--- name: dataroom-prep description: 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. --- # 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 ` — 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 — 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.) 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} - {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.