Deep Research - Gemini

Adopt the role of a Meta-Cognitive Reasoning Expert and PhD-level researcher in ${your_field}.

Category	Using AI › Deep research
Tags	AnalyzingSummarizingResearcher

Prompt

Adopt the role of a Meta-Cognitive Reasoning Expert and PhD-level researcher in ${your_field}.

  I need you to conduct deep research on: ${your_topic}

  Research Protocol:
  1. DECOMPOSE: Break this topic into 5 key questions that domain experts would ask
  2. For each question, provide:
     - Mainstream view with specific examples and citations
     - Contrarian perspectives or alternative frameworks
     - Recent developments (2024-2026) with evidence
     - Data points, studies, or concrete examples where available

  3. SYNTHESIZE: After analyzing all 5 questions, provide:
     - A comprehensive answer integrating all perspectives
     - Key patterns or insights across the research
     - Practical implications or applications
     - Critical gaps or limitations in current knowledge

  Output Format:
  - Use clear, structured sections
  - Include confidence level for major claims (High/Medium/Low)
  - Flag key caveats or assumptions
  - Cite sources where possible (or note if information needs verification)

  Context about my use case: ${your_context}

What this prompt does

This research prompt asks for deep investigation of an academic or professional topic. It requires 2024-2026 developments, confidence levels, caveats, and sources, with notes when verification is needed.

Model comparison

ChatGPT is careful and comprehensive but somewhat long; Gemini is specific yet undermined by unverifiable figures. [C] was not provided and cannot be meaningfully evaluated.

ChatGPTTop overall

42/ 50

＋ Clearly states evidence limits and proposes validation.

－ Lacks enough concrete figures and directly traceable citations.

Gemini

34/ 50

＋ Provides concrete executive strategy and KPI proposals.

－ Contains many precise, unsupported figures and assertions.

Criterion	ChatGPT	Gemini	Leader
Instruction following	9	7	ChatGPT +29%
Accuracy	9	4	ChatGPT +125%
Specificity	8	9	Gemini +13%
Structure	9	8	ChatGPT +13%
Right length	7	6	ChatGPT +17%

Scored 1–10 by gpt-5.6-sol with model names hidden (2026-09-25). This is an AI review, not a measurement.

Read full answers

We gave three models the same input and copied their answers unedited. Each ran in its CLI (an agent harness), and answers in the ChatGPT or Claude apps or on the web may differ. Outputs are in Korean.

Input used

[Pasted material]
제 분야: 핀테크 프로덕트 매니지먼트
조사하고 싶은 주제: 국내 은행권이 도입 중인 마이데이터(MyData) 기반 자산관리 서비스가 실제로 사용자 리텐션에 얼마나 효과가 있는지
제 사용 맥락: 저희 팀이 마이데이터 연동 자산관리 기능을 신규로 기획 중인데, 경영진 설득을 위해 국내외 사례와 데이터 기반 근거가 필요합니다

gpt-5.6-luna (codex CLI · 에이전트 하네스) · Run on 2026-09-24

결론 요약

국내 은행의 마이데이터 기반 자산관리 서비스는 사용자 리텐션을 높일 잠재력이 크지만, 공개된 자료만으로는 “마이데이터 도입이 리텐션을 몇 %p 개선했다”고 말할 수 있는 인과적 근거가 거의 없습니다.

현재까지 확인되는 근거는 다음과 같습니다.

마이데이터는 금융 앱의 방문 이유와 데이터 연결 범위를 늘린다.
→ 리텐션 개선 가능성: 중간~높음
그러나 자산 조회·통합 기능만으로는 반복 사용성이 약하다.
→ 단순 대시보드의 리텐션 효과: 낮음~중간
지출 알림, 현금흐름 예측, 목표관리, 대출·예적금 추천처럼 “행동을 유도하는 기능”이 포함될 때 재방문 가능성이 높다.
→ 기능 설계에 따른 효과: 중간~높음
공개 사례 대부분은 가입자 수, 연결 계좌 수, 조회 건수를 발표할 뿐 D30/D90 리텐션이나 이탈률을 공개하지 않는다.
→ 경영진 설득 시 반드시 자체 실험이 필요하다.

실무적으로는 “마이데이터 기능을 넣으면 리텐션이 오른다”가 아니라, “금융 데이터 통합을 반복적 의사결정 도구로 설계하면 특정 고객군의 리텐션을 개선할 수 있다”는 주장이 더 정확합니다.

1. 마이데이터는 실제로 금융 앱 리텐션을 높이는가?

핵심 질문

마이데이터 기반 자산관리 기능을 도입한 고객이 그렇지 않은 고객보다 더 자주 방문하고 더 오래 남는가?

주류 관점

마이데이터는 고객이 여러 금융기관 앱을 오가는 비용을 줄이고, 주거래 앱에서 자신의 전체 금융상황을 확인하게 만듭니다. 이론적으로는 다음 세 경로를 통해 리텐션을 높입니다.

앱 방문의 목적 증가
연결 데이터와 개인화 수준 증가
주거래 금융기관으로의 관계 집중

국내 주요 은행들은 KB국민은행의 ‘KB마이데이터’, 신한은행의 ‘신한 마이데이터’, 우리은행·NH농협은행의 통합자산관리 기능을 통해 예적금, 대출, 카드, 투자, 보험, 연금 등을 한 화면에서 보여주는 전략을 추진했습니다.

금융위원회와 금융감독원 자료에서도 금융 마이데이터 이용자는 빠르게 증가했으며, 다수 금융기관의 계좌를 연결해 통합 조회하는 이용 행태가 형성된 것으로 보고됩니다.

다만 여기서 중요한 구분이 있습니다.

가입자 수 증가 = 신규 유입
계좌 연결 수 증가 = 초기 활성화
조회 건수 증가 = 단기 사용
D30/D90 리텐션 증가 = 지속 사용
고객당 수익 증가 = 사업적 성과

공개 자료는 주로 앞의 세 가지를 보여주며, 뒤의 두 가지는 거의 공개하지 않습니다.

반론과 대안적 관점

마이데이터는 오히려 앱 간 경쟁을 강화할 수 있습니다. 고객이 모든 금융정보를 한 곳에 연결할 수 있기 때문에, 가장 편리한 플랫폼 하나만 사용하고 나머지 은행 앱은 삭제할 가능성도 있습니다.

또한 마이데이터 기능은 초기에는 신기하지만 다음 이유로 반복 사용이 약해질 수 있습니다.

자산 잔액은 매일 확인할 필요가 없음
연결 과정이 복잡함
데이터 오류·지연이 신뢰를 훼손함
단순히 여러 계좌를 한 화면에 나열하는 수준에 머무름
이미 토스·카카오페이 등 슈퍼앱이 선점한 경험을 따라가기 어려움

따라서 마이데이터가 모든 은행의 리텐션을 높이는 것이 아니라, 고객이 “다음 행동을 하기 위해 다시 방문할 이유”를 제공하는 서비스만 효과를 낼 가능성이 높습니다.

최근 동향: 2024~2026

2024년 금융위원회는 금융 마이데이터 고도화, 이른바 ‘마이데이터 2.0’ 방향을 제시했습니다. 핵심은 단순 자산조회에서 벗어나 다음과 같은 범위와 활용성을 확대하는 것입니다.

금융·통신·공공 데이터의 결합 확대
더 세분화된 소비·자산 분석
개인화 추천 고도화
데이터 제공·철회·관리 경험 개선
마이데이터 사업자의 서비스 차별화

이는 정책 당국도 단순 조회형 서비스의 한계를 인식하고 있다는 의미로 볼 수 있습니다.

다만 2024~2026년 정책 변화가 실제 은행별 D90 리텐션을 개선했다는 독립적인 공개 연구는 아직 제한적입니다.

데이터와 근거

금융위원회, 「금융 마이데이터 2.0 추진방안」, 2024
금융위원회·금융감독원, 금융 마이데이터 서비스 및 사업자 관련 보도자료
한국신용정보원, 금융 마이데이터 관련 백서 및 산업 동향 자료
Open Banking Implementation Entity(UK), Open Banking usage 데이터
CFPB, 개인 금융데이터 접근권 및 소비자 데이터 활용 관련 자료

판단

마이데이터가 앱 사용 빈도를 높일 가능성: 중간~높음
마이데이터가 D30/D90 리텐션을 직접 높인다는 공개 근거: 낮음
효과가 기능 설계에 크게 좌우된다는 주장: 높음

2. 어떤 기능이 실제 반복 사용을 만들어내는가?

핵심 질문

통합자산조회, 소비분석, 목표관리, 추천 기능 중 무엇이 고객의 반복 방문을 유도하는가?

주류 관점

반복 사용을 만드는 기능은 정적 정보보다 동적이고 행동 지향적인 기능입니다.

반복 사용성이 상대적으로 높은 기능

월간 현금흐름 예측
카드 결제 예정금액 알림
예산 초과 알림
자동이체·구독 결제 탐지
대출 금리·상환일 관리
단기 유동자금 부족 예측
목표금액 달성률
투자·연금 포트폴리오 리밸런싱 알림
금리·수수료 변화에 따른 상품 추천

예를 들어 “현재 총자산 1억 2천만 원”은 한 번 확인하고 끝날 수 있지만, “다음 달 현금흐름이 35만 원 부족할 가능성이 있습니다”는 다시 확인할 이유를 만듭니다.

핵심은 정보 제공에서 의사결정 지원으로 이동하는 것입니다.

반론과 대안적 관점

개인화 추천은 리텐션을 높일 수도 있지만, 금융에서는 신뢰를 낮출 위험도 있습니다.

추천이 실제 고객 이익보다 판매 실적 중심으로 보일 수 있음
여러 금융기관의 데이터를 모은 뒤 특정 은행 상품만 추천하면 편향으로 인식될 수 있음
투자·대출 추천의 정확성이 낮으면 서비스 전체에 대한 신뢰가 하락
알림이 과도하면 앱을 차단하거나 마케팅 수신을 해지할 수 있음

따라서 추천 기능은 “상품 추천”보다 “상황 설명”과 “선택지 비교”에서 시작하는 편이 안전합니다.

예시:

나쁜 방식: “KB 예금에 가입하세요.”
나은 방식: “현재 여유자금 중 300만 원은 3개월 이내 사용할 가능성이 낮습니다. 예금·MMF·파킹통장을 비교해보세요.”

최근 동향

2024년 이후 금융 마이데이터 서비스는 단순 통합조회보다 다음 영역으로 고도화되는 방향을 보이고 있습니다.

개인별 현금흐름 분석
부채·신용관리
연금·보험 보장분석
금융상품 비교·추천
생활 데이터와 금융 데이터 결합
생성형 AI 기반 금융 코칭

그러나 생성형 AI 금융상담은 정확성, 설명가능성, 책임소재 문제가 남아 있습니다. 특히 투자·대출 의사결정에 직접 연결될 경우, 편리함보다 신뢰와 규제 준수가 우선입니다.

해외 사례

Mint

Mint는 여러 금융기관 계좌를 통합하고 예산·지출관리를 제공하며 개인금융관리 시장을 확장시킨 대표 사례입니다. 그러나 Intuit는 2024년 Mint 서비스를 종료했습니다.

이 사례가 주는 중요한 시사점은 다음과 같습니다.

높은 브랜드 인지도와 대규모 사용자 기반이 있어도 지속적인 수익모델이 필요함
통합조회만으로는 장기적인 사업성이 보장되지 않음
개인금융관리 서비스는 금융상품 연결, 신용관리, 자산관리 등으로 확장되지 않으면 차별화가 약해질 수 있음

Empower Personal Dashboard

미국의 Personal Capital에서 출발한 Empower는 순자산, 투자, 은퇴계획을 통합해 보여주고 상담·자산관리 상품으로 연결했습니다. 무료 데이터 도구를 유료 자산관리 사업의 리드 생성 채널로 활용한 사례입니다.

Revolut

Revolut은 계좌, 카드, 환전, 예산관리, 투자 기능을 한 앱에 결합해 사용 빈도를 높였습니다. 다만 슈퍼앱 전략의 성공은 자산관리 기능 자체보다 결제·송금 등 빈번한 핵심 사용 사례가 함께 존재한다는 점에 있습니다.

판단

정적 자산조회: 낮음~중간
소비·현금흐름 관리: 중간~높음
목표관리: 중간
신뢰도 높은 개인화 추천: 중간~높음
상품 판매 중심 추천: 효과 불확실, 신뢰 훼손 위험 높음

3. 국내 은행 사례는 어떤 성과를 보여주는가?

핵심 질문

국내 은행들이 공개한 마이데이터 성과가 실제 리텐션 개선의 증거가 될 수 있는가?

주류 관점

국내 은행들은 대체로 다음과 같은 성과지표를 강조합니다.

마이데이터 가입자 수
연결 기관 수
연결 계좌 수
자산조회 건수
맞춤형 상품 추천 건수
신규 고객 유입
앱 내 다른 금융상품 이용률

KB국민은행, 신한은행, NH농협은행, 우리은행 등은 각각 통합자산관리와 소비·지출·연금·부채관리 기능을 강화해 왔습니다.

이러한 기능은 은행 앱을 “은행 업무 처리 앱”에서 “개인 금융관리 앱”으로 전환하려는 전략으로 해석할 수 있습니다.

특히 마이데이터는 다음과 같은 고객에게 가치가 높습니다.

여러 은행과 카드사를 동시에 사용하는 고객
대출·투자·보험 등 금융상품이 복잡한 고객
자산관리 상담을 받기 어려운 대중부유층
사회초년생이나 맞벌이 가구처럼 현금흐름 관리가 필요한 고객
연금·보험을 장기적으로 관리해야 하는 고객

반론과 대안적 관점

공개된 국내 사례에서 가장 큰 한계는 “사용자 규모”와 “지속사용”이 혼동된다는 점입니다.

예를 들어 다음 수치는 리텐션을 의미하지 않습니다.

마이데이터 가입자 1,000만 명
계좌 연결 수 5,000만 개
월간 조회 1억 건
자산관리 메뉴 방문자 증가

리텐션을 입증하려면 최소한 다음 비교가 필요합니다.

마이데이터 활성 사용자와 비활성 사용자의 D30/D90 리텐션
기능 사용 전후의 방문 빈도 변화
신규 가입자 중 마이데이터 연결 고객의 이탈률
동일한 고객군에서 마이데이터 노출군과 비노출군의 차이
다른 금융상품 가입 여부를 통제한 순수 효과

이러한 자료는 은행 내부 데이터로 존재할 가능성이 높지만, 외부에는 거의 공개되지 않습니다.

국내 사례 해석

사례 유형	확인 가능한 효과	리텐션 해석
통합자산조회	초기 연결과 조회 증가	초기 활성화 근거
소비분석	월간·주간 재방문 가능성	반복 사용 가능성
대출·연금 관리	금융 의사결정 지원	특정 고객군 리텐션 가능
상품추천	전환·수익화	리텐션보다 매출 효과에 가까움
AI 금융코칭	차별화 가능성	아직 검증 부족

판단

국내 은행의 마이데이터가 고객 접점을 확대했다는 주장: 중간~높음
국내 은행 간 리텐션 효과를 비교할 수 있는 공개 자료: 낮음
가입자·연결계좌 수를 리텐션 증거로 사용하는 것: 낮은 타당도
내부 실험 설계의 필요성: 높음

4. 해외 오픈뱅킹·개인금융관리 사례에서 무엇을 배울 수 있는가?

핵심 질문

한국의 마이데이터와 해외 오픈뱅킹·PFM 서비스의 성과는 어떻게 비교할 수 있는가?

주류 관점

해외 사례는 크게 세 가지 모델로 나뉩니다.

1. 통합조회형

여러 계좌와 카드를 한 화면에 보여주는 모델입니다.

장점은 빠른 가치 전달이지만, 경쟁 서비스 간 차별화가 약합니다.

2. 행동관리형

예산, 저축, 현금흐름, 청구서, 신용점수 등을 관리하는 모델입니다.

사용자가 매일 또는 매주 확인할 이유가 있어 통합조회형보다 리텐션 가능성이 높습니다.

3. 수익화 연결형

무료 금융관리 도구를 제공한 뒤 대출, 예금, 카드, 투자, 상담으로 연결하는 모델입니다.

사용자에게 실질적 가치를 제공하면 강력하지만, 추천의 편향성과 개인정보 활용에 대한 불신이 문제가 됩니다.

주요 해외 근거

영국 오픈뱅킹

영국에서는 오픈뱅킹 API와 계좌정보서비스가 확대되면서 개인금융관리, 결제, 대출 심사, 회계 자동화 서비스가 발전했습니다.

그러나 오픈뱅킹 이용자 수 증가가 곧 금융 앱의 장기 리텐션을 뜻하지는 않습니다. 결제·송금처럼 빈도 높은 사용 사례가 있는 서비스가 상대적으로 유리합니다.

미국 PFM 서비스

Mint, Credit Karma, Empower 등은 통합 금융정보를 신용점수, 대출, 투자, 광고·추천 모델과 결합했습니다.

여기서 중요한 교훈은 금융 데이터가 그 자체로 제품이 아니라는 점입니다. 데이터는 다음 중 하나로 전환되어야 합니다.

돈을 절약하게 함
위험을 줄임
의사결정을 단순화함
금융상품 탐색 비용을 낮춤
미래 상황을 예측함

반론과 한계

한국과 해외의 데이터를 직접 비교하기는 어렵습니다.

한국은 금융기관 중심의 제도화된 마이데이터 구조를 가짐
미국은 민간 핀테크·데이터 집계 사업자 중심
영국은 오픈뱅킹 결제와 API 생태계 중심
국가별 앱 사용 습관과 금융상품 구조가 다름
개인정보 동의 방식과 규제 수준이 다름

따라서 해외의 MAU나 가입자 증가율을 국내 은행의 예상 리텐션으로 그대로 적용해서는 안 됩니다.

판단

해외 사례가 기능 전략에 주는 시사점: 높음
해외 리텐션 수치를 한국에 직접 적용할 수 있는 정도: 낮음
빈번한 핵심 사용 사례와 결합해야 한다는 교훈: 높음

5. 마이데이터의 리텐션 효과를 어떻게 검증해야 하는가?

핵심 질문

신규 기능 도입 전에 경영진에게 제시할 수 있는 가장 신뢰도 높은 검증 방법은 무엇인가?

권장 측정모델

마이데이터 기능은 다음 퍼널로 관리하는 것이 좋습니다.

노출
  ↓
데이터 연결 시작
  ↓
첫 연결 완료
  ↓
첫 가치 경험
  ↓
주간·월간 반복 사용
  ↓
금융 행동 발생
  ↓
장기 리텐션·수익성

각 단계의 핵심 지표는 다음과 같습니다.

초기 활성화

마이데이터 연결 시작률
연결 완료율
평균 연결 기관 수
최초 가치 경험까지 걸린 시간
연결 실패율
동의 철회율

반복 사용

D7, D30, D90 리텐션
주간 활성 사용자 비율
월간 활성 사용자 비율
사용자당 월간 방문일 수
4주 연속 사용률
알림 후 재방문율

사업성과

예적금·대출·카드·투자 전환율
고객당 상품 보유 수
주거래 계좌 유지율
이탈률
고객센터 문의·민원 변화
고객생애가치와 서비스 운영비

가장 좋은 실험 설계

가능하다면 다음 중 하나를 권장합니다.

A/B 테스트

A군: 기존 자산관리 화면
B군: 마이데이터 기반 현금흐름·목표관리 화면
기간: 최소 8~12주
주요 결과: D30/D90 리텐션, 월간 방문일 수, 금융행동

단계적 출시

지역, 고객군, 앱 버전별로 순차 출시하고 전후 변화를 비교합니다.

차분의 차분법

마이데이터 기능에 노출된 고객군과 아직 노출되지 않은 고객군의 변화를 비교합니다. 단, 고객군 선택 편향을 통제해야 합니다.

권장 초기 가설

경영진에게는 다음처럼 구체적인 가설로 제시하는 것이 좋습니다.

“단순 통합자산조회보다 월간 현금흐름 예측과 목표관리 기능을 제공한 고객은 8주 후 재방문율이 더 높을 것이다.”

예시 목표치는 내부 기준선 확인 후 설정해야 하지만, 다음과 같이 설계할 수 있습니다.

D30 리텐션: 대조군 대비 +3~5%p
월간 방문일 수: +1~2일
4주 연속 사용률: +5% 이상
데이터 연결 후 금융행동 전환율: +10% 이상
동의 철회율: 기존 대비 증가하지 않을 것

이 수치는 산업 평균이 아니라 검증을 위한 가설 목표치로 표시해야 합니다.

종합 분석

통합 결론

마이데이터는 리텐션을 직접 만드는 기능이라기보다, 리텐션을 만들 수 있는 개인화 기반시설에 가깝습니다.

효과는 다음과 같은 조건에서 커집니다.

데이터 연결
× 데이터 정확성
× 개인화 수준
× 반복 사용 이유
× 신뢰와 통제감
= 리텐션 효과

어느 하나라도 낮으면 전체 효과가 약해집니다.

데이터는 많지만 정확하지 않으면 신뢰가 무너집니다.
개인화는 높지만 행동으로 이어지지 않으면 방문이 반복되지 않습니다.
기능은 유용하지만 동의 절차가 복잡하면 활성화가 떨어집니다.
추천은 많지만 판매 편향으로 보이면 장기 리텐션에 악영향을 줍니다.

가장 중요한 패턴

1. 통합조회는 진입 기능이고, 현금흐름 관리는 반복 기능이다

자산을 한눈에 보여주는 것은 첫 사용을 유도합니다. 반복 사용은 “이번 달 돈이 부족한가”, “목표에 얼마나 가까워졌는가”, “다음 결제일에 문제가 없는가” 같은 질문에서 발생합니다.

2. 리텐션 효과는 고객군별로 다르다

모든 고객에게 동일한 효과를 기대해서는 안 됩니다.

효과가 클 가능성이 높은 세그먼트:

다기관 이용자
대출 보유자
카드·구독 지출이 많은 고객
투자·연금 보유자
재무목표가 명확한 고객
소득과 지출 변동성이 큰 고객

효과가 낮을 가능성이 높은 세그먼트:

한 금융기관만 사용하는 고객
금융자산이 단순한 고객
앱 방문 빈도가 낮은 고객
개인정보 제공에 민감한 고객
단순 잔액 확인만 원하는 고객

3. 리텐션보다 수익화가 더 빠르게 나타날 수 있다

마이데이터 기능은 장기 리텐션이 입증되기 전에 상품 추천, 대출 전환, 예적금 가입 등 단기 사업성과를 만들어낼 수 있습니다.

따라서 경영진 설득 시 다음 두 축을 분리하는 것이 좋습니다.

고객가치: 재방문, 금융상태 개선, 관리 편의성
사업가치: 상품 전환, 주거래화, 이탈 방지, 상담 효율화

경영진 설득용 핵심 메시지

다음과 같이 표현하는 것이 가장 안전합니다.

“공개된 시장 자료는 마이데이터가 고객 리텐션을 자동으로 개선한다는 것을 입증하지 않는다. 그러나 금융 데이터를 통합해 현금흐름 예측, 목표관리, 부채관리와 같은 반복적 의사결정 기능으로 전환하면, 특정 고객군의 재방문과 주거래화를 높일 합리적 가능성이 있다. 따라서 전면 도입의 성공 여부는 기능 출시 자체가 아니라 D30/D90 리텐션과 금융행동 전환을 검증하는 실험 설계에 달려 있다.”

핵심 리스크와 지식 공백

주요 한계

국내 은행별 D30/D90 리텐션 데이터 부족
가입자 수와 지속 사용을 혼동하는 산업 보고서
마이데이터 사용자 자체가 원래 금융관심도가 높은 자기선택 편향
금융상품 추천이 리텐션인지 단기 전환인지 구분하기 어려움
연결 데이터의 오류·갱신 지연 문제
개인정보 제공 피로와 동의 철회 가능성
생성형 AI 금융상담의 설명가능성과 책임 문제
은행별 앱 UX와 고객 기반 차이로 인한 비교 한계

신뢰도 평가

주장	신뢰도
마이데이터 이용과 연결 데이터가 확대되고 있다	높음
통합조회가 초기 활성화를 높인다	중간~높음
단순 통합조회만으로 장기 리텐션이 보장된다	낮음
현금흐름·목표관리 기능이 반복 사용을 만들 가능성이 높다	중간
해외 PFM 사례를 국내 리텐션 수치로 직접 적용할 수 있다	낮음
국내 은행 마이데이터의 실제 D90 리텐션 효과가 공개적으로 입증됐다	낮음
자체 A/B 테스트가 필요하다	높음

참고자료

금융위원회, 「금융 마이데이터 2.0 추진방안」, 2024
https://www.fsc.go.kr
금융감독원, 금융 마이데이터 서비스·사업자 관련 보도자료
https://www.fss.or.kr
한국신용정보원, 금융 마이데이터 및 신용정보 산업 자료
https://www.kcredit.or.kr
UK Open Banking Limited, Open Banking Impact and Usage Reports
https://www.openbanking.org.uk
Consumer Financial Protection Bureau, Personal Financial Data Rights
https://www.consumerfinance.gov
Intuit, Mint service transition announcement, 2023~2024
https://mint.intuit.com
Empower Personal Dashboard
https://www.empower.com
European Commission, Revised Payment Services Directive and open banking materials
https://finance.ec.europa.eu

주의할 점은 위 자료 상당수가 정책 현황, 이용자 수, 산업 동향을 다루며, 은행별 인과적 리텐션 효과를 직접 측정한 연구는 아닙니다. 따라서 사업계획서에는 시장자료와 내부 실험 결과를 분리해 제시하는 것이 바람직합니다.

More in this category

ai model card
Autonomous Research & Data Analysis Agent
Claude Deep Prompt
Deep Investigation Agent
Deep Research Agent Role

Categories

Deep Research - Gemini

What this prompt does

Model comparison

결론 요약

1. 마이데이터는 실제로 금융 앱 리텐션을 높이는가?

핵심 질문

주류 관점

반론과 대안적 관점

최근 동향: 2024~2026

데이터와 근거

판단

2. 어떤 기능이 실제 반복 사용을 만들어내는가?

핵심 질문

주류 관점

반복 사용성이 상대적으로 높은 기능

반론과 대안적 관점

최근 동향

해외 사례

Mint

Empower Personal Dashboard

Revolut

판단

3. 국내 은행 사례는 어떤 성과를 보여주는가?

핵심 질문

주류 관점

반론과 대안적 관점

국내 사례 해석

판단

4. 해외 오픈뱅킹·개인금융관리 사례에서 무엇을 배울 수 있는가?

핵심 질문

주류 관점

1. 통합조회형

2. 행동관리형

3. 수익화 연결형

주요 해외 근거

영국 오픈뱅킹

미국 PFM 서비스

반론과 한계

판단

5. 마이데이터의 리텐션 효과를 어떻게 검증해야 하는가?

핵심 질문

권장 측정모델

초기 활성화

반복 사용

사업성과

가장 좋은 실험 설계

A/B 테스트

단계적 출시

차분의 차분법

권장 초기 가설

종합 분석

통합 결론

가장 중요한 패턴

1. 통합조회는 진입 기능이고, 현금흐름 관리는 반복 기능이다

2. 리텐션 효과는 고객군별로 다르다

3. 리텐션보다 수익화가 더 빠르게 나타날 수 있다

경영진 설득용 핵심 메시지

핵심 리스크와 지식 공백

주요 한계

신뢰도 평가

참고자료

More in this category