Ein gehosteter, schreibgeschützter MCP-Endpunkt, mit dem Claude (oder ein beliebiger MCP‑fähiger Client) die Umfragen und Antworten in deinem SurveyLane-Konto lesen kann — um offene Antworten zusammenzufassen, signifikante Unterschiede zu prüfen, Haupttreiber zu finden, Segmente zu vergleichen und Ergebnisse aufzuschreiben. Keine SDKs, kein Klebecode.
Jeder HTTP-MCP-Transport funktioniert. Richte ihn auf https://mcp.surveylane.app und gib den Header Authorization: Bearer slk_… mit. Der Server spricht zustandsloses StreamableHTTP — Clients senden Request-Payloads per POST an den Root-Pfad.
Jede Anfrage außer GET /health muss ein Bearer-Token mitführen. Tokens sind persönlich, schreibgeschützt und werden nur einmal bei der Erstellung angezeigt.
read
Schreibgeschützt by Design
Die KI kann deine Umfragen, Ergebnisse und Antworten auflisten und analysieren — sie kann nichts erstellen, bearbeiten oder löschen. Du kannst sie bedenkenlos jedem MCP-Client geben, dem du Einblick gewähren willst.
list_surveys, get_survey
get_results, get_open_text, get_funnel
get_responses, whoami
privacy
Privatsphäre der Befragten
Bei anonymen Umfragen werden Namen und E-Mail-Adressen der Befragten nie zurückgegeben — nur Aggregate und anonymisierte Antworten. Bei nicht-anonymen Umfragen wird die Einstellung respektiert, die du für die Umfrage getroffen hast.
isAnonymous serverseitig erzwungen
Aggregat-Tools geben nie PII preis
nur auf dein Konto beschränkt
Tokens sind pro‑Benutzer und widerrufbar
Jede Tool-Abfrage ist auf deine eigenen Daten beschränkt und kann keine anderen Konten sehen. Widerrufe ein durchgesickertes Token unter Einstellungen → API access — das wirkt sofort.
04Tools · 22
Alles, was die KI aufrufen kann. Alles schreibgeschützt. Jedes liefert einfache Bausteine zurück (Zählungen, Verteilungen, Rohtext) — die Interpretation übernimmt das Modell.
whoami
read
Return the caller's plan and account context.
list_surveys
read
List the caller's surveys with response totals and completion rate.
get_survey(survey_id)
read
Get the full structure of a survey (groups, questions, options). No responses, no PII.
Aggregated results per question: choice counts, rich numeric summary (mean/median/stddev/quartiles + histogram), and scale distributions with NPS/top-2-box. Optional `filter` ({question_id, equals}) restricts to a subgroup; optional `segment_by` (a choice question id) returns results split per option. yes_no/single_choice counts are correct (not just multiple_choice).
get_open_text(question_id, limit, offset)
read
Free-text answers for one question, paginated. Use to summarise themes/sentiment.
Individual responses as a compact answer matrix (response x question), paginated. PII (name/email) is omitted by default and only included with include_pii=true on a non-anonymous survey. Use question_ids to fetch only specific columns and keep payloads small. Prefer get_crosstab/get_results for analysis.
get_funnel(survey_id)
read
Drop-off funnel: total vs completed responses, per-question answered/shown/skipped and reached counts. Conditional (branched) questions report drop-off relative to who actually saw them, not all starters.
get_crosstab(question_a, question_b)
read
Cross-tabulate two questions of the same survey. Numeric×numeric returns a Pearson correlation; otherwise a contingency table (counts of A categories × B categories).
get_group_summary(survey_id)
read
Roll-up of numeric/VAS scores per question group (cluster): pooled group mean + per-question means, so clusters are comparable at a glance.
get_data_quality(survey_id)
read
Data-quality signals for a survey: completion-time stats (median/quartiles + speeders) and straightlining detection (respondents giving near-identical answers across numeric/scale questions).
compare_surveys(survey_a, survey_b)
read
Compare two surveys (e.g. baseline vs follow-up). Matches numeric/VAS questions by text and reports per-question mean deltas, sorted by magnitude. Useful for 0-meting vs nameting.
Statistically test whether a target question differs across subgroups defined by another question. Numeric target -> Welch t-test (two groups) or one-way ANOVA (all groups), with Cohen's d / eta². Categorical target -> chi-square + Cramér's V. Returns p-values so you don't over-interpret small samples.
get_correlation_matrix(survey_id, group_id)
read
Pairwise Pearson correlations (with p-values, significance) across all numeric/VAS questions, sorted by strength. Optionally scope to one group/cluster. One call instead of N² crosstabs.
key_drivers(survey_id, target)
read
Driver analysis: rank all numeric questions by their correlation (with p-value) to a target numeric question. Answers 'what most relates to low energy / high stress?'.
scale_reliability(survey_id)
read
Cronbach's alpha per question group (cluster) over its numeric items, with an interpretation. Validates whether a cluster measures one coherent construct before averaging it.
query_cohort(survey_id, where, aggregate)
read
Define a cohort with multiple AND/OR conditions (numeric ranges, option matches, answered/not_answered) and get its size/share. With aggregate=true, returns full get_results-style aggregates for just that cohort.
Post-stratification weighting on a single variable: supply target shares for a demographic question (e.g. gender 50/50) and get weighted numeric means vs unweighted, plus Kish effective sample size. Corrects sample skew.
Build a composite index from chosen items (optional per-item weight/reverse/min-max, optional 0..100 normalization) and get its distribution overall and per segment. E.g. a wellbeing index from selected VAS questions.
auto_insights(survey_id, top_n)
read
Automatically scan every segmentation question × numeric question, ANOVA-test each, and return the significant differences ranked by effect size (eta²). The 'do the analysis for me' tool, guarded by significance.
Free-text verbatims for a question (text answers, or the 'other' texts of a choice question), optionally linked to another numeric question's score and filtered by a score range (e.g. comments of the lowest scorers). Includes keyword frequency.
response_timeline(survey_id, bucket)
read
Response volume over the fielding period: started/completed per day or hour, cumulative and completion rate. Shows when responses came in (e.g. after a reminder) and where people abandon.
report_bundle(survey_id, driver_target)
read
One call returns a full analysis pack: overview results, per-cluster summary, scale reliability, data quality, funnel, and auto-insights (optionally key drivers for a target). Feeds a report/PDF directly.
Keine Tools passen zu deiner Suche.
05Prompts
Server‑gehostete Prompt-Vorlagen, die die KI direkt aufruft. In Claude Code: /mcp__surveylane__<name>. Ein Klick liefert dir eine vollständige, geführte Analyse, statt dass du selbst die richtigen Fragen stellen musst.
analyze_surveyAnalyze a survey
Run a full analysis of a survey's results and write a report with findings and recommendations.
06Beispiel-Prompts
Echte Fragen, die du in deinen KI-Client einfügen kannst — von einer schnellen Zusammenfassung über Signifikanztests, Haupttreiber-Analyse, Kohorten, Gewichtung bis hin zu Vorher/Nachher-Vergleichen. Das Modell entscheidet, welche Tools es aufruft, und verkettet sie; du bleibst bei normaler Sprache.
“Welche meiner Umfragen haben die meisten Antworten?”
“Gib mir die Abschlussquote jeder Umfrage.”
“Welche Umfragen sind noch im Entwurf und welche sind geschlossen?”
“Wann hat meine Umfrage Aanmelden interventieperiode zuletzt eine Antwort bekommen?”
“Fasse die Ergebnisse meiner Kundenzufriedenheitsumfrage zusammen.”
“Wie hoch ist der NPS für Umfrage X? Zeig mir Promoter, Passive und Detraktoren.”
“Zeig mir die Bewertungsverteilung für die Frage ‘wie wahrscheinlich eine Empfehlung’.”
“Wie sind Mittelwert, Median und Streuung des ‘Aufwand’-Werts? Zeig ein Histogramm.”
“Gib mir den Top-2-Box-Prozentsatz für jede Bewertungsfrage.”
“Gruppiere die offenen Antworten auf die Feedback-Frage in 3–6 Themen mit jeweils einer Zählung.”
“Wie ist die Gesamtstimmung der Freitextantworten?”
“Zeig mir die Kommentare von Leuten, die bei der Zufriedenheit 3 oder weniger vergeben haben.”
“Welche Schlüsselwörter kommen im offenen Feedback am häufigsten vor?”
“Hol die ‘Sonstiges, bitte angeben’-Antworten zur Kanäle-Frage heraus.”
“Wo brechen die Befragten Umfrage X ab?”
“Welche Frage hat den größten echten Abbruch (ohne bedingte Fragen)?”
“Wie viele Leute starten meine Onboarding-Umfrage im Vergleich dazu, wie viele sie abschließen?”
“Von den Leuten, die Frage 8 erreicht haben, wie viele haben sie tatsächlich beantwortet?”
“Vergleiche den NPS nach Abteilung.”
“Teile jedes Ergebnis nach Geschlecht auf, damit ich die Unterschiede sehe.”
“Erstelle eine Kreuztabelle von Zufriedenheit gegen die Altersgruppen-Frage.”
“Bau eine Kontingenztabelle von Region gegen die Frage ‘wird verlängern’.”
“Bewerten uns Leute, die die Umfrage abgeschlossen haben, anders als die, die abgebrochen haben?”
“Ist der Zufriedenheitsunterschied zwischen den Teams statistisch signifikant oder nur Rauschen?”
“Vergleiche Stress zwischen Männern und Frauen mit einem t-test und Effektstärke.”
“Führe eine ANOVA des Energie-Werts über die Altersgruppen durch — gib mir den p-value.”
“Abteilung A schneidet besser ab als B, aber die Stichproben sind klein — ist das echt?”
“Teste, ob die Antwort ‘wird empfehlen’ von der Region abhängt (chi-square).”
“Vergleiche den Wohlbefindens-Index von sitzender vs. körperlicher Arbeit mit einem Welch-t-test — ist der Unterschied bei den kleinen Gruppen echt?”
“Mach einen chi-square-Test: hängt das Melden von Fehlverhalten von der Abteilung ab?”
“Welche meiner Segment-Unterschiede überstehen eine Korrektur für multiples Testen?”
“Was treibt den Energie-Wert am stärksten? Reihe die Fragen.”
“Welche Faktoren sind die größten Treiber für einen niedrigen NPS?”
“Zeig mir eine Korrelationsmatrix aller Bewertungsfragen.”
“Was korreliert am stärksten mit der Gesamtzufriedenheit?”
“Welche Verhaltensweisen hängen mit höherem Wohlbefinden zusammen?”
“Reihe die Treiber eines ruhigen Arbeitstags — was senkt den Stress am stärksten?”
“Welche Verhaltensweisen (Bewegung, Schlaf, Ernährung) korrelieren mit einem höheren Wohlbefindens-Score?”
“Zeig die stärksten paarweisen Korrelationen über alle Bewertungsfragen, größte zuerst.”
“Wie viele Leute sitzen mehr als 8 Stunden am Tag UND machen nie Mobilitätsübungen?”
“Bau eine Kohorte von Detraktoren und zeig, wie sie alles andere beantwortet haben.”
“Welcher Anteil der Befragten ist hochmotiviert, berichtet aber von hohem Stress?”
“Filtere auf Leute, die in Frage 3 ‘remote’ gewählt haben, und fasse ihre Ergebnisse zusammen.”
“Vergleiche die Kohorte ‘viel Sitzen’ mit allen anderen.”
“Bau einen Wohlbefindens-Index aus den Fragen zu Energie, Schlaf und Stress, aufgeteilt nach Abteilung.”
“Erstelle einen Zufriedenheits-Index und zeig ihn pro Region.”
“Kehre die negativ formulierten Items um und berechne einen Gesamtwert.”
“Ist der Cluster ‘Engagement’ eine reliable Skala? Gib mir Cronbach's alpha.”
“Welche meiner Cluster sind reliabel genug, um als eine einzige Zahl berichtet zu werden?”
“Berechne einen Wohlbefindens-Index aus Energie, Schlaf, Erholung, Fokus und Stress, aufgeschlüsselt nach Altersgruppe.”
“Gib mir Cronbach's alpha je Cluster und sag mir, welche Skalen zuverlässig genug zum Mitteln sind.”
“Nutze den Index dieser Umfrage als Nullmessung, damit ich nach der Interventionsphase vergleichen kann.”
“Meine Stichprobe ist zu 70% männlich — gewichte die Ergebnisse auf ein 50/50-Verhältnis um.”
“Gewichte so, dass jede Abteilung gleich zählt, und berechne die Durchschnitte neu.”
“Verändert die Geschlechterverzerrung die Kernwerte? Zeig gewichtet gegen ungewichtet.”
“Wie groß ist die effektive Stichprobengröße nach der Gewichtung?”
“Vergleiche diese Welle mit der Umfrage vom letzten Jahr und zeig die größten Veränderungen.”
“Zeig die Deltas zwischen Baseline und Follow-up pro Frage, größtes zuerst.”
“Wie kamen die Antworten über den Erhebungszeitraum herein — hat die Erinnerung geholfen?”
“Markiere alle minderwertigen Antworten: Speeder oder Straight-Liner.”
“Wie lang war die mediane Bearbeitungszeit der Umfrage?”
“Was sticht in dieser Umfrage heraus? Bring die größten signifikanten Unterschiede automatisch ans Licht.”
“Durchsuche jedes Segment und gib mir die wichtigsten Erkenntnisse, nach Effektstärke geordnet.”
“Führe eine vollständige Analyse von Umfrage X durch und schreibe einen Bericht mit Erkenntnissen und Empfehlungen.”
“Wende den Prompt analyze_survey auf meine neueste Umfrage an.”
“Gib mir die Kernerkenntnisse plus drei konkrete Maßnahmen für das Team.”
“Scanne automatisch jedes Segment und ordne die signifikanten Unterschiede nach Effektstärke.”
“Schreib einen Management-Bericht: Kernbefunde, was statistisch belastbar ist, und fünf konkrete Maßnahmen.”
“Erstelle einen vertraulichen Bericht auf Gruppenebene, den ich dem Management-Team geben kann.”
07Von Daten zum ausgefeilten Bericht
Bitte deine KI um eine vollständige Analyse — sie liest die Zahlen direkt aus den MCP-Tools, und ein kleines Skript macht daraus ein gebrandetes, vorstandsreifes PDF. Hier sind der Ablauf und ein Beispiel.
1
In normaler Sprache fragen
“Führe eine vollständige Analyse durch und schreibe einen vertraulichen Bericht auf Gruppenebene mit Befunden und Empfehlungen.”
2
Die KI ruft die Tools auf
Sie verkettet report_bundle, key_drivers, compute_index, test_significance und mehr — alles schreibgeschützt, alles auf dein Konto beschränkt.
3
Ein Skript rendert das PDF
Übergib die zurückgegebenen Zahlen an ein kleines ReportLab- (oder HTML‑zu‑PDF-)Skript mit deinen Farben und deinem Logo. Führ es erneut aus, sobald sich die Daten ändern.
Tools hinter dem Beispiel: report_bundle, key_drivers, get_correlation_matrix, test_significance, compute_index, get_weighted_results, query_cohort, response_timeline.
SurveyLane · ANALYSEBERICHT
Vitalität am Arbeitsplatz
Veldhoek Logistiek
Einblick auf Gruppenebene in Energie, Fokus, Stress und Erholung.
97gestartet
86abgeschlossen
89%Completion
69.2Wohlbefindens-Index
Wohlbefinden auf einen Blick (0–100)
Psychologische Sicherheit84
Motivation79
Fokus72
Energie71
Schlafqualität70
Stress (ruhig)64
Größte Chance
22% sitzen mehr als 8 Stunden am Tag und machen nie Mobilitätsübungen — eine konkrete Kohorte für die Intervention. Bewegung und Ernährung haben den größten Effekt.
Erstellt über den SurveyLane-MCP-Server · Vertraulich — nur auf Gruppenebene
Illustratives Beispiel — fiktives Unternehmen, nur Zahlen auf Gruppenebene.
08Rate-Limits
Pro‑Benutzer, gleitendes 60‑Sekunden-Fenster. Wird das Limit erreicht, kommt ein sauberer Tool-Fehler mit einem retry_after_seconds-Hinweis zurück — kein HTTP 429 — sodass dein KI-Client zurückstecken kann, ohne das Gespräch zu zerbrechen.
reads
120 / min
Über all deine Tokens hinweg gezählt, sodass mehr Tokens das Budget nicht vervielfachen können. Alle Tools sind reine Datenbanklesevorgänge.
scope
read v1
In dieser Version schreibgeschützt. Die Scope-Spalte gibt es, damit später Schreib-Tools hinter einem ausdrücklichen Upgrade ergänzt werden können.
Backoff-Hinweise statt HTTP 429
Das MCP-SDK hat keine Retry-Semantik auf Transport‑Ebene. KI-Clients lesen den Fehlertext SEHR WOHL — die abgelehnte Antwort enthält einen genauen retry_after_seconds.
09FAQ
Öffne in SurveyLane Einstellungen → API access und klicke in der Token-Zeile auf Widerrufen. Das wirkt sofort — die nächste Anfrage mit diesem Token scheitert an der Authentifizierung.
MCP-Verkehr nutzt POST auf denselben Root-Pfad. Ein Browser-GET (Accept: text/html) bekommt diese Hilfeseite; der eigenständige GET-SSE-Stream eines MCP-Clients (Accept: text/event-stream) wird mit 405 abgelehnt, weil unser zustandsloser Transport keine serverseitig ausgelösten Benachrichtigungen sendet.
Nur wenn die Umfrage nicht anonym ist. Bei anonymen Umfragen werden Namen und E-Mail-Adressen der Befragten nie zurückgegeben — die Tools geben ausschließlich Aggregate und anonymisierte Antworten zurück. Die Datenschutzeinstellung, die du für die Umfrage gewählt hast, wird serverseitig erzwungen.
Nein. Jede Anfrage ist über dein persönliches Token auf dein eigenes Konto beschränkt, und Daten fließen nur zu dem MCP-Client, den du verbunden hast (z. B. dein eigenes Claude). Der Server gibt nie die Umfragen eines anderen Benutzers zurück.
Der Server gibt die rohe 0–10-Verteilung als Bausteine zurück; die KI berechnet den NPS (Promoter minus Detraktoren). Das hält den Server schlank und lässt das Modell über die Zahlen nachdenken, große Ergebnismengen paginieren und seinen Rechenweg erklären.
In dieser Version nicht — der MCP-Server ist schreibgeschützt und für die Analyse gebaut. Tokens werden mit read-Scope ausgegeben. Authoring-Tools kommen vielleicht später hinter einem separaten write-Scope.
Ja. Bitte deine KI um eine vollständige Analyse — sie zieht die Zahlen direkt aus den Tools (report_bundle, key_drivers, compute_index …); ein kleines Skript macht daraus ein gebrandetes PDF. Ein ausgearbeitetes Beispiel findest du im Abschnitt Berichte.
Jeden MCP‑fähigen Client über HTTP — Claude Code, Claude Desktop und Cursor sind unter Installation beschrieben, aber alles, was das Model Context Protocol spricht, funktioniert.
Nein. Der Server liest nur deine Daten und übergibt sie an den verbundenen MCP-Client; SurveyLane sendet sie nirgendwo anders hin und trainiert nicht damit. Was du deinen KI-Client fragst, unterliegt den Bedingungen des jeweiligen Anbieters dieses Clients.
Ja. Die Tools geben die Inhalte deiner Umfrage zurück — Niederländisch, Deutsch, Französisch oder anderes — und die KI analysiert und schreibt in der Sprache, die du verlangst. Diese Seite selbst ist in vier Sprachen verfügbar.
Live. Jeder Tool-Aufruf liest die SurveyLane-Datenbank zum Zeitpunkt der Anfrage, du arbeitest also immer mit den neuesten Antworten — ohne Synchronisierung oder Export.
