EventOps: un servidor MCP + CLI de IA para operaciones de eventos

EventOps convierte años de exportaciones desordenadas de venta de entradas en algo sobre lo que una herramienta de IA pueda razonar de verdad. Expone los datos de eventos y membresías de MQIS (exportaciones de Humanitix) a cualquier cliente de Protocolo de Contexto de Modelos (Claude Desktop, Claude Code, Cursor) como un conjunto de herramientas deterministas, e incorpora una pequeña línea de comandos habilitada por IA que redacta informes de operaciones y correos electrónicos que respetan el consentimiento sobre esas mismas herramientas.

Lo construí para brindar a mis herramientas de IA contexto específico del proyecto en lugar de respuestas genéricas. Esa es toda la idea: la IA puede llamar a get_event_metrics("Saazish") y obtener el dato exacto, en lugar de adivinar.

Principio de diseño: herramientas deterministas, IA para la narrativa

Cada número viene de pandas, nunca de un modelo de lenguaje. Las herramientas MCP y la CLI llaman a un mismo objeto EventData (data_loader.py) que hace los cálculos. La IA solo determina cuál herramienta llamar y cómo expresar el resultado. No puede inventar una cifra de ingresos porque nunca la calcula. Esta es la propiedad más importante del proyecto.

Related MCP server: Presso MCP Server

Qué hace (números reales de mis propios eventos)

En los 8 datasets: 3.690 pedidos, 4.690 entradas válidas, ~2.770 personas únicas y aproximadamente A$61.4k en ingresos para MQIS (netos de las tarifas de plataforma; ~A$62.1k en venta bruta de entradas). 238 personas asistieron a dos o más eventos distintos, de los cuales 69 también tenían membresía.

Existen tres columnas de dinero en los datos originales y no significan lo mismo: Ticket sales (valor facial bruto), Paid (lo que pagó el cliente, incluidos los cargos de Humanitix) y Your earnings (lo que MQIS realmente recibió). EventOps reporta Your earnings como "ingresos para MQIS" para que la cifra principal sea honesta.

Herramientas expuestas vía MCP (server.py)

CLI de IA (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"

Agrega --raw a cualquier comando para imprimir los hechos JSON subyacentes en lugar de la versión generada por IA. Es una buena manera de comprobar que las herramientas son exactas: el resultado de la IA solo vuelve a declarar las cifras de --raw.

El comando draft-email solo incluye personas cuyo Marketing opt-in sea Yes, por lo que no redactará a nadie que no haya consentido.

Setup

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-...

Si ./data está vacío, EventOps automáticamente recurre a ./sample_data, por lo que un clon reciente funciona de inmediato.

Registrar el servidor MCP con un cliente

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): la misma estructura. Reinicia para activarlo y luego pregúntale cosas como "Usando eventops, comparar Raaz y Saazish" o "¿Quiénes son nuestros asistentes más leales?" y la herramienta llamará a las funciones correspondientes.

Privacidad de los datos

Las exportaciones reales contienen información personal (nombres, correos electrónicos, teléfonos). Resisse en ./data/, que está ignorado por git. Solo se sube el ./sample_data/ sintético. No subas no hagas commit de datos reales de asistentes.

Archivos

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