Ein erfahrener Datenwissenschaftler hat einen innovativen Ansatz entwickelt, um seinen Arbeitsalltag zu optimieren. Durch den Bau eines eigenen Model Context Protocol (MCP) Servers konnte er zeitaufwändige, ad-hoc-Anfragen von Stakeholdern automatisieren und so seine Effizienz erheblich steigern. Dieses Projekt demonstriert das Potenzial von KI zur Transformation traditioneller Datenwissenschafts-Aufgaben.
Schlüssel-Erkenntnisse
- Automatisierung von ad-hoc-Datenanfragen durch einen selbstgebauten MCP-Server.
- Integration von Google Drive, einer Query Bank und lokalen Dokumenten zur Wissensbasis.
- Nutzung von KI-Tools wie Cursor und Frameworks wie FastMCP zur Implementierung.
- Verschiebung des Fokus von technischen Aufgaben hin zu strategischem Denken und Problemlösung.
Die Herausforderung: Ad-hoc-Anfragen im Datenalltag
Der Arbeitsalltag eines Datenwissenschaftlers ist oft von wiederkehrenden, aber zeitintensiven Anfragen geprägt. Diese reichen von der Abfrage spezifischer Kennzahlen bis hin zur Erstellung von Umsatzprognosen. Solche Aufgaben, die oft 3-5 Stunden in Anspruch nehmen, können den Fortschritt bei Kernprojekten verzögern oder Überstunden erfordern. Die Einführung von KI-Modellen wie ChatGPT und Code-Assistenten wie Cursor hat bereits die Effizienz gesteigert, doch der Wunsch nach weiterer Automatisierung führte zur Entwicklung eines persönlichen MCP-Servers.
Aufbau des Datenwissenschafts-MCP
Ein MCP (Model Context Protocol) ist ein Framework, das die Verbindung von großen Sprachmodellen mit externen Diensten ermöglicht. Das Kernproblem, das der Datenwissenschaftler lösen wollte, war die Konsolidierung von Informationen aus verschiedenen Quellen, um direkt nutzbare Ergebnisse für Stakeholder zu generieren. Dies wurde durch drei Hauptkomponenten erreicht:
- Integration der Query Bank: Als Wissensbasis dient die interne Query Bank des Teams, die Fragen, Beispiel-SQL-Abfragen und Tabellenkontexte enthält. Bei einer neuen Anfrage sucht das MCP nach ähnlichen Fragen in der Bank, passt die Abfragen an und liefert in wenigen Minuten eine relevante SQL-Abfrage.
- Google Drive Integration: Durch die Anbindung an das Google Drive des Teams erhält das MCP Zugriff auf Produktdokumentationen wie Präsentationen, Dokumente und Tabellen. Dies ermöglicht die schnelle Extraktion von Daten für Anfragen wie die Ermittlung des monatlichen Werbeumsatzes. Eine Indexierung der Dokumente beschleunigt die Suche nach relevanten Dateien.
- Zugriff auf lokale Dokumente: Eine lokale Ordnerstruktur erlaubt das Hinzufügen eigener Kontexte, Informationen und Anleitungen, die über die Team-Dokumentation hinausgehen.
Funktionsweise in der Praxis
Ein typischer Ablauf sieht wie folgt aus: Eine Anfrage wie "Wie viele Video-Ad-Impressionen hatten wir in Q3 und wie hoch ist unsere Werbenachfrage im Verhältnis zum Angebot?" wird vom MCP verarbeitet. Zuerst durchsucht es Projektordner und Teamdokumente nach relevanten Begriffen wie "Q3", "Video", "Nachfrage" und "Angebot". Anschließend werden ähnliche Fragen in der Query Bank gesucht. Mit den gesammelten Informationen wird eine SQL-Abfrage generiert, die dann automatisch ausgeführt wird. Die Ergebnisse werden gesammelt, überprüft und an die Stakeholder weitergeleitet.
Implementierungsdetails
Die Implementierung erfolgte in mehreren Schritten:
- Cursor Installation: Als MCP-Client wurde der KI-Code-Editor Cursor verwendet.
- Google Drive Anmeldeinformationen: Zur Anbindung an Google Drive, Sheets und Docs wurden über die Google Cloud Console APIs aktiviert und Anmeldeinformationen (credentials.json) erstellt.
- FastMCP Setup: Das Open-Source-Python-Framework FastMCP wurde genutzt, um den MCP-Server zu erstellen und die Google-Integration zu implementieren.
- MCP Konfiguration: Der erstellte MCP-Server wurde in den Einstellungen von Cursor konfiguriert, indem die Pfade zur Server-Datei und den Anmeldeinformationen in der
mcp.json-Datei hinterlegt wurden.
Fazit: Die Zukunft der Datenwissenschaft
Dieses Projekt ist ein Beispiel dafür, wie generative KI die Arbeitsweise von Datenwissenschaftlern verändern kann. Der Fokus verschiebt sich von rein technischen Aufgaben wie Datensuche und Codierung hin zu strategischeren Tätigkeiten wie dem Verständnis von Geschäftskontexten, dem Stellen der richtigen Fragen und der Interpretation von Ergebnissen. Datenwissenschaftler sind gefordert, KI-Tools anzunehmen und Lösungen zu entwickeln, die den Wandel aktiv mitgestalten.
KI Snack
