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
Utilisez cette compétence lorsque vous avez besoin d'extraire des données financières validées et structurées depuis Datarails pour les exporter dans Excel.
Évitez de l'utiliser si vous souhaitez interroger des données en temps réel ou des tables arbitraires sans validation intégrée.
Analyse de sécurité
SûrThe 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 faiteExemples
Extract financial data from Datarails and save to Excel.Extract financial data from Datarails for 2024 scenario Budget.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:
- Summary sheet: Key totals and metrics
- P&L sheet: Monthly breakdown by account category
- KPIs sheet: Quarterly KPI values
- 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:
- Run
/dr-authto 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 annexesCe 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.mdDepuis 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’OpenSkillsopenskills 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 syncMode 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.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.