controlling_mcp_server
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
controlling_mcp_server
FastMCP-Server mit PostgreSQL-Backend für Controlling-Anwendungsfälle – Soll/Ist-Abweichungsanalyse mit automatischer Ursachenzuordnung, Forecast und Drill-Down auf Einzelbuchungen.
Dieses Repository zeigt anhand einer stark vereinfachten, an SAP-CO angelehnten Datenstruktur (Kostenstelle, Kostenart, Plan- und Istwerte), wie sich klassische Controlling-Prozesse per MCP-Tools für KI-Clients wie Claude Desktop oder Claude Code zugänglich machen lassen. Der Server stellt reine Werkzeuge bereit (kein eigenständiger Agent) – die Entscheidungslogik übernimmt der jeweils verbundene KI-Client.
1. PostgreSQL-Datenbank anlegen
CREATE DATABASE controlling_demo;Danach das Schema samt Beispieldaten einspielen:
psql -U postgres -d controlling_demo -f schema.sqlWindows-Hinweis (bekannter Stolperstein): Falls psycopg2.connect()
mit einem Encoding-Fehler abbricht, in postgresql.conf (unter
C:\Program Files\PostgreSQL\<version>\data\) folgende Zeile setzen und
den PostgreSQL-Dienst neu starten:
lc_messages = 'en_US.UTF-8'Related MCP server: SAP MCP Command Center
2. Python-Umgebung einrichten
python -m venv .venv
.venv\Scripts\activate # Windows
pip install -r requirements.txt3. Verbindungsdaten setzen
Der Server liest die Verbindungsdaten aus Umgebungsvariablen (alle als String, siehe unten):
Variable | Default |
|
|
|
|
|
|
|
|
| (leer) |
4. Server lokal testen (ohne Claude)
python server.pyDer Server läuft dann über stdio und wartet auf einen MCP-Client. Zum schnellen Debuggen eignet sich auch der MCP Inspector:
npx @modelcontextprotocol/inspector python server.py5. Mit Claude Code verbinden
claude mcp add --transport stdio controlling-mcp-server ^
--env DB_PASSWORD=dein-passwort ^
-- python C:\pfad\zu\controlling_mcp_server\server.pyStatus prüfen:
claude mcp list6. Alternativ: mit Claude Desktop verbinden
In claude_desktop_config.json ergänzen (alle Werte als String!):
{
"mcpServers": {
"controlling-mcp-server": {
"command": "python",
"args": ["C:/deploy/mcp2_collection/controlling_mcp_server/server.py"],
"env": {
"DB_HOST": "localhost",
"DB_PORT": "5432",
"DB_NAME": "controlling_demo",
"DB_USER": "postgres",
"DB_PASSWORD": "dein-passwort"
}
}
}
}7. Agentisches Verhalten ausprobieren
Sobald der Server verbunden ist, im Chat z. B. eintippen:
"Prüfe die Kostenstellen für August 2026 auf Abweichungen und erkläre mir die größte Abweichung samt Ursache."
Ein KI-Client verkettet dafür typischerweise selbstständig:
list_kostenstellen– Übersicht verschaffenabweichungsanalyse(periode="2026-08")– alle Abweichungen ermittelnabweichung_erklaeren(kostenstelle=..., periode="2026-08")– für die größte Abweichung die Treiber benennenoptional
buchungsdetails(...)– die auffälligen Einzelbuchungen zeigenoptional
rollierender_forecast(...)– Ausblick auf die Folgeperiode
Die eingebaute Beispiel-Auffälligkeit: Kostenstelle 4200 (Produktion Werk 1) liegt bei Kostenart 610000 (Materialkosten) im August 2026 wegen eines simulierten Rohstoffpreisanstiegs deutlich über Plan – daran lässt sich die automatische Ursachenzuordnung gut demonstrieren.
Enthaltene Tools
Tool | Zweck |
| Stammdaten der Kostenstellen |
| Soll/Ist je Kostenstelle & Kostenart |
| Haupttreiber + Erklärtext |
| einfache Trend-Prognose |
| Einzelpostenanzeige |
Nächste Ausbaustufen (Ideen)
Weitere Perioden/Kostenstellen ergänzen, um Trends über mehr Monate zu zeigen.
Schwellenwert-Parameter einbauen (z. B. nur Abweichungen > 10 % zurückgeben).
Zweiten Server für Rechnungsprüfung/Anomalieerkennung ergänzen und beide Server im selben Client kombinieren.
Eigenständigen Agenten (z. B. mit dem Claude Agent SDK) obendrauf bauen, der diese Tools automatisiert und zeitgesteuert (Task Scheduler/Cron) nutzt, statt nur im Chat aufgerufen zu werden.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Query financial statements, KPIs, ratios, cash forecasts and budgets from your general ledger
IFRS engine: 31 standards, 20 tools. Journal entries, XBRL tags, ECL, CGU impairment, deferred tax.
Read-only finance and operations controls for AI agents with evidence and safe next actions.
DATEV financial data for AI assistants: P&L, KPIs, bookings, budgets and monthly reporting.
Related MCP Servers
- AlicenseCqualityDmaintenanceEnables interaction with SAP Analytics Cloud through an MCP server, exposing 90 tools for content management, data export/import, user management, and more via natural language.29021MIT
- AlicenseNot gradedqualityCmaintenanceEnables querying three synthetic SAP systems (ERP, S/4HANA, BW) for master data, transactions, and analytics via natural language or MCP tools, with a live dashboard.1MIT
- AlicenseNot gradedqualityCmaintenanceEnables LLMs to query a synthetic general ledger and trial balance through read-only tools for account lookups, GL drill-down, variance analysis, and naive forecasting, with every answer cited to specific transactions or periods.MIT

OpenVariance MCP Serverofficial
AlicenseNot gradedqualityBmaintenanceEnables AI agents to perform variance analysis, generate reconciling driver bridges and three-statement forecasts, export Excel workbooks, and analyze SEC or private-company financial data locally with engine-verified calculations.MIT