If you work in accounting, finance, or data analysis, you know the drill. You export data from an ERP system — SAP, Oracle, Sage, QuickBooks, or any legacy financial platform — and what you get is not a clean spreadsheet. It's a mess of system headers, metadata rows, separator lines, embedded notes, summary blocks, and sometimes even multiple tables stacked in the same file.

You can't load it into a pivot table. You can't feed it to Power BI. You can't even do a simple SUM() on the amounts column because it's full of currency symbols, ISO codes, and mixed decimal formats.

The manual fix? Spend 20–45 minutes deleting junk rows, reformatting cells, chasing inconsistent dates, and hoping you don't accidentally delete real data. Every. Single. Time.

CleanSheet does it in one click. Here's a real example.

Si vous travaillez en comptabilité, en finance ou en analyse de données, vous connaissez la chanson. Vous exportez des données depuis un ERP — SAP, Oracle, Sage, QuickBooks ou n'importe quelle plateforme financière — et ce que vous obtenez n'est pas un fichier propre. C'est un fouillis d'en-têtes système, de lignes de métadonnées, de séparateurs, de notes intégrées, de blocs de résumé, et parfois même plusieurs tableaux empilés dans le même fichier.

Impossible de le charger dans un tableau croisé dynamique. Impossible de l'envoyer dans Power BI. Vous ne pouvez même pas faire un simple SOMME() sur la colonne de montants parce qu'elle est remplie de symboles de devises, de codes ISO et de formats décimaux mélangés.

La correction manuelle ? Passer 20 à 45 minutes à supprimer les lignes parasites, reformater les cellules, traquer les dates incohérentes, en espérant ne pas supprimer accidentellement de vraies données. À chaque. Export.

CleanSheet le fait en un seul clic. Voici un exemple réel.

This is a test file that simulates what you get when you export from a multi-currency ERP system. It has 33 rows and 6 columns, but the actual data table is buried inside layers of system metadata, separator lines, notes, a second embedded table, and a summary block at the bottom.

Here's what the raw file looks like when you open it in Excel:

Voici un fichier de test qui simule ce que vous obtenez lorsque vous exportez depuis un ERP multi-devises. Il contient 33 lignes et 6 colonnes, mais le vrai tableau de données est enfoui sous des couches de métadonnées système, des lignes de séparation, des notes, un deuxième tableau intégré et un bloc de résumé en bas.

Voici à quoi ressemble le fichier brut lorsque vous l'ouvrez dans Excel :

Let's count the problems in this file:

• 3 junk rows above the data: the ### ERP GLOBAL EXPORT ### title, the System: FINANCE-X9 / Operator: finance.super.user metadata, and the ----- RAW DATA START (DO NOT MODIFY) ----- separator
• 1 system note mid-file: ### SYSTEM NOTE ### followed by "Values may include tax depending on regional configuration"
• A second table embedded below the main data — "Vendor Payment Table" with its own headers (Vendor Name, Payment Date, Amount Paid, Reference, Comment Flag) and 3 data rows
• A "Misc Section" with notes: "This export sometimes mixes currencies and formats."
• A summary block at the bottom: "Total records exported: 13", "Approx total value: $12,000", "Module: FIN-A1"
• 5+ currency formats in one column: $1,200.50, 980,30 €, 1200$, CAD 1 450,75, USD990.00, £1.100,00, 1,000€, CAD$870.5, 760$, € 540.90
• 7+ date formats: 01-02-25, Feb 1 2025, 2025/02/01, 02.01.2025, 1 Feb, 2025, 01.02.2025, 2025 Feb 01, 2025--02--01, 01/02/25, 2 Mar 2025, 03-02-2025, 2025/03/02
• Symbols in data: checkmarks (✓), exclamation marks (!), question marks (?) appended to status values like "Paid ✓", "done ✓", "completed✓", "review ne !", "duplicate?"
• Inconsistent text case: "ACME CORP" vs "Beta-LTD" vs "late payment" vs "needs review" vs "ok"
• 6+ empty rows scattered throughout the file

If you load this directly into a pivot table, Power BI, or any analytics tool, it will break. The column headers are wrong (row 1 says "### ERP GLOBAL EXPORT ###"), the totals will be double-counted, the dates will sort incorrectly, and the currency column is pure text.

Comptons les problèmes dans ce fichier :

• 3 lignes parasites au-dessus des données : le titre ### ERP GLOBAL EXPORT ###, les métadonnées System: FINANCE-X9 / Operator: finance.super.user, et le séparateur ----- RAW DATA START (DO NOT MODIFY) -----
• 1 note système en plein milieu : ### SYSTEM NOTE ### suivie de « Values may include tax depending on regional configuration »
• Un deuxième tableau intégré sous les données principales — « Vendor Payment Table » avec ses propres en-têtes (Vendor Name, Payment Date, Amount Paid, Reference, Comment Flag) et 3 lignes de données
• Une section « Misc » avec des notes : « This export sometimes mixes currencies and formats. »
• Un bloc de résumé en bas : « Total records exported: 13 », « Approx total value: $12,000 », « Module: FIN-A1 »
• 5+ formats de devises dans une seule colonne : $1,200.50, 980,30 €, 1200$, CAD 1 450,75, USD990.00, £1.100,00, 1,000€, CAD$870.5, 760$, € 540.90
• 7+ formats de dates : 01-02-25, Feb 1 2025, 2025/02/01, 02.01.2025, 1 Feb, 2025, 01.02.2025, 2025 Feb 01, 2025--02--01, 01/02/25, 2 Mar 2025, 03-02-2025, 2025/03/02
• Symboles dans les données : coches (✓), points d'exclamation (!), points d'interrogation (?) ajoutés aux statuts comme « Paid ✓ », « done ✓ », « completed✓ », « review ne ! », « duplicate? »
• Casse incohérente : « ACME CORP » vs « Beta-LTD » vs « late payment » vs « needs review » vs « ok »
• 6+ lignes vides éparpillées dans le fichier

Si vous chargez ce fichier directement dans un tableau croisé dynamique, Power BI ou n'importe quel outil d'analyse, ça plante. Les en-têtes de colonnes sont faux (la ligne 1 dit « ### ERP GLOBAL EXPORT ### »), les totaux seront comptés en double, les dates ne trieront pas correctement, et la colonne de montants est du texte pur.

Drag the file into CleanSheet. It reads the file entirely in your browser — nothing is uploaded to any server — and shows the file info: nightmare_financial_export_test.xls, 33 rows × 6 columns.

The cleaning options panel appears with three sections. Here's what we enable for this file:

Glissez le fichier dans CleanSheet. Il lit le fichier entièrement dans votre navigateur — rien n'est envoyé à un serveur — et affiche les infos du fichier : nightmare_financial_export_test.xls, 33 lignes × 6 colonnes.

Le panneau des options de nettoyage apparaît avec trois sections. Voici ce que nous activons pour ce fichier :

Smart Table Detection is the feature that makes this work. Without it, CleanSheet would treat row 1 (### ERP GLOBAL EXPORT ###) as the header and everything below as data — which would be a disaster. With it enabled, CleanSheet scans for the row that actually looks like column labels and discards everything above it as metadata.

The Smart Pattern Detection feature (top of the panel) is also enabled. It analyzes each column to auto-detect data types — emails, phones, dates, numbers, URLs, and zip codes — so CleanSheet can apply the right cleaning logic to each column automatically.

La Détection intelligente du tableau est la fonctionnalité qui fait fonctionner tout ça. Sans elle, CleanSheet traiterait la ligne 1 (### ERP GLOBAL EXPORT ###) comme l'en-tête et tout ce qui suit comme des données — ce qui serait catastrophique. Avec cette option activée, CleanSheet cherche la ligne qui ressemble réellement à des noms de colonnes et ignore tout ce qui est au-dessus en tant que métadonnées.

La fonctionnalité Détection intelligente des motifs (en haut du panneau) est aussi activée. Elle analyse chaque colonne pour détecter automatiquement les types de données — emails, téléphones, dates, nombres, URLs et codes postaux — afin que CleanSheet applique la bonne logique de nettoyage à chaque colonne.

This is where the critical decisions are made. The « Amount / Currency » column in this file is a wild mix:

The three key settings for this file:

• Clean money values: Strips all currency symbols ($, €, £) and normalizes to pure numbers.
• Currency code handling: « Strip code, keep number ». This means USD990.00 becomes 990.00 and CAD 1 450,75 becomes 1450.75. The ISO code is removed but the number is preserved with the correct decimal value.
• Date region: Europe (DD/MM/YYYY). This tells CleanSheet that 01/02/25 means January 2nd (European day-first order), not February 1st (US month-first). The file header says « Region: Global / Mixed » so we pick the format that matches the majority of the data.

C'est ici que les décisions critiques sont prises. La colonne « Amount / Currency » dans ce fichier est un mélange sauvage :

Les trois réglages clés pour ce fichier :

• Nettoyer les valeurs monétaires : Retire tous les symboles de devises ($, €, £) et normalise en nombres purs.
• Traitement des codes de devise : « Retirer le code, garder le nombre ». USD990.00 devient 990.00 et CAD 1 450,75 devient 1450.75. Le code ISO est retiré mais le nombre est préservé avec la bonne valeur décimale.
• Région des dates : Europe (JJ/MM/AAAA). Cela indique à CleanSheet que 01/02/25 signifie le 2 janvier (ordre européen jour d'abord), pas le 1^er février (ordre américain mois d'abord). L'en-tête du fichier dit « Region: Global / Mixed », donc on choisit le format qui correspond à la majorité des données.

In this file, the Status and Comment columns have symbols mixed into the text:

• Paid ✓ and done ✓ — checkmarks appended to status values
• approved ✓ — a different checkmark variant
• review ne ! — exclamation mark as a flag
• duplicate? — question mark as a flag

With symbol handling set to « Remove », these are stripped: « Paid ✓ » becomes « Paid », « done ✓ » becomes « Done » (after case correction too).

Case correction handles the inconsistent text. « late payment » becomes « Late Payment », « needs review » becomes « Needs Review », « ok » becomes « Ok ». Business suffixes are handled intelligently: « Atlas Ltd » becomes « Atlas LTD » and « Nova Corp » becomes « Nova CORP » — CleanSheet recognizes LTD, CORP, INC, LLC as standard abbreviations.

Dans ce fichier, les colonnes Statut et Commentaire contiennent des symboles mélangés au texte :

• Paid ✓ et done ✓ — coches ajoutées aux valeurs de statut
• approved ✓ — une variante de coche
• review ne ! — point d'exclamation comme indicateur
• duplicate? — point d'interrogation comme indicateur

Avec le traitement des symboles réglé sur « Supprimer », ils sont retirés : « Paid ✓ » devient « Paid », « done ✓ » devient « Done » (après correction de casse aussi).

La correction de casse gère les incohérences : « late payment » devient « Late Payment », « needs review » devient « Needs Review », « ok » devient « Ok ». Les suffixes commerciaux sont traités intelligemment : « Atlas Ltd » devient « Atlas LTD » et « Nova Corp » devient « Nova CORP » — CleanSheet reconnaît LTD, CORP, INC, LLC comme des abréviations standard.

One click. That's it. CleanSheet processes the entire file in under a second and shows the cleaning report with a summary at the top and detailed breakdown below.

Un seul clic. C'est tout. CleanSheet traite le fichier entier en moins d'une seconde et affiche le rapport de nettoyage avec un résumé en haut et un détail complet en dessous.

Here's what the report tells us:

Voici ce que le rapport nous dit :

CleanSheet doesn't clean your data silently. It shows you a complete log of every cell that was modified, with the row number, column, old value, and new value. Nothing is hidden.

CleanSheet ne nettoie pas vos données en silence. Il vous montre un journal complet de chaque cellule modifiée, avec le numéro de ligne, la colonne, l'ancienne valeur et la nouvelle valeur. Rien n'est caché.

Every currency format is handled correctly: dollar signs before or after, euro signs, pound signs, ISO codes (USD, CAD, EUR), European comma decimals, North American period decimals, space thousands separators. The output is always a clean number ready for SUM(), AVERAGE(), or any calculation.

Chaque format de devise est traité correctement : signes dollar avant ou après, signes euro, signes livre, codes ISO (USD, CAD, EUR), virgules décimales européennes, points décimaux nord-américains, séparateurs de milliers avec espaces. La sortie est toujours un nombre propre prêt pour SOMME(), MOYENNE() ou tout autre calcul.

If you look at the raw file screenshot above, you'll notice a second table embedded below the main data: the « Vendor Payment Table » with its own column headers (Vendor Name, Payment Date, Amount Paid, Reference, Comment Flag) and 3 data rows.

This is a common pattern in ERP exports — the system dumps multiple reports into a single file. In this case, the main transaction table has 10 rows and 6 columns, while the vendor payment table has 3 rows and 5 columns.

CleanSheet includes multi-table detection that scans for blank-row gaps combined with column structure changes. When both conditions are met, it identifies separate tables and selects the largest one. In this specific file, the two tables have a similar column count (5–6 columns), so the multi-table detection correctly does not trigger — which is the safe, conservative behavior. Instead, the smart table detection pipeline handles the situation by identifying the main table's header and filtering out non-conforming rows.

The result: the main transaction table is extracted cleanly, and the vendor payment rows remain visible in the output as separate data. All metadata, summary blocks, and junk rows are removed.

Si vous regardez la capture d'écran du fichier brut ci-dessus, vous remarquerez un deuxième tableau intégré sous les données principales : le « Vendor Payment Table » avec ses propres en-têtes de colonnes (Vendor Name, Payment Date, Amount Paid, Reference, Comment Flag) et 3 lignes de données.

C'est un schéma courant dans les exports ERP — le système combine plusieurs rapports dans un seul fichier. Ici, le tableau principal de transactions a 10 lignes et 6 colonnes, tandis que le tableau de paiements fournisseurs a 3 lignes et 5 colonnes.

CleanSheet inclut une détection multi-tableau qui recherche des écarts de lignes vides combinés à des changements de structure de colonnes. Quand les deux conditions sont réunies, il identifie les tableaux séparés et sélectionne le plus grand. Dans ce fichier spécifique, les deux tableaux ont un nombre de colonnes similaire (5–6 colonnes), donc la détection multi-tableau ne se déclenche correctement pas — c'est le comportement prudent et conservateur attendu. À la place, le pipeline de détection intelligente gère la situation en identifiant l'en-tête du tableau principal et en filtrant les lignes non conformes.

Le résultat : le tableau principal de transactions est extrait proprement, et les lignes de paiements fournisseurs restent visibles dans la sortie comme données séparées. Toutes les métadonnées, blocs de résumé et lignes parasites sont supprimés.

If you had loaded this file directly into Excel, Power BI, QuickBooks, or any analysis tool:

• Row 1 would be the header — your columns would be named « ### ERP GLOBAL EXPORT ### » and « FINANCE-X9 » instead of « Client|Account » and « Transaction Date »
• The « Amount » column would be text, not numbers — SUM() would return 0 and any calculation would fail
• « Total records exported: 13 » would be included in the data, inflating your row count and corrupting aggregations
• The Vendor Payment Table would be mixed with the main data, combining invoices and payments into one incoherent table
• Dates would sort incorrectly — « 01-02-25 » and « 2025/02/01 » and « Feb 1 2025 » would all be treated as text strings
• Filtering by « Paid » would miss « Paid ✓ » because of the checkmark character
• Pivot tables would create separate categories for « late payment », « Late Payment », and « LATE PAYMENT »

CleanSheet fixes all of this in one click: 33 rows to 24, 49 cells corrected, every change tracked in the report.

Si vous aviez chargé ce fichier directement dans Excel, Power BI, QuickBooks ou n'importe quel outil d'analyse :

• La ligne 1 serait l'en-tête — vos colonnes s'appelleraient « ### ERP GLOBAL EXPORT ### » et « FINANCE-X9 » au lieu de « Client|Account » et « Transaction Date »
• La colonne « Amount » serait du texte, pas des nombres — SOMME() retournerait 0 et tout calcul échouerait
• « Total records exported: 13 » serait inclus dans les données, gonflant votre nombre de lignes et corrompant les agrégations
• Le Vendor Payment Table serait mélangé avec les données principales, combinant factures et paiements dans un seul tableau incohérent
• Les dates ne trieraient pas correctement — « 01-02-25 », « 2025/02/01 » et « Feb 1 2025 » seraient tous traités comme des chaînes de texte
• Filtrer par « Paid » ne trouverait pas « Paid ✓ » à cause du caractère de coche
• Les tableaux croisés dynamiques créeraient des catégories séparées pour « late payment », « Late Payment » et « LATE PAYMENT »

CleanSheet corrige tout ça en un seul clic : 33 lignes deviennent 24, 49 cellules corrigées, chaque changement tracé dans le rapport.