Sales Analytics MCP Server

Ein benutzerdefinierter Model Context Protocol (MCP)-Server, der Claude Desktop direkten, sicheren Zugriff auf eine Live-Vertriebsdatenbank ermöglicht – und damit ein Python-Analytics-Backend in ein wiederverwendbares Werkzeug verwandelt, das jeder MCP-kompatible KI-Assistent nutzen kann, ohne eine einzige Integration pro Anwendung zu schreiben.

Was ist MCP und warum einen Server dafür bauen?

Model Context Protocol ist ein offener Standard (entwickelt von Anthropic), der es KI-Assistenten ermöglicht, sich über eine gemeinsame Schnittstelle mit externen Tools und Datenquellen zu verbinden – anstatt dass jeder Assistent für jedes Tool eine individuell gebaute Integration benötigt. Einen MCP-Server zu schreiben bedeutet, die Verbindung einmal pro Datenquelle aufzubauen – und jeder MCP-kompatible Client (Claude Desktop, Claude Code oder andere MCP-fähige Anwendungen) kann ihn sofort nutzen, ohne pro Anwendung Nacharbeit.

Dieses Projekt stellt eine echte PostgreSQL-Vertriebsdatenbank (dieselbe, die auch in ai-analytics-agent verwendet wird) als eine Reihe von MCP-Tools bereit, sodass Claude sie abfragen, ihr Schema inspizieren und Anomalieerkennung durchführen kann – direkt innerhalb eines normalen Gesprächs.

Related MCP server: pg-mcp

Architektur

graph LR
    A[Claude Desktop] -->|MCP protocol| B[Sales Analytics<br/>MCP Server]
    B --> C[get_database_schema]
    B --> D[run_sql_query]
    B --> E[find_sales_anomalies]
    C --> F[(Supabase / PostgreSQL)]
    D --> F
    E --> F

Verfügbare Tools

Tech-Stack

Entwicklungshinweise

• Einen breaking SDK-Wechsel mitten in der Entwicklung abgefangen: Das MCP-Python-SDK veröffentlichte eine Major-Version (2.0.0), die nur FastMCP in MCPServer umbenannte und dessen Importpfad verschob – genau in der Phase, in der dieses Projekt gebaut wurde. Der Server wurde auf die neue API aktualisiert, statt eine ältere Version zu pinnen, daher spiegelt der Code die aktuellen SDK-Oberfläche wider.

• Claude wählt seine eigene Tool-Strategie: Als gebeten wurde, Anomalien zu finden, bevor find_sales_anomalies existierte, nutzte Claude eigenständig run_sql_query zur Untersuchung – prüfte auf doppelte Zeilen, negative Beträge und Aufschlüsselungen pro Kategorie auf eigene Initiative und gelangte so zur selben Grundursache, die das dedizierte Tool später bestätigte. Dies ist eine nützliche Veranschaulichung, wie ein LLM-Client tatsächlich zwischen einem allgemeinen und einem spezialisierten Tool wählt, statt immer das "offensichtliche" dedizierte zu bevorzugen.

• Dasselbe Sicherheitsmodell wie beim Text-to-SQL-Agenten: run_sql_query verwendet dieselben read-only-Schutzmechanismen wie das Python-basierte Text-to-SQL-Projekt – ein gutes Beispiel, warum sich das einmalige, sorgfältige Bauen der Sicherheitslogik lohnt, wenn sie in einem zweiten, unabhängigen Tool wiederverwendet wird.

Einrichtung

1. Abhängigkeiten installieren:

   pip install -r requirements.txt

2. Eine .env-Datei mit folgendem Inhalt anlegen: DATABASE_URL=your_postgresql_connection_string

3. Den Server zur Konfigurationsdatei von Claude Desktop hinzufügen (claude_desktop_config.json):

   {
     "mcpServers": {
       "sales-analytics": {
         "command": "python",
         "args": ["/full/path/to/server.py"]
       }
     }
   }

4. Claude Desktop vollständig neu starten (beenden Sie es über Task Manager / Aktivitätsmanager, nicht nur Fenster schließen)

5. Einen neuen Chat starten und Claude etwas wie folgt fragen:

   "Welche Tabellen sind verfügbar und gibt es Verkaufsanomalien, die ich kennen sollte?"

Beispielinteraktion