EventOps: ein MCP-Server + KI-CLI für den Eventbetrieb

EventOps verwandelt Jahre unübersichtlicher Event-Ticket-Exporte in etwas, mit dem ein KI-Tool tatsächlich arbeiten kann. Es stellt MQIS-Event- und Mitgliedschaftsdaten (Humanitix-Exporte) jedem Client des Model Context Protocol (Claude Desktop, Claude Code, Cursor) als eine Reihe deterministischer Tools bereit und bringt ein kleines KI-fähiges Befehlszeilentool mit, das auf Basis dieser Tools Operationsberichte und einwilligungsbewusste E-Mails schreibt.

Ich habe es gebaut, um meinen KI-Tools projektbezogenen Kontext statt generischer Antworten zu geben. Das ist der ganze Punkt: Die KI soll get_event_metrics("Saazish") aufrufen und die exakte Zahl erhalten, statt zu raten.

Designprinzip: deterministische Tools, KI für das Narrativ

Jede Zahl kommt von pandas, niemals von einem Sprachmodell. Die MCP-Tools und die CLI greifen auf dasselbe EventData-Objekt (data_loader.py) zurück, das die Berechnung übernimmt. Die KI entscheidet nur, welches Tool sie aufruft und wie sie das Ergebnis formuliert. Sie kann keine Umsatzzahl erfinden, weil sie keine berechnet. Das ist die wichtigste Eigenschaft des Projekts.

Related MCP server: mcp-data-lens

Was es tut (echte Zahlen aus meinen eigenen Events)

Über 8 Datensätze: 3.690 Bestellungen, 4.690 gültige Tickets, ~2.770 eindeutige Personen und etwa A$61,4k Einnahmen für MQIS (nach Gebühren des Plattformbetreibers; ~A$62,1k Bruttokartenverkauf). 238 Personen besuchten zwei oder mehr verschiedene Events, 69 davon hatten auch eine Mitgliedschaft.

In den Quelldateien gibt es drei Geldsäulen, die nicht dasselbe sind: Ticket sales (Brutto-Nennwert), Paid (was der Kunde inklusive Humanitix-Gebühren bezahlt hat) und Your earnings (was MQIS wirklich erhalten hat). EventOps zeigt Your earnings als „Umsatz für MQIS“, damit die Headline-Zahl ehrlich ist.

Tools, die über MCP bereitgestellt werden (server.py)

Hält’s: Jedes Dataset mit Schlüssel und Label (Achtung: die Tabelle muss Zeilen behalten – ich erstelle sie sauber.)

AI CLI (cli.py)

python cli.py summary
python cli.py report      --event "Saazish"
python cli.py compare     --e1 "Raaz" --e2 "Saazish"
python cli.py draft-email --type promo --target non-members --event "Gulaal"
python cli.py attendee    --query "someone@example.com"

Füge --raw an einen beliebigen Befehl hinzu, um die zugrunde liegenden JSON-Fakten auszugeben statt einer von der KI formulierten Version. Das ist eine gute Möglichkeit zu belegen, dass die Werkzeuge exakt sind: Die KI-Ausgabe liefert nur dieselben Zahlen neu — die Fakten stammen aus --raw.

Der Befehl draft-email bezieht nur Personen ein, deren Marketing opt-in auf Yes gesetzt ist, und schreibt daher keine Entwürfe an Leute, die nicht zugestimmt haben.

Einrichtung

python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

# 1. Sample data (safe, synthetic) so it runs out of the box:
python gen_sample_data.py

# 2. Or use real data: drop your Humanitix CSV exports into ./data/
#    (that folder is git-ignored and never committed)

# 3. For the CLI, set your key:
cp .env.example .env   # then edit, or just:
export ANTHROPIC_API_KEY=sk-ant-...

Wenn ./data leer ist, fällt EventOps automatisch auf ./sample_data zurück, sodass ein frischer Clone sofort funktioniert.

MCP-Server bei einem Client registrieren

Claude Desktop / Claude Code (claude_desktop_config.json):

{
  "mcpServers": {
    "eventops": {
      "command": "python",
      "args": ["/absolute/path/to/event-ops-mcp/server.py"]
    }
  }
}

Cursor (.cursor/mcp.json): gleicher Aufbau nur. Starte den Client neu und frage dann z. B. „Vergleiche mit eventops Raaz und nasaazish“ oder „Wer sind unsere treuesten Besucher?“, dann ruft das Tool die Tools auf.

Datenschutz

Beim echten Export handelt es sich um personenbezogene Daten (Namen, E-Mail-Adressen, Telefonnummern). Sie liegen in ./data/, das per Git ignoriert wird. Nur unter ./sample_data/ befindet sich synthetische Daten und diese werden überhaupt committet. Committe daher niemals echte Besucherdaten.

Dateien

event-ops-mcp/
├── data/                # real Humanitix CSVs (git-ignored, you provide)
├── sample_data/         # synthetic CSVs, safe to commit
├── data_loader.py       # cleaning + all deterministic analytics
├── server.py            # FastMCP server exposing the tools
├── cli.py               # AI-enabled CLI (Anthropic API)
├── gen_sample_data.py   # builds the synthetic dataset
├── requirements.txt
├── .env.example
└── .gitignore