POC de análisis de migración de clientes de seguros

Una prueba de concepto de calidad de producción que demuestra el análisis de migración de clientes mediante:

• Capa de datos: datos heredados simulados (Excel) + producto nuevo (CSV) + datos de la competencia

• Servidor MCP: herramientas de acceso a datos expuestas a los agentes de CrewAI

• CrewAI: enrutador de consultas + agentes de análisis para razonamiento en varios pasos

• Gradio UI: interfaz de lenguaje natural para ejecutivos

Arquitectura

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

Configuración

1. Instalar dependencias

# Install using uv (recommended)
uv sync

# OR using pip
pip install -r requirements.txt

2. Configuración del entorno

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

3. Generar datos simulados

python -m demo_redshift_mcp.data_generator

Esto crea:

• data/legacy_product.xlsx - 900 clientes heredados

• data/new_product_customers.csv - 100 clientes del nuevo producto

• data/competitor_coverage.csv - historial de la competencia

Ejecución de la aplicación

Interfaz web (recomendada)

# Launch Gradio interface
python -m demo_redshift_mcp

# Opens at http://localhost:7860

Línea de comandos (pruebas)

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)
"

Preguntas de ejemplo para ejecutivos

1. "¿Cuántos clientes renovaron al nuevo producto?"

   • Devuelve: recuento + porcentaje de éxito de migración

2. "¿Cuántos clientes se fueron a la competencia?"

   • Devuelve: recuento + desglose por estado (ACTIVE/EXPIRED/CANCELLED)

3. "¿Cuántos volvieron de la competencia y por qué?"

   • Devuelve: recuento de regresos + motivos (precio, funciones, etc.)

4. "¿Cuál es el resumen general de la migración?"

   • Devuelve: análisis completo de todos los segmentos

5. "Cuéntame sobre los clientes en California"

   • Devuelve: métricas específicas del estado

6. "¿Quién adoptó la función CONNECTED?"

   • Devuelve: desglose de adopción de funciones

Estructura del proyecto

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

Decisiones clave de diseño

Separación de datos (Excel vs CSV)

• Legado: Excel (simula sistemas existentes)

• Nuevo: CSV en "Redshift" (simula OLAP en la nube)

• Motivo: probar pronto la lógica de unión entre almacenes de datos

MCP frente a consultas directas

• Abstracción limpia entre datos y razonamiento

• Listo para producción: sustituir CSV por Redshift más adelante

• Los agentes se centran en el razonamiento, no en la infraestructura técnica

Plantilla + red de respaldo dinámica

• Ruta rápida: consultas predefinidas para preguntas habituales

• Ruta flexible: CrewAI crea una lógica para casos borde

• Inferencia flexible: combinar señales de precio y funciones para explicar por qué volvieron los clientes

Próximos pasos

Fase 1: Datos ✅

• Generación de datos simulados (900 heredados, 100 nuevos, cobertura de competencia)

Fase 2: MCP ✅

• Herramientas de acceso a datos (GetRenewedCount, GetLeftCount, etc.)

Fase 3: CrewAI ✅

• Enrutador de consultas + agentes de análisis

Fase 4: Pruebas

• Ejecutar preguntas de ejemplo y verificar su precisión

• Probar casos límite

Fase 5: UI ✅

• Interfaz Gradio para ejecutivos

Mejoras futuras

• Sustituir CSV por AWS Redshift real

• Añadir paneles de control a nivel de estado

• Exportar informes en PDF/Excel

• Añadir análisis de tendencias históricas

• Desplegar como endpoint de FastAPI

Solución de problemas

Error "Module not found"

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

# Reinstall dependencies
uv sync

Error "Data not found"

# Generate mock data
python -m demo_redshift_mcp.data_generator

Error de CrewAI

• Asegúrate de que ANTHROPIC_API_KEY esté definida en .env

• Comprueba que tienes acceso a Claude 3.5 Sonnet (o posterior)

Desarrollo

Cómo añadir una nueva herramienta de consulta

1. Añade un método a DataLayer (data_layer.py)

2. Envuélvelo en InsuranceMCPTools (mcp_server.py)

3. Crea un envoltorio @tool de CrewAI (crew_agents.py)

4. Actualiza la lógica de enrutamiento en analysis_task

Pruebas locales

from src.demo_redshift_mcp.data_layer import DataLayer

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

Licencia

POC interno: no apto para producción sin una gobernanza de datos adecuada.