# Dataroom Prep > Trie et structure des documents en vrac en dataroom M&A-ready (11 dossiers + sous-dossiers multilingues), avec classification IA, détection des doublons exacts (SHA-256), détection des versions obsolètes, et checklist contextuelle enrichie via scraping site web + sources juridiques/fiscales/comptables (Légifrance, data.gouv, Fedlex). Multilingue FR/EN/DE/IT/ES. Utiliser quand l'utilisateur dit "structure cette dataroom", "trie ces documents", "prépare cette dataroom DD", "/dataroom-prep", ou demande de transformer un dossier en vrac en dataroom M&A. - Skill: `hectelion-sa/dataroom-prep` (Agent Skill, multi-file: 9 files) - Install (CLI): `npx skillmds@latest add hectelion-sa/dataroom-prep` - Raw SKILL.md: https://api.skillmd.com/api/skills/hectelion-sa/dataroom-prep/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: AI & ML - Author: Hectelion-SA (https://skillmd.com/u/hectelion-sa) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/hectelion-sa/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. `/`). 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 ` — chemin source - `--out /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 ` — langue de la structure - `--templates templates/folder_structure_.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 ` : - 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_.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 | Source | Langue | Type | Statut | |---|---|---|---| | Firecrawl (`firecrawl_scrape`) | toutes | Scraping site web | Actif | | data.gouv (`mcp__datagouv__*`) | FR | Datasets publics français | Actif | | Légifrance (API publique gratuite) | FR | Lois, codes, jurisprudence | À implémenter (V2) | | Fedlex (Suisse) | DE/FR/IT | Droit fédéral suisse | À implémenter (V2) | | OpenLaw | FR | Jurisprudence ouverte | À implémenter (V2) | 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 : ``` / ├── / ← dataroom organisée │ ├── 01_/ (langue choisie) │ ├── 02_/ │ │ ├── / │ │ ├── / │ │ └── ... │ ├── 03_/ │ │ ├── / │ │ ├── / │ │ └── ... │ ├── ... (11 dossiers N1) │ ├── _98_/ │ ├── _99_/ │ ├── _Rapport DataPrep.xlsx ← mapping + structure + dedup │ └── _Liste documents à demander.xlsx ← si Phase 2 activée └── .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 `) 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` : ```json { "": { "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 `) : 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.