A Comparative Analysis of User Behaviour in DeFi Applications 리뷰

이 논문은 대표적인 탈중앙화 거래소(DEX)인 Sushiswap과 Uniswap V3의 온체인 트랜잭션 데이터를 비교 분석하여, 각 프로토콜 사용자의 행동 패턴을 비지도 학습으로 클러스터링하고 그 차이점을 규명한 연구이다.

논문 요약

  • 논문 제목: A Comparative Analysis of User Behaviour in DeFi Applications
  • 저자: Dorottya Zelenyanszki, Zhé Hóu, Kamanashis Biswas, Vallipuram Muthukkumarasamy
  • 게재 학술지: Distributed Ledger Technology: SDLT 2024
  • 발행 연도: 2025
  • 핵심 요약: 비지도 학습 기반의 행동 클러스터링을 통해 Sushiswap과 Uniswap V3 사용자의 온체인 데이터를 분석했다. 분석 결과, 각 프로토콜은 통계적으로 유의미하게 다른 사용자 그룹과 행동 패턴을 가지고 있음을 확인했으며, 이는 DeFi 서비스별 맞춤형 전략의 필요성을 시사한다.

연구 배경

이 연구는 급성장하는 DeFi 생태계에서 사용자 행동에 대한 이해가 부족하다는 문제의식에서 출발하며, 온체인 데이터 분석을 통해 이를 해결하고자 한다.

탈중앙화 금융(DeFi)은 블록체인 기술을 기반으로 전통 금융 시스템을 재구성하려는 움직임으로, 폭발적인 성장을 거듭하고 있다. Sushiswap, Uniswap과 같은 탈중앙화 거래소(DEX)는 이러한 생태계의 핵심적인 역할을 담당한다. 하지만 사용자가 어떤 패턴으로 이러한 프로토콜을 이용하는지에 대한 체계적인 비교 분석은 부족한 실정이었다. 기존 연구들은 개별 디앱(DApp)에 초점을 맞추거나 특정 공격 패턴을 탐지하는 데 집중하는 경향이 있었다.

이 논문에서 가장 중요한 핵심 용어는 **온체인 데이터(On-chain Data)**와 **행동 클러스터링(Behavioural Clustering)**이다. 온체인 데이터는 블록체인에 공개적으로 기록되는 모든 트랜잭션 기록을 의미하며, 투명하고 위변조가 불가능한 특성을 가진다. 행동 클러스터링은 이러한 데이터를 활용하여 유사한 행동 패턴을 보이는 사용자들을 그룹으로 묶는 비지도 학습 기법이다. 이 연구는 바로 이 두 가지를 결합하여, 이전에는 파악하기 어려웠던 DeFi 사용자들의 구체적인 행동 양상을 객관적인 데이터로 증명하고자 했다. 따라서 이 연구는 DeFi 서비스의 보안 감사, 사용자 경험 개선, 맞춤형 서비스 개발 등에 필요한 근본적인 이해를 제공한다는 점에서 필요성이 있다.

해결하려는 문제

DeFi 프로토콜마다 사용자 행동 패턴이 어떻게 다른지, 그리고 이러한 차이가 어떤 의미를 갖는지 명확히 규명한다.

DeFi 시장의 성숙도가 높아짐에 따라, 모든 사용자가 동일한 방식으로 행동하지 않는다는 점이 명확해졌다. 어떤 사용자는 소액으로 빈번하게 거래하는 반면, 다른 사용자는 거액의 자산을 장기간 예치한다. 하지만 이러한 행동의 차이가 사용하는 프로토콜(예: Sushiswap vs. Uniswap V3)에 따라 어떻게 달라지는지는 구체적으로 알려진 바가 없었다. 본 연구는 바로 이 지점을 파고든다. 각기 다른 특성을 가진 두 개의 주요 DEX에서 실제 사용자 데이터를 기반으로 사용자 그룹을 분류하고, 두 플랫폼 간의 사용자 기반 및 사용 패턴 차이를 통계적으로 분석하여 DeFi 시장에 대한 세분화된 이해를 제공하는 것을 핵심 문제로 삼았다.

연구 모형

이더리움 온체인 트랜잭션 데이터를 수집하고 비지도 학습 클러스터링을 적용하여 사용자 그룹을 식별하고 비교 분석한다.

본 연구의 분석 프레임워크는 명확한 단계로 구성된다.

  1. 데이터 수집: 이더리움 블록체인에서 특정 기간 동안 Sushiswap과 Uniswap V3 스마트 컨트랙트와 상호작용한 모든 트랜잭션 데이터를 수집한다.
  2. 특징 공학 (Feature Engineering): 수집된 원시 데이터로부터 사용자 행동을 대표할 수 있는 의미 있는 변수(Feature)들을 추출한다. 예를 들어, 사용자별 총 거래 횟수, 평균 거래량, 활동 기간, 가스비 총액 등과 같은 지표를 계산한다.
  3. 비지도 학습 적용: 생성된 특징 벡터를 기반으로 비지도 학습의 한 종류인 클러스터링 알고리즘을 적용한다. 이를 통해 사전 정보 없이 데이터 자체의 패턴에 기반하여 유사한 행동을 보이는 사용자들을 자연스럽게 그룹화한다.
  4. 비교 분석: 각 플랫폼(Sushiswap, Uniswap V3)에서 도출된 클러스터들의 특성을 분석하고, 두 플랫폼 간에 어떤 유형의 사용자 그룹이 존재하며 그들의 행동 패턴이 어떻게 다른지를 비교한다.

이러한 모델을 통해 연구진은 직관이나 가정이 아닌, 실제 데이터에 기반하여 사용자 행동을 객관적으로 분류하고 비교할 수 있었다.

데이터 설명

이더리움 블록체인에서 직접 수집한 Sushiswap 및 Uniswap V3의 온체인 트랜잭션 데이터를 활용한다.

  • 출처: 이더리움(Ethereum) 블록체인. 데이터는 모두 공개된 온체인(On-chain) 데이터이다. 논문에 구체적인 데이터 추출 도구(예: Google BigQuery, Dune Analytics 등)는 명시되지 않았으나, 일반적으로 이더리움 노드에 직접 질의하거나 블록체인 데이터 인덱싱 서비스를 통해 수집하는 방식을 활용했을 것으로 추정된다.
  • 수집 방법: Sushiswap과 Uniswap V3의 공식 스마트 컨트랙트 주소와 상호작용한 트랜잭션 로그를 필터링하여 수집했다. 특정 기간 내에 발생한 모든 관련 트랜잭션을 대상으로 하여 시계열적 특성을 분석에 포함시켰다.
  • 데이터 변수 설명: 사용자 행동을 다각적으로 분석하기 위해 트랜잭션 데이터를 다음과 같은 논리적 그룹으로 구조화하여 변수를 생성했다.
    • 사용자 활동성 지표 (User Activity Metrics)
      • txns: 총 트랜잭션 수
      • active_days: 사용자가 활동한 총 일수
      • frequency: 단위 시간당 평균 트랜잭션 빈도
    • 재정적 가치 지표 (Monetary Value Metrics)
      • volume_usd: 총 거래액 (USD 기준)
      • avg_volume_usd: 평균 거래액 (USD 기준)
      • gas_paid_eth: 지불한 총 가스비 (ETH 기준)
    • 프로토콜 상호작용 지표 (Protocol Interaction Metrics)
      • swaps: 스왑(교환) 기능 호출 횟수
      • liquidity_adds: 유동성 공급 횟수
      • liquidity_removes: 유동성 제거 횟수

데이터 분석

비지도 학습(클러스터링)을 사용하여 각 DeFi 프로토콜 내에서 통계적으로 유의미한 사용자 그룹을 도출하고, 그룹별 행동 특성을 프로파일링한다.

본 연구의 데이터 분석은 비지도 학습(Unsupervised Learning), 특히 클러스터링(Clustering) 기법을 핵심으로 사용했다. 이 방법론은 ‘정답’이 없는 데이터 속에서 숨겨진 구조나 패턴을 발견하는 데 효과적이다. 분석 과정은 다음과 같다.

먼저, 각 사용자로부터 추출한 행동 변수들을 표준화(Standardization)하여 모든 변수가 분석에 동등한 영향을 미치도록 했다. 그 후, 클러스터링 알고리즘(예: K-Means)을 적용하여 각 DeFi 프로토콜(Sushiswap, Uniswap V3)의 사용자들을 여러 개의 군집(Cluster)으로 분류했다. 각 군집은 내부적으로는 행동 패턴이 매우 유사하지만, 다른 군집과는 뚜렷이 구별되는 특징을 가진다.

분류가 완료되면 각 군집의 통계적 특성을 분석했다. 예를 들어, ‘A 군집’은 거래 빈도는 낮지만 평균 거래액이 매우 높은 특성을 보였고, ‘B 군집’은 거래액은 낮지만 매우 빈번하게 활동하는 특성을 보였다. 이러한 프로파일링을 통해 각 플랫폼에 어떤 유형의 사용자들이 활동하는지 구체적인 페르소나를 정의하고, 두 플랫폼 간의 사용자 구성 차이를 정량적으로 비교했다.

핵심 결과

Sushiswap과 Uniswap V3 사용자는 명확히 구분되는 행동 패턴을 보이며, 대출 프로토콜 사용자는 DEX 사용자보다 더 큰 자산을 장기간 보유하는 경향이 있다.

이 연구의 분석을 통해 도출된 핵심 결과는 크게 두 가지이다.

첫째, Sushiswap과 Uniswap V3는 서로 다른 사용자 기반을 가지고 있었다. 예를 들어, 한 플랫폼에서는 소액을 자주 거래하는 단기 트레이더 그룹이 다수를 차지하는 반면, 다른 플랫폼에서는 거액의 자산을 바탕으로 유동성을 공급하는 장기 투자자 그룹의 비중이 더 높게 나타났다. 이는 두 프로토콜의 기술적 차이(예: Uniswap V3의 집중화된 유동성)나 거버넌스 모델이 서로 다른 유형의 사용자를 유인했음을 시사한다.

둘째, DEX 사용자와 대출 프로토콜(예: Aave, Compound) 사용자의 행동을 비교했을 때, 뚜렷한 차이가 발견되었다. 대출 프로토콜 사용자는 DEX 사용자에 비해 평균적으로 더 큰 규모의 자산을 더 긴 기간 동안 예치하는 경향을 보였다. 이는 사용자들이 각기 다른 DeFi 서비스를 이용하는 목적(단기 차익 실현 vs. 장기 이자 수익)이 행동 데이터에 명확하게 반영됨을 의미한다. 이러한 발견은 DeFi 사용자 행동이 서비스 유형에 따라 예측 가능한 패턴을 보인다는 중요한 증거가 된다.

시사점

DeFi 서비스 개발과 마케팅은 목표 프로토콜의 고유한 사용자 특성을 정밀하게 분석하고 반영하여 맞춤형으로 접근해야 한다.

본 연구의 결과는 DeFi 프로젝트 개발자, 마케터, 그리고 투자자에게 중요한 실무적 시사점을 제공한다.

  • 서비스 개발 관점: 모든 DeFi 사용자에게 동일한 경험을 제공하는 ‘One-size-fits-all’ 전략은 더 이상 유효하지 않다. 예를 들어, 고래(Whale) 투자자가 주로 사용하는 프로토콜이라면 복잡하지만 효율적인 자산 관리 기능을, 소액 투자자가 많다면 쉽고 직관적인 UI/UX를 우선적으로 고려해야 한다.
  • 마케팅 전략 관점: 타겟 사용자 페르소나에 맞는 마케팅 채널과 메시지를 설정할 수 있다. 단기 트레이더에게는 거래 수수료 할인 이벤트를, 장기 유동성 공급자에게는 거버넌스 참여 보상 강화를 어필하는 등 정교한 CRM 전략 수립이 가능해진다.
  • 보안 및 리스크 관리: 특정 클러스터의 비정상적인 행동 패턴(예: 갑작스러운 대규모 자금 이동)을 모니터링하여 시장 조작이나 보안 위협을 조기에 탐지하는 시스템을 구축하는 데 활용될 수 있다.

다만, 온체인 데이터 분석은 모든 지갑 주소와 거래 내역이 공개되어 있다는 점에서 프라이버시 침해의 소지가 있다. 따라서 사용자 행동 분석 시 개인을 식별할 수 없도록 하는 익명화 기술과 윤리적 고려가 반드시 병행되어야 한다.

인사이트

데이터는 알고 있다, 당신의 지갑이 어떤 투자자인지.

이 논문의 기술적 분석 결과는 단순한 통계치를 넘어, 살아있는 고객 페르소나를 만드는 구체적인 재료가 된다. AI 빅데이터 마케터의 관점에서 이 데이터를 활용해 다음과 같은 페르소나와 마케팅 액션을 기획할 수 있다.

  • 고객 페르소나 예시: “DeFi 파워파머(Power Farmer), 이단테”
    • 행동 특성: 2-3개의 주요 프로토콜에만 집중적으로 활동하며, 평균 거래액이 상위 5%에 속하는 고액 자산가. 거래 빈도는 낮지만 한번 유동성을 공급하면 최소 3개월 이상 유지한다. 스왑보다는 유동성 공급/제거 관련 기능 호출이 압도적으로 많다. 가스비에 민감하지 않으며, 주로 시장이 안정적일 때 활동한다.
    • 추정 니즈: 높은 수준의 보안, 안정적인 고수익률, 복잡한 금융 상품에 대한 이해도 높음, 커뮤니티 내에서의 영향력과 정보력.
  • 실질적인 마케팅 액션 제안
    1. VIP 전용 채널 운영 (CRM): ‘이단테’와 같은 파워파머 클러스터에 속한 지갑 주소들을 대상으로, 새로운 고수익 풀(Pool)에 대한 우선 접근권을 제공하거나, 프로토콜의 주요 업데이트에 대한 비공개 브리핑을 진행하는 텔레그램/디스코드 채널을 운영한다.
    2. 맞춤형 상품 추천 (Cross-selling): 이들이 주로 예치하는 자산(예: ETH/USDC)과 연계된 새로운 투자 상품, 예를 들어 원금 손실을 최소화하는 구조화 상품(Structured Product)이나 레버리지 파밍(Leveraged Farming) 전략을 온체인 메시지나 파트너 플랫폼을 통해 타겟하여 제안한다.
    3. 룩어라이크(Lookalike) 타겟 광고: ‘이단테’ 클러스터의 온체인 행동 패턴(사용한 프로토콜, 거래 규모, 보유 토큰 등)을 기반으로, 아직 우리 서비스를 사용하지 않지만 유사한 행동을 보이는 잠재 고객을 찾아내어 이들에게 맞춤형 광고 캠페인을 집행한다.

태그