A mediados de enero, un fenómeno sorprendió a muchos: la cuenta oficial de una de las principales cadenas públicas publicó directamente datos en la cadena de Starknet, con usuarios activos diarios en cifras de un solo dígito, acompañados de un texto con tono de burla. Aunque esta publicación fue solo un ejemplo, tocó un problema real: ¿cómo es que proyectos que en su día recaudaron cientos de millones de dólares y fueron conocidos como los "Cuatro Grandes de L2" ahora han llegado a este punto?

De hecho, muchas cadenas públicas ahora tienen poca actividad. Pero que una cuenta oficial se burle directamente de sus competidores, es algo poco común. Esto despertó mi curiosidad: ¿qué queda realmente en la cadena después de que la fiebre de los airdrops se ha calmado y el dinero caliente se ha dispersado en proyectos que alguna vez fueron populares?

Para entender mejor esta situación, pedí a alguien que escribiera un script en Python que se conectara directamente a los nodos RPC de las principales cadenas públicas y extrajera los datos de bloques originales de los días 15 y 16 de enero. La clave está en cómo procesar estos datos para que reflejen la realidad — hay ciertos detalles importantes.

El primer problema es la arquitectura especial de Eclipse, que utiliza SVM. En sus datos en la cadena se mezclan millones de votos de consenso provenientes de nodos de validación, estos "Votos del Sistema" no representan interacciones reales de usuarios y deben ser eliminados. De lo contrario, los datos se inflarían de manera irreal.

El segundo problema es la limpieza de datos en cadenas basadas en EVM. Para Arbitrum, Base, Scroll, zkSync, Starknet, establecí un filtro con un "Nonce > 10". Esto ayuda a excluir cuentas recién creadas que solo han realizado unas pocas transacciones, conocidas como cuentas de "uso diario" o cuentas de lanzamiento rápido. La mayoría de estas cuentas son creadas por bots para recibir airdrops y no representan usuarios reales. Solo las cuentas con más de 10 interacciones se consideran en la estadística de usuarios principales.

Con este proceso de limpieza, podemos acercarnos más a la verdadera salud de cada cadena pública. No se trata solo de comparar el número de transacciones, sino de responder a la pregunta: ¿cuántos usuarios realmente permanecen y participan activamente en la cadena? ¿Con qué frecuencia interactúan?

Este enfoque es muy importante. Porque cualquier cadena puede afirmar tener millones de usuarios activos diarios y volúmenes de transacción altísimos. Pero solo después de eliminar bots y limpiar los datos de ruido, se puede ver claramente quién tiene un ecosistema real y quién solo fue una moda pasajera. Para inversores y desarrolladores, esta cifra real vale más que cualquier campaña de marketing.