key-drivers-mcp

key-drivers-mcp

Servidor MCP para análise de drivers-chave e importância de features. Carregue qualquer dataset CSV e pergunte o que impulsiona um resultado — sobrevivência, inadimplência de crédito, diagnóstico, renda — e obtenha uma análise ranqueada com análise de sub-drivers mostrando não apenas quais fatores importam, mas como eles se combinam para amplificar ou reverter completamente uns aos outros.

Desenvolvido com araxai (análise de regras de associação CleverMiner).

Configuração

Adicione isto à configuração do seu cliente MCP (ex.: Claude Code .mcp.json). Nenhuma instalação necessária — uvx baixa e executa o pacote automaticamente.

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

Sem uv? Instale com pip install uv, ou use pipx install key-drivers-mcp e defina "command": "key-drivers-mcp" como alternativa.

Ferramentas

Ferramenta	Finalidade
load_dataset	Carregar um arquivo CSV na memória da sessão
list_datasets	Listar todos os datasets carregados
find_drivers	Encontrar drivers-chave de um resultado alvo
explain_segment	Análise de drivers condicionada a uma variável de segmento (CLARA)

Exemplos

Titanic — o que impulsionou a sobrevivência?

"Quais são os drivers-chave para sobreviver em titanic.csv?"

Taxa de sobrevivência base: 38,4%

Driver	Taxa de sobrevivência	vs Base
Sexo: feminino	74,2%	1,9× maior
Sexo: masculino	18,9%	2,0× menor
Tarifa baixa ≤ £10,50	20,9%	1,8× menor
Convés D	75,8%	2,0× maior

Sub-drivers são retornados automaticamente. Dentro de passageiros masculinos, homens de 1ª classe recuperaram para 36,9% — quase o dobro da média masculina. Dentro de passageiros de tarifa baixa, mulheres ainda sobreviveram a 60,8% enquanto homens alcançaram apenas 10,7%.

---

Titanic — drill-down do global para um segmento específico

"E dentro das mulheres da 3ª classe, o que ajudou na sobrevivência?"

O resultado global mostra sexo como o principal driver (mulheres 74,2%, homens 18,9%). Sub-drivers dentro das mulheres revelam imediatamente que mulheres da 3ª classe caíram para 50% — um cara ou coroa, muito abaixo da média feminina. Isso dispara um acompanhamento com filters={"sex": "female", "pclass": "3"}:

144 mulheres na 3ª classe — base do segmento: 50%

Driver	Taxa de sobrevivência	vs Base do segmento
Embarque em Queenstown	72,7%	1,5× maior
Tarifa £6,75–£7,77	72,4%	1,4× maior
Embarque em Southampton	37,5%	1,3× menor

Passageiros de Queenstown (majoritariamente emigrantes irlandeses embarcando tarde em pequenos grupos) sobreviveram a quase o dobro da taxa dos passageiros de Southampton — um padrão completamente invisível na análise global. Cada nível de drill-down responde a uma pergunta mais específica usando o resultado anterior como ponto de partida.

---

German Credit — como fatores se combinam e se revertem

"Quais são os drivers-chave para bom crédito?"

Base: 70% de bom histórico de crédito

Uma conta corrente negativa reduz a aprovação para 50,7% — mas a análise de sub-drivers mostra que o resultado depende fortemente do que mais é verdadeiro:

Perfil	Taxa de bom crédito	vs Base
Conta corrente negativa	50,7%	1,4× menor
Negativa + duração do empréstimo > 24 meses	34,4%	2,0× menor
Negativa + histórico de crédito crítico	73,1%	de volta à base
Duração longa do empréstimo > 30 meses	52,0%	1,3× menor
Empréstimo longo + sem propriedade	38,9%	1,8× menor
Empréstimo longo + sem conta corrente	79,3%	1,1× maior

O mesmo fator de risco (conta negativa) leva a resultados muito diferentes dependendo do histórico de crédito. Mutuários sem conta corrente são na verdade mais seguros em empréstimos longos — provavelmente autônomos ou com patrimônio elevado.

---

Diabetes — combinações elevam o risco acima de 80%

"Quais são os drivers-chave para testar positivo para diabetes?"

Base: 34,9% positivo

Driver	Probabilidade	vs Base
Glicose > 147 mg/dL	74,3%	2,1× maior
Glicose > 147 + idade 27–33	88,5%	2,5× maior
Glicose > 147 + IMC 33,7–37,8	84,2%	2,4× maior
Glicose > 147 + muitas gestações (>7)	85,7%	2,5× maior
Glicose ≤ 109 mg/dL	14,0%	2,5× menor
Idade ≤ 23	13,3%	2,6× menor

Glicose alta já é um sinal forte (74%), mas combiná-la com idade 27–33, IMC elevado ou alto número de gestações eleva o risco acima de 84%. A ferramenta revela esses perfis compostos em uma única chamada.

---

Renda — educação pode sobrepor completamente o estado civil

"O que impulsiona renda acima de $50K especificamente para mulheres?"

Usando filters={"sex": "Female"} — base das mulheres: 10,9% (vs 23,9% no geral):

Perfil	Taxa >50K	vs Base das mulheres
Doutorado	56,6%	5,2× maior
Pós-graduação profissional	47,7%	4,4× maior
Doutorado + casada	88,0%	8,1× maior
Pós-graduação profissional + casada	84,2%	7,7× maior
Pós-graduação profissional + solteira	35,7%	3,3× maior
Relação com filhos próprios	1,2%	9,0× menor

Mulheres solteiras com doutorado ainda alcançam 35,7% — três vezes a base das mulheres — mostrando que a educação sobrepõe completamente a penalidade do estado civil. A mesma inversão aparece no dataset geral: solteiras sozinhas → 4,5%, mas solteiras + Doutorado → 44,3%, quase o dobro da base global.

---

Como funciona

araxai usa análise de regras de associação (CleverMiner) para encontrar regras estatisticamente significativas que explicam por que uma classe alvo ocorre. Cada regra de driver reporta:

• probabilidade — com que frequência a classe alvo ocorre naquele segmento
• vs_global_baseline — lift relativo ao dataset inteiro
• vs_parent_segment — lift relativo à regra pai (para sub-drivers)
• força — sinais +/- indicando confiabilidade da regra

Colunas numéricas são automaticamente agrupadas em quantis. O servidor enriquece cada driver de nível superior com uma sub-análise, de modo que perfis compostos como "conta negativa + empréstimo longo" ou "glicose alta + idade 27–33" sejam retornados em uma única chamada.

Requisitos

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