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 - Theme - Subject - yyyymm
• Détecter et archiver les doublons / versions obsolètes d'un dossier
• Générer une checklist des documents à demander client

Pipeline complet (8 étapes)

Étape 1 — Questions obligatoires (Phase 1)

Utiliser `AskUserQuestion` pour poser dans cet ordre :

1. "Où sont tes documents source ?" — un chemin (dossier ou ZIP)
2. "Où veux-tu créer la dataroom organisée ?" — chemin destination
3. "Nom du projet ?" — utilisé pour préfixer les fichiers (ex: "Project Acme")
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

Si l'utilisateur a déjà précisé tout ou partie de ces infos dans le prompt, ne pas re-demander.

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 — Question Phase 2 (checklist enrichie)

Demander via AskUserQuestion :

"Veux-tu que je génère la checklist des documents à demander au client (basée sur le contexte société + obligations légales) ?"

Options :

• Oui — génère checklist enrichie (étape 8)
• Non — termine ici

Si OUI, demander 3 infos en une seule série de questions :

1. Localisation de la société : France / Suisse / Belgique / Luxembourg / autre (auto-complète obligations légales)
2. Site web de la société : URL — sera scrapée pour détecter secteur, taille, marchés, conformités spécifiques
3. Secteur d'activité connu (optionnel — laisser vide pour détection auto via site web)
4. Sources à consulter : data.gouv (FR datasets publics) / Légifrance (lois FR) / Fedlex (lois CH) / OpenLaw / aucune

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.)

1. Cross-référence avec sources :

• Si France → consulter Légifrance + data.gouv (obligations sectorielles)
• Si Suisse → consulter Fedlex (admin.ch) + obligations OFEN/FINMA

1. 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} - {Theme N2} - {Subject} - {yyyymm}.{ext}`

Exemples :

• Project Acme - KBIS - 202505.pdf
• Project Beta - Term sheets - Investor X - 202404.pdf
• Project Acme - Bilans annuels - 2022.pdf

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

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 Q1-Q5 via AskUserQuestion]
User: [répond]
Claude: [lance pipeline scripts, livre dataroom + Excel]
Claude: [pose Q6: checklist enrichie ?]
User: Oui
Claude: [pose Q7-Q10: localisation, site web, secteur, sources]
User: [répond]
Claude: [lance enrich_checklist.py → scrape + analyse + Excel checklist]

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