POC zur Analyse der Kundenmigration im Versicherungsbereich

Ein produktionsreifer Proof-of-Concept, der die Analyse der Kundenmigration mit folgenden Komponenten demonstriert:

• Datenebene: Mock-Altdaten (Excel) + neue Produktdaten (CSV) + Wettbewerberdaten

• MCP-Server: Datenzugriffstools, die CrewAI-Agenten bereitstehen

• CrewAI: Query-Router + Analyse-Agenten für mehrstufige Schlussfolgerungen

• Gradio-UI: Führungskräftefreundliche Benutzeroberfläche mit natürlicher Sprache

Architektur

Executive Question
    ↓
Gradio UI
    ↓
CrewAI Router Agent (query understanding)
    ↓
CrewAI Analysis Agent (data fetching + insights)
    ↓
MCP Tools (GetRenewedCount, GetLeftCount, etc.)
    ↓
Data Layer (pandas + Excel/CSV queries)
    ↓
Response formatted for executives

Related MCP server: Database MCP Server

Einrichtung

1. Abhängigkeiten installieren

# Install using uv (recommended)
uv sync

# OR using pip
pip install -r requirements.txt

2. Umgebung einrichten

cp .env.example .env
# Edit .env and add your ANTHROPIC_API_KEY

3. Mock-Daten generieren

python -m demo_redshift_mcp.data_generator

Dadurch werden folgende Dateien erstellt:

• data/legacy_product.xlsx – 900 Bestandskunden

• data/new_product_customers.csv – 100 Kunden des neuen Produkts

• data/competitor_coverage.csv – Wettbewerbshistorie

Ausführen der Anwendung

Web-UI (empfohlen)

# Launch Gradio interface
python -m demo_redshift_mcp

# Opens at http://localhost:7860

Befehlszeile (Test)

python -c "
from src.demo_redshift_mcp.crew_agents import run_customer_migration_analysis
result = run_customer_migration_analysis('How many customers renewed?')
print(result)
"

Beispielfragen für Führungskräfte

1. „Wie viele Kunden sind in das neue Produkt gewechselt?"

   • Gibt zurück: Anzahl + Prozentsatz der Migrationserfolge

2. „Wie viele Kunden haben uns verlassen und sind zu Wettbewerbern gewechselt?"

   • Gibt zurück: Anzahl + Aufschlüsselung nach Status (ACTIVE/EXPIRED/CANCELLED)

3. „Wie viele Kunden sind von Wettbewerbern zurückgekehrt und warum?"

   • Gibt zurück: Anzahl der Rückkehrer + Gründe (Preis, Funktionen usw.)

4. „Wie lautet die Gesamtzusammenfassung der Migration?"

   • Gibt zurück: Umfassende Analyse aller Segmente

5. „Erzählen Sie mir von Kunden in Kalifornien"

   • Gibt zurück: Bundesstaatspezifische Kennzahlen

6. „Wer hat das CONNECTED-Feature übernommen?"

   • Gibt zurück: Aufschlüsselung der Feature-Adoption

Projektstruktur

demo-redshift-mcp/
├── src/demo_redshift_mcp/
│   ├── app.py                 # Gradio UI entry point
│   ├── crew_agents.py         # CrewAI agents + workflow
│   ├── mcp_server.py          # MCP tools definition
│   ├── data_layer.py          # Data access logic
│   ├── data_generator.py      # Mock data generation
│   └── __init__.py
├── data/                      # Generated mock data
│   ├── legacy_product.xlsx
│   ├── new_product_customers.csv
│   └── competitor_coverage.csv
├── INSURANCE_POC_ARCHITECTURE.md
├── pyproject.toml
└── .env

Wichtige Designentscheidungen

Datentrennung (Excel vs. CSV)

• Altbestand: Excel (simuliert bestehende Systeme)

• Neues Produkt: CSV in „Redshift" (simuliert Cloud-OLAP)

• Grund: Testet die applikationsübergreifende Join-Logik frühzeitig

MCP statt direkter Abfragen

• Saubere Abstraktion zwischen Daten und Schlussfolgerungen

• Produktionsreif: CSV später durch Redshift ersetzen

• Agenten bleiben auf die Analyse fokussiert, nicht auf die Verkabelung

Vorlage + dynamisches Fallback

• Schneller Pfad: vordefinierte Abfragen für häufige Fragen

• Flexibler Pfad: CrewAI erstellt Logik für Randfälle

• Weiche Inferenz: kombiniert Preis- und Funktionssignale, um zu erklären, warum Kunden zurückgekehrt sind

Nächste Schritte

Phase 1: Daten ✅

• Generierung von Mock-Daten (900 Altkunden, 100 Neukunden, Wettbewerbsabdeckung)

Phase 2: MCP ✅

• Datenzugriff-Tools (GetRenewedCount, GetLeftCount usw.)

Phase 3: CrewAI ✅

• Query-Router + Analyse-Agenten

Phase 4: Testing

• Beispielfragen ausführen und Genauigkeit überprüfen

• Grenzfälle testen

Phase 5: UI ✅

• Gradio-Oberfläche für Führungskräfte

Zukünftige Erweiterungen

• CSV durch echtes AWS Redshift ersetzen

• Dashboards auf Bundesstaatsebene hinzufügen

• Berichte als PDF/Excel exportieren

• Historische Trendanalyse hinzufügen

• Als FastAPI-Endpunkt bereitstellen

Fehlerbehebung

„Module not found“-Fehler

# Ensure you're in the right directory
cd /Users/Balu/Documents/Projects/MyCode/demo-redshift-mcp

# Reinstall dependencies
uv sync

„Data not found“-Fehler

# Generate mock data
python -m demo_redshift_mcp.data_generator

CrewAI-Fehler

• NStellen Sie sicher, dass ANTHROPIC_API_KEY in .env gesetzt ist

• Prüfen Sie, ob Sie Zugriff auf Claude 3.5 Sonnet (oder neuer) haben

Entwicklung

Hinzufügen eines neuen Abfragetools

1. Fügen Sie eine Methode zu DataLayer hinzu (data_layer.py)

2. Binden Sie sie in InsuranceMCPTools ein (mcp_server.py)

3. Erstellen Sie einen CrewAI-@tool-Wrapper (crew_agents.py)

4. Aktualisieren Sie die Routing-Logik in analysis_task

Lokales Testen

from src.demo_redshift_mcp.data_layer import DataLayer

data = DataLayer()
result = data.customers_renewed()
print(result)

Lizenz

Interner POC – nicht für den Produktionsbetrieb ohne ordnungsgemäße Data-Governance bestimmt.