Extraction de données financières Datarails

VérifiéSûr

Extrayez des données financières validées de Datarails Finance OS vers des classeurs Excel. Génère des feuilles pour le compte de résultat, le bilan, des KPI (y compris l’ARR) et des contrôles de validation. Utile pour les analystes financiers ayant besoin de rapports structurés et recoupés depuis la plateforme Datarails.

Spar Skills Guide Bot
Data & IAIntermédiaire
02/06/2026
Claude Code
#datarails#financial-data#excel#kpi#validation

Recommandé pour

Synthèse automatique

Extrait des données financières validées de Datarails Finance OS vers un fichier Excel avec comptes de résultat, bilans, KPI et contrôles de cohérence.

Points forts

  • Validation intégrée avec recoupements entre P&L et KPI
  • Prise en charge des indicateurs clés comme ARR, Churn et LTV
  • Génération automatisée de classeurs Excel structurés
  • Gestion de la pagination et du rafraîchissement des tokens

Limites

  • Nécessite une authentification préalable via /dr-auth
  • Dépend de l'extension 'reports' du serveur MCP
  • Ne fonctionne qu'avec Datarails Finance OS et non d'autres sources
Quand l'utiliser

Utilisez cette compétence lorsque vous avez besoin d'extraire des données financières validées et structurées depuis Datarails pour les exporter dans Excel.

Quand l'éviter

Évitez de l'utiliser si vous souhaitez interroger des données en temps réel ou des tables arbitraires sans validation intégrée.

Analyse de sécurité

Sûr
Score qualité85/100

The skill uses only designated MCP tools for authentication, data extraction, and reading files; no destructive or exfiltration actions are performed.

Aucun point d'attention détecté

Comment cette analyse est faite

Exemples

Default extraction for current year
Extract financial data from Datarails and save to Excel.
Extraction with custom scenario and year
Extract financial data from Datarails for 2024 scenario Budget.
Extraction to custom file path
Extract financial data from Datarails and save to reports/financials.xlsx.

name: dr-extract description: Extract validated financial data from Datarails Finance OS to Excel. Creates workbooks with P&L, Balance Sheet, KPIs (including ARR), and validation checks. user-invocable: true allowed-tools:

  • mcp__datarails-finance-os__auth_status
  • mcp__datarails-finance-os__extract_financials
  • Read argument-hint: "[--output <file>] [--scenario <name>] [--year <YYYY>]"

Datarails Financial Data Extraction

Extract validated financial data from Finance OS to Excel workbooks with:

  • P&L Data: Revenue, COGS, Operating Expenses by month
  • KPI Data: ARR, Net New ARR, Churn, LTV, Revenue by quarter
  • Validation: Cross-checks between P&L and KPI tables

Arguments

| Argument | Description | Default | |----------|-------------|---------| | --output <file> | Output filename | tmp/Financial_Extract_YYYY.xlsx | | --scenario <name> | Primary scenario | Actuals | | --year <YYYY> | Calendar year to extract | Current year |

Workflow

Step 1: Verify Authentication

Use: auth_status
If not authenticated, guide to /dr-auth

Step 2: Run Extraction via MCP Tool

Call the extract_financials MCP tool with the parsed arguments:

Use: extract_financials
Arguments:
  year: <parsed year, default current year>
  scenario: <parsed scenario, default "Actuals">
  output_path: <parsed output, or omit for default>

The tool handles:

  • Loading the client profile for the environment
  • Pagination (500 rows per request) with auto token refresh
  • Client-side aggregation
  • Excel generation with openpyxl

Step 3: Report Results

Present the extraction summary to the user:

  • Output file path
  • Year and scenario extracted
  • Any errors or warnings

Expected Output

The tool generates an Excel workbook with:

  1. Summary sheet: Key totals and metrics
  2. P&L sheet: Monthly breakdown by account category
  3. KPIs sheet: Quarterly KPI values
  4. Validation sheet: Cross-checks and profile info

Output location: tmp/ folder (configurable via --output)

Troubleshooting

"profile_not_found" error

Run /dr-learn first to create a profile.

"missing_dependency" error

The MCP server needs the reports extra installed: pip install datarails-finance-os-mcp[reports]

Token expires during extraction

The script auto-refreshes tokens every 20K rows. If you still get 401 errors:

  1. Run /dr-auth to get fresh credentials

Missing months in data

Check System_Year filter value - must be a string ("2025"), not integer.

Related Skills

  • /dr-auth - Authenticate first
  • /dr-learn - Create/update client profile
  • /dr-tables - Explore available tables
  • /dr-query - Investigate specific records

Du fichier au premier essai

Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.

Consulter la source et ses fichiers annexes

Ce téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.

1. Télécharger le fichier

Télécharger SKILL.md

Depuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/datarails-financial-data-extraction-mm78nnlk/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.

Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.

mkdir -p '.skill-downloads/datarails-financial-data-extraction-mm78nnlk' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/datarails-financial-data-extraction-mm78nnlk/download' --output '.skill-downloads/datarails-financial-data-extraction-mm78nnlk/SKILL.md.part' && mv '.skill-downloads/datarails-financial-data-extraction-mm78nnlk/SKILL.md.part' '.skill-downloads/datarails-financial-data-extraction-mm78nnlk/SKILL.md'

2. Vérifier les prérequis

Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.

Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.

Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.

3. Charger la skill

Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.

Claude Code
test -f '.skill-downloads/datarails-financial-data-extraction-mm78nnlk/SKILL.md' && test -s '.skill-downloads/datarails-financial-data-extraction-mm78nnlk/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/dr-extract' && cp -R '.skill-downloads/datarails-financial-data-extraction-mm78nnlk' '.claude/skills/dr-extract'

OpenSkills

OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.

Installation officielle d’OpenSkills
openskills install './.skill-downloads/datarails-financial-data-extraction-mm78nnlk'

openskills read 'datarails-financial-data-extraction-mm78nnlk'

La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.

Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.

openskills sync

Mode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.

4. Faire un premier essai

Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :

Lis .skill-downloads/datarails-financial-data-extraction-mm78nnlk/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.

Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.

Skills similaires