Eric Aboaf가 설명한 생산성 예산의 틀. AI 절감액만 따로 내지 않음

통념과 다른 주장

흔히 이렇게 봅니다범용 LLM이 금융 데이터와 리서치 구독을 대신하게 되면서 데이터 회사의 매출이 줄어든다고 봅니다.

저자는 이렇게 봅니다Cheung은 AI를 쓰는 고객이 오히려 지출을 더 빨리 늘린다고 말합니다. AI 상품 채택이 넓어지면 AI 고객과 비AI 고객의 성장률이 비슷해질 것으로 봅니다.

근거AI 고객의 ACV 증가율이 비AI 고객의 1.8배(MI)와 약 3배(Energy)였고 별도 AI 상품이 두 부문 성장률에 각각 약 50bp를 보탰습니다. API 호출은 전년보다 4,000% 넘게 늘었습니다.

통념과 회사가 제시한 근거

흔히 이렇게 봅니다데이터의 AI 사용을 허락하면 IP를 잃고 막으면 고객이 떠난다고 봅니다.

저자는 이렇게 봅니다Cheung은 표준 AI 사용 조건으로 IP를 지키면서도 거래를 닫고 가격을 올릴 수 있다고 말합니다.

근거2분기에 늘어졌던 MI 영업 주기가 3분기에 정상으로 돌아왔고 대형 거래 여러 건이 IP 보호 조건을 유지한 채 종결됐습니다. 포괄 갱신에는 가격 인상이 들어갔습니다.

AI rights를 둘러싼 통념과 회사의 대응

저자가 든 사례

MI: Capital IQ와 AI 데이터 포털을 묶은 경쟁사 대체 계약

구분	내용
상황	다른 공급사를 쓰던 대형 고객(이름은 밝히지 않음)
한 일	Capital IQ 플랫폼과 MI의 AI 데이터 포털을 묶어 제안
결과	다년 대형 경쟁사 대체 계약. 금액은 원문에서 밝히지 않음
연결	AI Data Portal. 포털이 단독 상품이 아니라 기존 플랫폼 계약을 따내는 데 함께 쓰임

Market Intelligence 사례. 포털이 기존 플랫폼 계약과 함께 팔림

Energy: 업스트림 고객 재확보와 AI-ready data 결합

구분	내용
상황	업스트림(탐사·생산) 상품을 떠났던 글로벌 에너지 기업
한 일	업스트림 상품 재계약(win-back)에 AI-ready data를 함께 넣음
결과	Cheung이 매우 큰 거래라고 표현. 금액은 원문에서 밝히지 않음
연결	AI-Ready Data Feeds. Energy에서 AI 고객 ACV 증가율이 약 3배로 가장 높았던 배경

Energy 사례. 기존 상품 재확보와 AI-ready data가 한 계약에 들어감

회사 전체: 별도 AI 상품의 성장 기여를 처음 공개

구분	내용
상황	1·2분기에는 기여가 서서히 쌓이는 중이라 공개하지 않음
한 일	AI 데이터, AI-ready 포털 접근, 대량 정보 검색을 별도 AI 상품으로 묶어 집계
결과	Energy와 MI(Kensho Data and Platforms) 성장률에 각각 약 50bp 기여. Aboaf는 이 흐름이 이어질 것으로 봄
연결	MCP, AI Data Portal. 호출 증가가 매출 숫자로 넘어가기 시작한 지점

Aboaf는 이 기여가 이어질 것으로 봄

기술 디테일: 데이터를 MCP 상품으로 열고 쓴 만큼 재려면

아래는 원문 메커니즘을 실제로 돌릴 때 필요한 설계입니다. 도구 이름, 필드, 숫자는 모두 가상 예시입니다.

MCP로 데이터셋을 열려면(MCP 메커니즘) 도구를 데이터셋 하나가 아니라 질문 단위로 쪼갭니다. 첫 도구는 이름을 ID로 바꾸는 find_entity입니다. 회사명은 동명이인이 흔하므로 후보 3개와 신뢰도를 돌려주고 모델이 하나를 확정한 뒤에야 get_rating_history, get_price_series, get_consensus_estimates 같은 조회 도구를 부르게 합니다. 응답에는 값과 함께 dataset_id, as_of(기준일), license_scope, source_ref를 꼭 붙입니다. 에이전트가 답을 쓸 때 근거와 기준일을 함께 인용하게 하려는 장치입니다. 한 번에 돌려주는 행은 500행으로 묶고 넘으면 next_cursor로 나눠 줍니다. 엔터티 신뢰도가 0.8 아래면 조회하지 말고 사용자에게 되묻게 하는 규칙을 도구 설명에 적어 둡니다.

{
  "tool": "get_rating_history",
  "input": { "entity_id": "ENT-004512", "from": "2024-01-01" },
  "output": {
    "rows": [{ "date": "2026-06-30", "rating": "BBB+", "outlook": "stable" }],
    "dataset_id": "ratings.issuer.v3",
    "as_of": "2026-10-27",
    "license_scope": "agent_retrieval",
    "source_ref": "doc-88213",
    "next_cursor": null
  }
}

가상 예시: 데이터셋을 MCP 도구로 여는 최소 구성

사용량 과금을 하려면(AI Data Portal 메커니즘) 호출마다 계량 로그를 남깁니다. 필드는 call_id, client_id, agent_session_id, tool, datasets[], rows_returned, latency_ms, billable_units입니다. 과금 단위는 호출 수, 질의 세션, 데이터셋 접근 가운데 고릅니다. 에이전트는 실패하면 같은 호출을 되풀이하므로 호출 수로만 과금하면 고객이 재시도 비용까지 냅니다. 그래서 같은 세션 안의 동일 호출은 60초 안에 한 번만 세고 결과는 캐시로 돌려줍니다. 고객 쪽에는 선불 크레딧과 월 상한을 두고 80%에 도달하면 알림을 보냅니다.

가상 예시: 과금 단위별 장단과 어디에 맞는지

AI 고객 ACV를 따로 재려면(통념과 다른 주장의 숫자) 먼저 “AI 고객”을 정의합니다. AI-ready 피드, MCP, 포털 가운데 하나라도 계약했거나 최근 90일 API 호출이 기준치를 넘은 고객을 AI 고객으로 묶습니다. 그다음 AI 고객과 비AI 고객의 ACV 증가율을 따로 구해 나눕니다. 이것이 1.8배, 약 3배 같은 배수입니다. 매출 기여 bp는 “별도 AI 상품의 전년 대비 매출 증가분 ÷ 전년 부문 매출 × 10,000”으로 셉니다. 고객 표시는 분기 초에 고정해 둡니다. 분기 중에 바꾸면 잘 크는 고객이 AI 코호트로 옮겨 가 배수가 부풀려집니다.

가상 예시: 1.8배·50bp 같은 숫자를 사내에서 다시 계산하는 순서

AI 사용 권한을 표준 조항으로 만들려면(AI Rights 메커니즘) 계약서에 용도별 기본값을 표로 고정합니다. 검색 근거와 에이전트 실행에는 출처 표시를 조건으로 허용하고 모델 학습은 별도 계약과 별도 단가로 뺍니다. 모델이 만든 출력물은 사내 공유까지만 허용하고 외부 재배포는 따로 협의합니다. 캐시는 30일 뒤 지우게 하고 감사 권한을 둡니다. 이 조항이 MCP 응답의 license_scope 값과 일대일로 맞아야 계약과 시스템이 같은 말을 합니다.

가상 예시: 계약서에 고정해 둘 AI 사용 조항

외부 데이터를 사내 에이전트에 붙이는 쪽이라면(MCP 소비) 공급사가 말하는 낮은 오류율을 우리 질문으로 확인합니다. 업무에서 실제로 묻는 질문 50개를 골라 원천 문서의 수치로 정답을 만듭니다. 공급사별 MCP 서버를 같은 모델에 붙이고 temperature 0으로 문항당 3회 돌립니다. 숫자가 틀린 비율(오류율), 3회 답이 서로 다른 비율(편차), 문항당 호출 수와 비용을 함께 기록합니다. 오류율 2% 이하, 편차 5% 이하를 통과선으로 두는 식입니다.

가상 예시: 오류율이 낮다는 주장을 우리 질문으로 확인하는 절차

생산성 몇 %p를 예산에 넣으려면(Productivity Budget 메커니즘) Aboaf가 꼽은 네 업무마다 기준 지표를 하나씩 정하고 분기 초 값을 기록합니다. AI만의 효과를 떼어 내려 하지 않고 업무 흐름 재설계와 팀 구조 변경을 포함한 전체 개선을 한 숫자로 봅니다. 목표는 지표 개선률과 인원 증감을 함께 적어 “인원을 늘리지 않고 지표가 몇 % 좋아졌나”로 판정합니다.

업무 이름은 원문, 지표와 주기는 가상 예시

현업 실행 디테일: 누가, 언제, 무엇을

데이터셋 하나를 AI 상품으로 여는 8주 시범을 기준으로 정리했습니다. 역할과 일정, 판정 기준은 가상 예시입니다.

역할	하는 일	산출물
데이터 상품 책임자	첫 데이터셋 선정, 고객 질문 수집	질문 목록 30개, 도구 명세
플랫폼 엔지니어	MCP 서버, 엔터티 확인, 계량 로그	도구 3~4개, 로그 대시보드
법무	AI 사용 권한 표준 조항	조항 표, `license_scope` 값 목록
재무·가격	과금 단위와 크레딧 설계, 코호트 ACV 정의	가격안, AI 고객 정의서
영업·고객 성공	시범 고객 5곳 섭외와 인터뷰	고객별 사용 기록, 갱신 의향

준비물은 세 가지입니다. 첫 데이터셋의 엔터티 ID 체계와 기준일 규칙, 기존 계약서의 데이터 사용 조항 사본, 지난 4분기 고객별 ACV입니다.

가상 예시: 데이터셋 1개를 AI 상품으로 내는 8주 계획

시범 고객 인터뷰에서는 이렇게 묻습니다. 지금 이 데이터를 사내 어떤 모델이나 도구에 넣고 있습니까? 사람이 화면에서 찾아 복사하는 단계가 몇 번 있습니까? 에이전트가 이 데이터를 부를 때 어디까지 허용돼야 합니까(검색 근거, 학습, 외부 공유)? 쓴 만큼 내는 방식과 정액 가운데 어느 쪽이 예산 승인에 쉽습니까?

8주 차 판정 기준(가상 예시)은 다음과 같습니다. 시범 고객 5곳 가운데 3곳 이상이 주 100회 넘게 호출하고 골든 질문 오류율이 2% 이하이며 법무가 표준 조항을 기존 계약 갱신에 붙일 수 있다고 확인하면 2개 데이터셋으로 넓힙니다. 호출이 늘지 않으면 도구 설계를 다시 보고 조항 협상이 막히면 학습 권한을 뺀 검색 전용 조건으로 다시 제안합니다.

새로 작성: 고객사 적용 제언(가상 예시)

적용 제언입니다. 이 순서는 데이터 회사가 아니어도 쓸 수 있습니다. 품질 이력, 물류 추적, 매장 판매 데이터처럼 협력사와 고객이 늘 묻는 데이터를 가진 제조·유통 기업도 같은 순서를 밟을 수 있습니다. 먼저 가장 자주 묻는 데이터셋 하나를 MCP로 엽니다. 다음으로 계약서의 AI 사용 조항과 응답의 license_scope를 맞추고 호출 계량을 붙입니다. 그 뒤 분기마다 AI 고객과 비AI 고객의 계약 증가율을 따로 봅니다. 외부 데이터를 사는 쪽이라면 재무·구매·전략팀 에이전트에 붙이기 전에 골든 질문 평가로 공급사를 비교하고 갱신 협상에서 AI 사용 범위를 미리 표로 정리해 가면 2분기 S&P 고객들이 겪은 지연을 줄일 수 있습니다.

원문 사례

항목	내용
자료	Motley Fool 실적 콜 녹취, 2026.10.27. S&P Global 2026년 3분기
화자	Martina Cheung(CEO), Eric Aboaf(CFO), Catherine(Kathy) Clay(S&P Dow Jones Indices CEO), Mark Grant(IR)
AI 상품	MCP 도구와 adaptive retrieval agents를 AI 데이터 포털로 통합. Ratings, Energy, Visible Alpha 데이터 MCP 공개
API 호출	2분기 대비 약 50%, 전년 대비 4,000% 넘게 증가
AI 고객 ACV	증가율이 비AI 고객의 1.8배(MI), 약 3배(Energy)
성장 기여	별도 AI 상품이 Energy, MI 성장률에 각각 약 50bp
Kensho Data and Platforms	매출 10% 증가(유기적 6%). AI-ready 피드 채택으로 두 자릿수 성장, MI에서 가장 빨리 크는 사업
가격	포괄 갱신에서 가격 인상, agents에서 사용량 과금 가능성
AI rights	2분기 협상 지연 뒤 표준 조건 수용, 3분기 대형 거래 종결
사내 생산성	해마다 두어 %p 생산성 개선을 예산에 반영, 일부 AI. 연간 AI 절감액은 공개 안 함. 총인원 전년 수준
사례	MI 다년 경쟁사 대체(Capital IQ + 포털), Energy 업스트림 재확보 + AI-ready data. 두 고객 모두 비공개
실적	매출 36.78억 달러(+7%), 조정 EPS 4.58달러(+9%), 조정 영업이익률 53.5%(+60bp). MI ACV 증가율 약 6.5%
전략 검토	Capital IQ와 Kensho 등 관련 데이터 사업 매각 포함 검토. 일정 미정, 2월 콜에서 첫 업데이트 예정. S&P는 자체 AI 통합 역량은 유지
연간 전망	유기적 매출 성장 7.5~8.5%, 조정 영업이익률 개선 75~100bp, 조정 EPS 17.70~17.95달러

핵심 개념

Kensho: S&P Global이 2018년 인수한 AI 조직. 엔터티 연결, 녹취록 처리, 검색 모델을 만들었고 최근 API, MCP, agents를 맡았습니다.
Visible Alpha: 증권사 애널리스트의 세부 추정치를 모은 데이터. 이번 분기 MCP로 열린 데이터 가운데 하나입니다.
Capital IQ: S&P Global MI의 기업·재무 데이터 플랫폼. 콜에서 전략 검토 대상으로 발표됐습니다.
ACV: Annual Contract Value. 고객 계약을 1년 단위 금액으로 환산한 값으로, 구독 사업의 성장 지표로 씁니다.
bp: basis point. 0.01%p. 50bp는 성장률 0.5%p입니다.
Win-back: 떠났던 고객을 다시 데려오는 영업. Energy 사례에서 업스트림 상품 재계약을 가리킵니다.
Consumption-based pricing: 정액 구독 대신 쓴 양(호출, 질의, 데이터 접근)만큼 받는 가격 방식.

내 메모

TODO: 내 생각 추가

원문: Motley Fool Transcribing, 「S&P Global (SPGI) Q3 2026 Earnings Call Transcript」(The Motley Fool, 2026.10.27). 실적 콜 발언은 화자를 밝혀 AX Review가 내 말로 다시 정리했으며 직접 인용은 한 곳뿐입니다. 녹취에는 받아쓰기 오류가 일부 있으므로 수치는 회사 공식 자료로 다시 확인하기를 권합니다. 요약·메커니즘·통념과 다른 주장·사례·원문 사례 표는 콜 내용을 정리했고 기술·현업 디테일, 도구 이름과 JSON 예시, 과금·평가 기준, 일정·판정 기준, 인포그래픽은 새로 작성했으며 그 안의 이름과 숫자는 가상 예시입니다. 원문 전체는 The Motley Fool에서 볼 수 있습니다.