Dataroom Prep

dataroom-prep — Skill de préparation de dataroom M&A

Quand utiliser ce skill

Déclencher quand l'utilisateur demande de :

• Trier / organiser / structurer des documents en vrac en dataroom DD
• Préparer une dataroom M&A pré-upload VDR (Ansarada, Datasite, Drooms, etc.)
• Renommer en masse des documents avec convention Project X - Intitulé du document - yyyymmdd
• Détecter et archiver les doublons / versions obsolètes d'un dossier
• Générer une checklist des documents à demander client

Confidentialité & zéro exfiltration (RÈGLE ABSOLUE)

🔒 Les documents et leur contenu ne quittent JAMAIS le PC de l'utilisateur. Toute la persistance se fait en local (workdir + dossier destination) ; rien n'est envoyé vers un serveur externe.

Règles non négociables :

1. Traitement local par défaut. Extraction, classification, dedup, build, Excel mapping et le Top 50 des documents manquants sont 100% hors-ligne (scripts Python, listes DD locales dans data_sources/). Aucun appel réseau n'est requis pour produire une dataroom complète.
2. Ne JAMAIS envoyer de contenu de document — ni un fichier, ni un snippet extracted.json, ni un titre/chemin issu des documents — vers un outil externe : pas de Firecrawl, pas de data.gouv, pas de WebSearch/WebFetch, pas de MCP tiers, pas d'upload. Ces données restent strictement dans la session et sur le disque local.
3. Aucune donnée client dans la mémoire persistante. Ne rien écrire dans MEMORY.md ni dans les fichiers memory/ qui contienne un nom de société cible, un chiffre, un titre de document ou tout élément du mandat. La mémoire ne sert qu'aux notes de process génériques.
4. Seule exception réseau = Étape 8 (checklist enrichie), strictement opt-in. Cette étape appelle firecrawl_scrape sur le site web public de la société + des sources juridiques (data.gouv / Légifrance / Fedlex). Elle n'envoie QUE l'URL publique et des requêtes secteur/droit — jamais le contenu des documents. Avant de la lancer, prévenir l'utilisateur : « cette étape contacte des serveurs externes (le site public de la société + sources légales) ; veux-tu la lancer ou rester 100% hors-ligne ? ». Si l'utilisateur veut le zéro-réseau total, sauter l'Étape 8 et se contenter du Top 50 local (étape 5bis), qui couvre déjà la liste des documents à demander sans aucune connexion.
5. Nettoyage des résidus. Écrire les fichiers de travail (extracted.json, decisions.json) dans un workdir temporaire isolé, jamais dans scripts/. Ne pas laisser traîner de fichier contenant des titres/snippets de documents client dans le dossier du skill après le run.

Pipeline complet (8 étapes)

Étape 1 — Questions obligatoires (TOUT poser au début, en une seule passe)

⚠️ RÈGLE DE FLUX : poser TOUTES les questions au tout début, avant de lancer le moindre script. L'objectif est de pouvoir enchaîner l'intégralité du pipeline (extraction → classification → dedup → build → Excel → checklist enrichie) sans interruption ni nouvelle question. Ne PAS découper en « Phase 1 » / « Phase 2 ». La décision sur la checklist enrichie (et ses sous-questions) est demandée ICI, en amont, pas après le build.

Utiliser AskUserQuestion pour poser dans cet ordre (regrouper en quelques écrans de questions multiples ; idéalement tout collecter avant la première action) :

1. "Où sont tes documents source ?" — un chemin (dossier ou ZIP). Question obligatoire, toujours posée explicitement si le chemin n'a pas déjà été donné dans le prompt.
2. "Où veux-tu créer la dataroom organisée ?" — chemin destination. Question obligatoire, toujours posée explicitement si le chemin n'a pas déjà été donné dans le prompt. Proposer par défaut un sous-dossier à côté de la source (ex. <dossier parent source>/<Project name>).
3. "Nom du projet ?" — utilisé pour préfixer les fichiers (ex: "Project Medicaps")
4. "Dans quelle langue veux-tu la structure de dossiers ?" — FR / EN / DE / IT / ES
5. "Dans quelle langue veux-tu le fichier Excel mapping ?" — FR / EN / DE / IT / ES
6. "Quels noms anonymiser ?" — NE JAMAIS POSER cette question. L'anonymisation est TOUJOURS active par défaut, sans confirmation (« bien sûr que oui »). Le nom réel de la société cible + ses marques/filiales/entités liées sont détectés automatiquement par Claude depuis le contenu des documents extraits, puis passés à --scrub de façon strictement interne. Ces noms ne doivent JAMAIS être écrits, affichés, ni dans une question, ni dans le chat, ni dans le raisonnement (cf. RÈGLE ABSOLUE plus bas).
7. "Provenance de la documentation (pays) ?" — France (FR) / Suisse (CH). Choisit la liste DD de référence pour le Top 50 des documents manquants (cf. étape 5bis).
8. "Secteur d'activité ?" — onglet de la liste DD : BTP / Industrie / Services & Conseil / Tech / Distribution / Santé / Immobilier / Hôtellerie-Restauration / Transport & Logistique / Agroalimentaire.
9. "Veux-tu aussi la checklist enrichie des documents à demander au client ?" — Oui / Non. Posée ici, dès le début (et non après le build). Si Oui, enchaîner immédiatement dans la même passe de questions les sous-questions de la checklist enrichie :
   • Localisation de la société : France / Suisse / Belgique / Luxembourg / autre
   • Site web de la société : URL (sera scrapée pour détecter secteur, taille, marchés, conformités)
   • Secteur d'activité connu (optionnel — vide = détection auto via site web)
   • Sources à consulter : data.gouv / Légifrance / Fedlex / OpenLaw / aucune

⚠️ PIÈGE À NE PLUS REFAIRE : ne jamais reporter Q1/Q2/Q3 (chemins + nom de projet) à plus tard sous prétexte que AskUserQuestion exige 2 à 4 options et ne fait pas de texte libre nativement. Ces trois questions sont des chemins/texte libre : elles DOIVENT quand même apparaître dans le tout premier envoi de questions, pas dans un second aller-retour. Technique à utiliser : donner 2 options factices qui couvrent les cas réels (ex. pour la destination, "À côté de la source" vs "Autre emplacement" — l'utilisateur tape le chemin réel via l'option "Other", toujours disponible automatiquement) plutôt que d'omettre la question du premier lot. Un lot de questions qui ne contient QUE des choix fermés (langue, pays, secteur…) et laisse le chemin source pour « après » est un flux raté — corriger avant d'envoyer.

Si l'utilisateur a déjà précisé tout ou partie de ces infos dans le prompt, ne pas re-demander. Une fois toutes les réponses collectées, dérouler le pipeline complet sans poser d'autre question.

Étape 2 — Extraction de texte

Lancer scripts/extract.py avec :

• --source <path_user> — chemin source
• --out <skill_workdir>/extracted.json — workdir temporaire

Le script :

• Scanne récursivement les .pdf .docx .xlsx .pptx .doc .xls .msg
• Exclut les artefacts (code, builds, .cache, node_modules, _files/)
• Extrait un snippet de 2-3K caractères par doc
• Sort un JSON avec relpath, filename, parent_folder, snippet, readable

Étape 3 — Classification IA (règles + parent_folder)

Lancer scripts/classify.py avec :

• --extracted extracted.json
• --language <FR/EN/DE/IT/ES> — langue de la structure
• --templates templates/folder_structure_<lang>.json

Le script :

• Charge le template multilingue
• Pour chaque doc, classe en (folder_N1, theme_N2, confidence) via heuristiques parent_folder + filename + snippet
• LOW confidence → forcé en 11_Document à trier
• Génère un nouveau nom : {Project} - {Theme} - {Subject} - {yyyymm}.{ext}

Étape 4 — Détection doublons + versions

Lancer scripts/dedup.py :

• Hash SHA-256 sur chaque fichier → groupes de doublons exacts
• Clustering par filename normalisé (retire dates, versions, suffixes) → versions
• Garde la version au score le plus élevé (final > signed > v3 > v2 > v1 > draft, et date la plus récente)

Étape 5 — Build dataroom N1/N2

Lancer scripts/build_dataroom.py :

• Crée la structure 11 dossiers N1 dans le destination user
• Sous-dossiers N2 par theme (NDA, Brevets, Bilans annuels, Commercial - Client X, etc.)
• Copie + renomme les UNIQUE dans la dataroom principale
• Archive les DOUBLON_EXACT dans _98_Doublons exacts/
• Archive les VERSION_OBSOLETE dans _99_Versions anciennes/{N1}/{N2}/

Étape 6 — Excel mapping multilingue

Lancer scripts/generate_mapping.py --lang <excel_lang> :

• Colonnes : Original | Chemin source | Nouveau nom | Dossier N1 | Sous-dossier N2 | Confiance | Statut dedup | Chemin final
• Headers traduits selon excel_lang
• Charte Hectelion : navy #182E4E, cellules input cyan #72C7E7, police Calibri 9-11 pt
• 5 onglets : Dashboard | Mapping | Structure dataroom | Doublons & versions | (placeholder) Checklist

Étape 7 — Branchement checklist enrichie (PAS de nouvelle question)

⚠️ Ne RIEN re-demander ici. La décision (Oui/Non) et ses 4 sous-réponses (localisation, site web, secteur connu, sources) ont déjà été collectées à l'Étape 1. Se contenter de brancher :

• Si l'utilisateur a répondu Non à la checklist → terminer le pipeline après l'Étape 6.
• Si l'utilisateur a répondu Oui → enchaîner directement l'Étape 8 avec les réponses déjà en main (localisation, URL site web, secteur connu, sources).

Étape 8 — Enrichissement checklist

Lancer scripts/enrich_checklist.py :

1. Scrape site web via Firecrawl (firecrawl_scrape) → texte de la page d'accueil + about + produits/services
2. Analyse contextuelle : utiliser Claude (via prompt structuré) pour identifier :
   • Secteur précis (MedTech, SaaS, immobilier, retail, etc.)
   • Présence internationale (filiales, exports)
   • Effectif estimé
   • Conformités requises (CE, FDA, ISO, RGPD, HIPAA, etc.)
3. Cross-référence avec sources :
   • Si France → consulter Légifrance + data.gouv (obligations sectorielles)
   • Si Suisse → consulter Fedlex (admin.ch) + obligations OFEN/FINMA
4. Génère un Excel "Project X - Liste documents à demander.xlsx" avec 4 colonnes :
   • Catégorie (par dossier N1/N2)
   • Document/Information demandé
   • Pourquoi (référence légale ou contextuelle)
   • Statut (✓ déjà présent / ⚠ partiel / ✗ à demander)

Le tout sauvegardé au chemin destination user.

Templates de structure de dossiers multilingues

Chaque langue a son fichier templates/folder_structure_<lang>.json avec :

• Noms des 11 dossiers N1
• Mapping des themes N2 fréquents (Bilans annuels, NDA, Brevets, KBIS, etc.)

Langues supportées : FR, EN, DE, IT, ES. Pour autre langue : utiliser Claude pour traduire les noms à la volée.

Sources de données externes

Pour V1, focus sur Firecrawl + data.gouv. Les autres en V2.

Livrables finaux

À la fin du pipeline complet, l'utilisateur trouve dans son dossier destination :

<destination>/
├── <Project name>/                                    ← dataroom organisée
│   ├── 01_<Informations générales>/                  (langue choisie)
│   ├── 02_<Finance>/
│   │   ├── <Bilans annuels>/
│   │   ├── <Facturation commerciale>/
│   │   └── ...
│   ├── 03_<Légal>/
│   │   ├── <NDA & confidentialité>/
│   │   ├── <Brevets>/
│   │   └── ...
│   ├── ... (11 dossiers N1)
│   ├── _98_<Doublons exacts>/
│   ├── _99_<Versions anciennes>/
│   ├── _Rapport DataPrep.xlsx                        ← mapping + structure + dedup
│   └── _Liste documents à demander.xlsx              ← si Phase 2 activée
└── <Project name>.zip                                  ← ZIP livrable

Conventions de renommage

Pattern obligatoire : {Project} - {Intitulé réel du document} - {yyyymmdd}.{ext}

⚠️ RÈGLE ABSOLUE — ANONYMISATION (toujours active, jamais négociée). Le nom réel de la société cible, de ses marques, filiales et entités liées ne doit JAMAIS apparaître nulle part — y compris :

• dans les noms de fichiers, sous-dossiers, Excel (y compris colonne « Nom original ») et titres ;
• dans tes messages de chat à l'utilisateur ;
• dans tes questions (AskUserQuestion ou autres) ;
• dans ton raisonnement / réflexion visible, y compris pendant l'étape où tu cherches à identifier ce nom pour le scrubber.

Seul le nom de PROJET est visible, partout (ex. « la société cible », « Project X »). Ne jamais demander si l'on doit anonymiser : la réponse est toujours oui, implicitement. Lors du titrage IA, décrire le document de façon générique (ex. « entité holding » et non le vrai nom).

Détection automatique + filet technique : Claude identifie lui-même les noms réels depuis le contenu extrait (sans jamais les afficher), puis les passe à --scrub de run_pipeline.py, qui retire automatiquement toute occurrence (insensible casse, limites de mots) des noms interdits dans les fichiers/dossiers/Excel générés. Pour éviter que le nom réel transparaisse même dans une commande shell affichée, écrire la liste de scrub dans un fichier local non commenté (--scrub-file <chemin>) plutôt que de l'inliner dans --scrub "..." lorsque c'est possible.

Quatre règles strictes (édictées par l'utilisateur) :

1. Ne JAMAIS reprendre le vieux nom de fichier brut. L'intitulé doit être un titre propre déduit du contenu du document (lu via extraction / OCR), pas le nom d'origine. ❌ ... - PV AG fin rem 08 VD - 2024.pdf ❌ ... - StatutsMai2020 - undated.pdf ✅ ... - Procès-verbal AGO cessation rémunération du Président - 20240830.pdf
2. Ne JAMAIS répéter le nom du dossier / thème dans le nom de fichier : l'arborescence porte déjà le thème. ❌ ... - Marketing & commercial - Plan marketing ... ✅ ... - Plan marketing 2021-2022.docx
3. Date au format yyyymmdd (ou yyyymm / yyyy si le jour/mois est inconnu, ou rien si le document n'a pas de date pertinente).
4. L'intitulé doit rester COURT et descriptif — l'essentiel du document en quelques mots (viser ~3 à 7 mots, pas de phrase entière ni de sous-clauses). Garder le type de document + l'élément qui le distingue des autres du même type, rien de plus. ❌ ... - Procès-verbal de l'Assemblée Générale Ordinaire Annuelle statuant sur l'approbation des comptes de l'exercice clos le 31 décembre 2020 - 20210630.pdf ✅ ... - PV AGO approbation des comptes 2020 - 20210630.pdf

Format final à retenir : Nom [Projet] + Nom du document (court, descriptif) + yyyymmdd.

Exemples :

• Project Hectelion - Extrait Kbis - 20250506.pdf
• Project Hectelion - Term Sheet signé - 20220428.pdf
• Project Hectelion - Comptes annuels - attestation de conformité - 20201231.pdf
• Project Hectelion - Table de capitalisation.xlsx (sans date)

Pour les documents en 11_Document à trier (confiance LOW), garder le nom original sans renommage.

Mécanisme de titrage par contenu (lecture + OCR)

Le titre propre ne peut pas être deviné depuis le nom de fichier : il faut comprendre le contenu. Le pipeline procède donc en deux temps :

1. Extraction enrichie (run_pipeline.py) :
   • PDF lus via PyMuPDF (couche texte native, bien plus fiable que pypdf).
   • PDF scannés (sans couche texte) → fallback OCR via pytesseract + Pillow (rendu image puis OCR fra+eng). Avant toute extraction réelle (mode --source), le pipeline vérifie automatiquement que pytesseract/Pillow/le binaire tesseract sont présents et, sinon, tente de les installer tout seul (pip install pytesseract pillow + winget install UB-Mannheim.TesseractOCR sur Windows, brew install tesseract sur macOS, apt-get install tesseract-ocr sur Linux) — silencieux et non bloquant : si l'installation échoue (pas d'admin, pas de gestionnaire de paquets, pas de réseau), le doc est marqué SCANNED_NO_OCR et l'extraction reste gracieuse (pas de crash). Ne jamais sauter cette vérification ni la rendre optionnelle : l'objectif est qu'un maximum de PDF scannés soient lus, à chaque lancement du skill, sans intervention manuelle.
   • Word (python-docx) et Excel (openpyxl) lus nativement.
2. Décisions IA : après extraction, Claude lit les snippets (et, pour les PDF scannés non couverts par tesseract, rasterise la page en PNG via PyMuPDF puis la lit comme image — OCR visuel) et produit un fichier decisions.json :

   { "<relpath>": { "n1": "03", "n2": "PV Assemblées",
                    "title": "Procès-verbal AGO ...", "date": "20240830",
                    "confidence": "HIGH" } }
   

   Le pipeline est relancé avec --decisions-json : ces titres/classements surchargent les heuristiques. Le champ date fourni (même vide) est respecté littéralement.

Flux recommandé :

python run_pipeline.py --source ... --extract-only extracted.json   # 1. extraire
# 2. Claude lit extracted.json (+ OCR visuel des PDF scannés) -> decisions.json
python run_pipeline.py --source ... --decisions-json decisions.json --make-zip   # 3. build

Dépendances : pymupdf (requis pour l'extraction enrichie + le rendu OCR visuel) ; pytesseract + Pillow + binaire tesseract pour l'OCR automatique en lot — auto-installés par le pipeline lui-même à chaque lancement s'ils manquent (voir ci-dessus), donc à ne plus jamais demander à l'utilisateur d'installer manuellement en amont.

Documents manquants — Top 50 par catégorie (étape 5bis)

Après le tri, le rapport Excel gagne un onglet « Documents à demander » : le Top 50 des documents importants MANQUANTS, groupés par catégorie et triés par priorité.

Source : les listes DD de référence Hectelion (issues du SaaS VDR prep), une par pays, avec un onglet par secteur (~344 exigences chacune, colonne Priorité Haute/Moyenne/Basse) :

• data_sources/Hectelion - Listes DD - FRANCE.xlsx
• data_sources/Hectelion - Listes DD - SUISSE.xlsx

Mécanique (run_pipeline.py --country FR|CH --sector <onglet>) :

1. Charge la liste DD du pays + secteur choisis.
2. Marque chaque exigence présent/manquant par recouvrement de tokens avec les documents réellement classés dans la dataroom (statut « présents (estimés) » — à revérifier).
3. Écrit l'onglet, colonnes Catégorie | Réf. | Document à demander | Priorité | Période | Base légale.

Répartition PROPORTIONNELLE obligatoire : les 50 slots sont distribués entre catégories (apportionnement au plus fort reste, pondéré par le nb de manquants de chaque section, min 1 par catégorie représentée), au lieu de tout concentrer sur les grosses sections (Finance). Ex. ~10 Finance, ~7 Juridique, ~6 RH, ~5 Fiscal, ~3 Opérations… À l'intérieur de chaque catégorie, priorité Haute d'abord. Objectif : une demande client équilibrée couvrant tous les volets de la DD.

C'est la version template-driven de la checklist Phase 2 (plus fiable que le scraping) : le pays oriente les obligations légales, le secteur la liste métier.

Charte graphique des livrables Excel

Toujours appliquer la charte Hectelion (skill hectelion-brand auto-chargé) :

• Headers : fond #182E4E, texte blanc, Calibri 11 pt Bold
• Cellules input : fond cyan #72C7E7
• Cellules données : Calibri 9-11 pt, blanc
• Titres éditoriaux d'onglet : Cardo 25 pt / 18 pt
• Statut dedup : MINT vert / WARNING orange / ALERT rouge

Anti-patterns à éviter

• ❌ Inventer une classification quand le document est illisible → forcer 11_Document à trier
• ❌ Renommer un doc qui va en 11_À trier → garder son nom original
• ❌ Ignorer les doublons exacts → toujours les détecter et archiver séparément
• ❌ Mettre tous les docs en racine d'un dossier N1 → toujours créer la structure N2
• ❌ Hardcoder la langue FR → respecter le choix utilisateur

Exemple d'invocation

User: /dataroom-prep
Claude: [Pose TOUTES les questions au début via AskUserQuestion :
         Q1 source, Q2 destination, Q3 nom projet, Q4 langue structure,
         Q5 langue Excel, Q7 pays, Q8 secteur, Q9 checklist enrichie Oui/Non
         (+ si Oui : localisation, site web, secteur connu, sources)]
User: [répond à tout]
Claude: [déroule TOUT le pipeline sans interruption :
         extraction → classification → dedup → build dataroom + Excel
         → si checklist=Oui : enrich_checklist.py → scrape + analyse + Excel checklist]
Claude: [livre dataroom + Excel(s) + ZIP]

Pour usage automatisé/scriptable, voir scripts/run_pipeline.py qui orchestre les 8 étapes.