key-drivers-mcp

key-drivers-mcp

Servidor MCP para análisis de impulsores clave e importancia de características. Cargue cualquier conjunto de datos CSV y pregunte qué impulsa un resultado — supervivencia, impago de crédito, diagnóstico, ingresos — y obtenga un desglose clasificado con análisis de sub-impulsores que muestra no solo qué factores importan, sino cómo se combinan para amplificar o revertir completamente entre sí.

Impulsado por araxai (análisis de reglas de asociación CleverMiner).

Configuración

Agregue esto a la configuración de su cliente MCP (por ejemplo, Claude Code .mcp.json). No se necesita instalación — uvx obtiene y ejecuta el paquete automáticamente.

{
  "mcpServers": {
    "key-drivers": {
      "type": "stdio",
      "command": "uvx",
      "args": ["key-drivers-mcp"]
    }
  }
}

¿Sin uv? Instálelo con pip install uv, o use pipx install key-drivers-mcp y configure "command": "key-drivers-mcp" en su lugar.

Herramientas

Herramienta	Propósito
load_dataset	Cargar un archivo CSV en la memoria de la sesión
list_datasets	Listar todos los conjuntos de datos cargados
find_drivers	Encontrar impulsores clave de un resultado objetivo
explain_segment	Análisis de impulsores condicionado a una variable de segmento (CLARA)

Ejemplos

Titanic — ¿qué impulsó la supervivencia?

"¿Cuáles son los impulsores clave para sobrevivir en titanic.csv?"

Tasa de supervivencia base: 38.4%

Impulsor	Tasa de supervivencia	vs Base
Sexo: femenino	74.2%	1.9× mayor
Sexo: masculino	18.9%	2.0× menor
Tarifa baja ≤ £10.50	20.9%	1.8× menor
Cubierta D	75.8%	2.0× mayor

Los sub-impulsores se devuelven automáticamente. Dentro de los pasajeros masculinos, los hombres de primera clase se recuperaron al 36.9% — casi el doble del promedio masculino. Dentro de los pasajeros de tarifa baja, las mujeres aún sobrevivieron al 60.8% mientras que los hombres alcanzaron solo el 10.7%.

---

Titanic — profundización de lo global a un segmento específico

"¿Y dentro de las mujeres en tercera clase, qué ayudó a la supervivencia?"

El resultado global muestra sexo como el impulsor principal (mujeres 74.2%, hombres 18.9%). Los sub-impulsores dentro de las mujeres revelan inmediatamente que las mujeres de tercera clase cayeron al 50% — un volado, muy por debajo del promedio femenino. Eso desencadena un seguimiento con filters={"sex": "female", "pclass": "3"}:

144 mujeres en tercera clase — base del segmento: 50%

Impulsor	Tasa de supervivencia	vs Base del segmento
Embarque en Queenstown	72.7%	1.5× mayor
Tarifa £6.75–£7.77	72.4%	1.4× mayor
Embarque en Southampton	37.5%	1.3× menor

Los pasajeros de Queenstown (en su mayoría emigrantes irlandeses que abordaron tarde en grupos pequeños) sobrevivieron a casi el doble de la tasa de los pasajeros de Southampton — un patrón completamente invisible en el análisis global. Cada nivel de profundización responde una pregunta más específica usando el resultado anterior como punto de partida.

---

Crédito Alemán — cómo los factores se combinan y se revierten entre sí

"¿Cuáles son los impulsores clave para un buen crédito?"

Base: 70% de buena calificación crediticia

Una cuenta corriente sobregirada reduce la aprobación al 50.7% — pero el análisis de sub-impulsores muestra que el resultado depende drásticamente de qué más sea cierto:

Perfil	Tasa de buen crédito	vs Base
Cuenta corriente sobregirada	50.7%	1.4× menor
Sobregiro + duración del préstamo > 24 meses	34.4%	2.0× menor
Sobregiro + historial crediticio crítico	73.1%	de vuelta a la base
Duración del préstamo > 30 meses	52.0%	1.3× menor
Préstamo largo + sin propiedad	38.9%	1.8× menor
Préstamo largo + sin cuenta corriente	79.3%	1.1× mayor

El mismo factor de riesgo (cuenta sobregirada) conduce a resultados muy diferentes dependiendo del historial crediticio. Los prestatarios sin cuenta corriente son en realidad más seguros en préstamos largos — probablemente trabajadores por cuenta propia o con activos patrimoniales.

---

Diabetes — las combinaciones elevan el riesgo por encima del 80%

"¿Cuáles son los impulsores clave para dar positivo en diabetes?"

Base: 34.9% positivo

Impulsor	Probabilidad	vs Base
Glucosa > 147 mg/dL	74.3%	2.1× mayor
Glucosa > 147 + edad 27–33	88.5%	2.5× mayor
Glucosa > 147 + IMC 33.7–37.8	84.2%	2.4× mayor
Glucosa > 147 + muchos embarazos (>7)	85.7%	2.5× mayor
Glucosa ≤ 109 mg/dL	14.0%	2.5× menor
Edad ≤ 23	13.3%	2.6× menor

La glucosa alta ya es una señal fuerte (74%), pero combinarla con edad 27–33, IMC elevado o alto número de embarazos eleva el riesgo por encima del 84%. La herramienta saca a la superficie estos perfiles compuestos en una sola llamada.

---

Ingresos — la educación puede anular completamente el estado civil

"¿Qué impulsa ingresos superiores a $50K específicamente para mujeres?"

Usando filters={"sex": "Female"} — base de mujeres: 10.9% (vs 23.9% en general):

Perfil	Tasa >50K	vs Base de mujeres
Doctorado	56.6%	5.2× mayor
Escuela profesional	47.7%	4.4× mayor
Doctorado + casada	88.0%	8.1× mayor
Escuela profesional + casada	84.2%	7.7× mayor
Escuela profesional + nunca casada	35.7%	3.3× mayor
Relación con hijo propio	1.2%	9.0× menor

Las mujeres nunca casadas con doctorado aún alcanzan el 35.7% — tres veces la base de mujeres — lo que demuestra que la educación anula por completo la penalización del estado civil. La misma inversión aparece en el conjunto de datos general: nunca casadas solas → 4.5%, pero nunca casadas + Doctorado → 44.3%, casi el doble de la base global.

---

Cómo funciona

araxai utiliza análisis de reglas de asociación (CleverMiner) para encontrar reglas estadísticamente significativas que expliquen por qué ocurre una clase objetivo. Cada regla de impulsor reporta:

• probabilidad — con qué frecuencia ocurre la clase objetivo en ese segmento
• vs_global_baseline — elevación relativa a todo el conjunto de datos
• vs_parent_segment — elevación relativa a la regla principal (para sub-impulsores)
• strength — signos de +/- que indican la fiabilidad de la regla

Las columnas numéricas se agrupan automáticamente en cuantiles. El servidor enriquece cada impulsor de nivel superior con un sub-análisis, de modo que los perfiles compuestos como "sobregiro + préstamo largo" o "glucosa alta + edad 27–33" se devuelven en una sola llamada.

Requisitos

• Python 3.11+
• araxai >= 0.3.0
• mcp[cli] >= 1.0.0