https://www.vianova.io/
París
,
España
Solicitar contacto
Última actualización:
28
/
05
/
2026
Publicado:
28
/
05
/
2026

Vianova

Vianova ofrece una plataforma SaaS especializada en inteligencia de datos para la gestión inteligente de la movilidad urbana. Su tecnología, basada en inteligencia artificial predictiva e integrable con múltiples fuentes de datos, proporciona análisis en tiempo real y visualizaciones intuitivas para optimizar infraestructuras, gestionar la micromovilidad, el tráfico, la seguridad vial y la logística urbana. Asegura altos estándares en privacidad y seguridad, cumpliendo con SOC 2 Tipo II y el reglamento GDPR, facilitando la transformación digital en ciudades y administraciones públicas.

Caso de uso:
Red de Transporte sostenible y cálculo de emisiones de CO2
Caso de uso:
Control del tráfico comercial y espacios para logística en núcleos urbanos
Datos de la empresa

Año de fundación

2019

NIF/CIF

B82469529

Certificaciones

RGPD
Todavía no dispone de certificaciones.

Nº de Empleados

31

Tipo de empresa:

Startup / Scaleup

Tipo de oferta

Servicio

Modelo de negocio

Suscripción

Tecnologías

APIS, Big Data, Software, Robotics, Artificial Intelligence, Machine Learning, LLMs, IOT, Hardware, APIs y desarrollos software, Cloud, Computación avanzada, Inteligencia Artificial, Internet of Things (IoT), Plataformas, Vehículos autónomos, Otros, Machine learning, demand prediction

Premios

  • Top10 EUR Startups for Sustainable Mobility 2022 - European Startup prize for Mobility. Reconocimiento respaldado por el Parlamento Europeo y BCG.
  • Top 25 de startups Deep Tech en movilidad en Europa - X-Europe y The Next Web (TNW).
  • Top 100 de startups de transporte en Francia - Lista de las 100 principales startups y empresas de transporte en Francia.
  • Mobility 4.0 Challenge de Software République.
  • Finalista en Rider's Choice Awards 2024 - Categoría "Mejor empresa de datos y planificación".

Aceleradoras

EIT KIC Urban Mobility, SDAIA, Plug&Play, Software République.
Tracción pública

Clientes destacados

Madrid, Bruselas, Burdeos, Estocolmo, Milan, Lisboa, Riga, Colonia, Zurich, Integrated Transport Center of Abu Dhabi.

Sectores de la administración

Energía, Planeación Territorial, Turismo, Medio Ambiente y Transición Energética, Obras públicas, Transporte y Movilidad
Solvencia económica

Inversores

RATP Capital Innovation, Contrarian Ventures, Rebel, EIT Urban Mobility, Baloise Group, Ponooc, La Poste Ventures.

Nº total de clientes hasta la fecha

61

Premios

  • Top10 EUR Startups for Sustainable Mobility 2022 - European Startup prize for Mobility. Reconocimiento respaldado por el Parlamento Europeo y BCG.
  • Top 25 de startups Deep Tech en movilidad en Europa - X-Europe y The Next Web (TNW).
  • Top 100 de startups de transporte en Francia - Lista de las 100 principales startups y empresas de transporte en Francia.
  • Mobility 4.0 Challenge de Software République.
  • Finalista en Rider's Choice Awards 2024 - Categoría "Mejor empresa de datos y planificación".

Aceleradoras

EIT KIC Urban Mobility, SDAIA, Plug&Play, Software République.

Datos de la empresa

Año
Ventas
Empleados
EBITDA
Clientes
Ronda
Inversión
Inversores
Todavía no se han publicado datos de la empresa.
This is some text inside of a div block.
Caso de uso

Red de Transporte sostenible y cálculo de emisiones de CO2

Contexto

La ciudad de Tallinn, reconocida por su ambición en sostenibilidad, participa en la iniciativa europea AI4Cities con el objetivo de acelerar la neutralidad climática a través de soluciones tecnológicas basadas en inteligencia artificial. En este marco, Tallinn identificó una oportunidad para reforzar su red de transporte sostenible enfocándose en trayectos urbanos de corta distancia (menos de 5 km), que siguen realizándose mayoritariamente en coche. La colaboración se estableció entre el Ayuntamiento, la consultora Rebel y la startup govtech Vianova, en el contexto del programa Horizon 2020 de la Unión Europea.

Problema

  • Discontinuidad en la red ciclista: la existencia de tramos inconexos dificultaba enlazar zonas de alta demanda.
  • Barreras para la adopción de movilidad sostenible: la falta de continuidad limitaba el uso de bicicletas y patinetes compartidos.
  • Ausencia de herramientas de simulación dinámica: la ciudad no disponía de soluciones para anticipar el impacto de nuevas infraestructuras o políticas.
  • Dificultad para priorizar inversiones: la falta de evidencia cuantitativa complicaba justificar intervenciones en términos de reducción de emisiones.
  • Limitaciones del análisis climático tradicional: los enfoques existentes eran lentos, costosos y poco adaptables a decisiones en tiempo real.
...

Solución

  • Modelo granular de reparto modal: permitió construir un análisis detallado de trayectos de menos de 5 km, segmentado por zonas geográficas.
  • Cálculo de emisiones actuales y potencial de reducción: permitió estimar emisiones por modo de transporte y cuantificar el ahorro al sustituir coche por micromovilidad o bicicleta.
  • Simulación predictiva con machine learning: permitió estimar el número de dispositivos y viajes esperados en distintos escenarios temporales.
  • Identificación de vacíos en la red ciclista: permitió detectar 50 puntos críticos de desconexión y evaluar su impacto potencial.
  • Escenarios de adopción y cuantificación de impacto: permitió analizar distintos niveles de adopción (2 %, 5 % y 10 %) y su efecto en la movilidad.
  • Estimación del ahorro de CO₂: permitió proyectar el impacto ambiental de las intervenciones, superando las 2.000 toneladas de CO₂ evitadas.

 

...

Impacto

  • Reducción estimada de emisiones: entre 1.03 y 5.18 toneladas de CO₂ (micromovilidad compartida) y hasta 1.729 toneladas (bicicletas privadas) solo en el primer año, dependiendo del escenario de adopción.
  • Priorización de inversiones: la herramienta permitió orientar la toma de decisiones hacia aquellos corredores con mayor retorno climático, optimizando el gasto público.
  • Gestión basada en datos: se integraron datos propios del municipio (contadores de tráfico, calidad del aire, reclamaciones vecinales, estaciones de carga, etc.) para afinar las predicciones y facilitar el monitoreo en tiempo real.
  • Agilidad institucional: la interfaz no-code de Vianova permitió a los equipos técnicos municipales simular escenarios, aplicar políticas virtuales y visualizar impactos sin requerir desarrollos a medida.
  • Escalabilidad: el modelo es replicable para otros modos, como hubs de movilidad o transporte autónomo, y adaptable a otras ciudades.
Implementado en:
Ver caso de uso
Caso de uso

Control del tráfico comercial y espacios para logística en núcleos urbanos

Contexto

Estocolmo, comprometida con la Agenda 2030 y la neutralidad climática de la UE, impulsa la transformación sostenible de su movilidad urbana. A través del programa Klimatklivet, la Agencia Sueca de Protección Ambiental subvenciona iniciativas para reducir emisiones, especialmente en transporte de mercancías. El Ayuntamiento desarrolla además el “Stockholm Environmental Programme 2040”, que prioriza la mejora de la calidad del aire en el centro urbano mediante colaboraciones público-privadas y la implementación de soluciones GovTech innovadoras.

Problema

  • Objetivo de reducción de emisiones en logística urbana: la ciudad buscaba avanzar hacia una zona de cero emisiones en el transporte de mercancías.
  • Infraestructura de sensores dispersa: la falta de integración entre dispositivos impedía obtener una visión unificada de la actividad logística.
  • Ausencia de monitorización en tiempo real: no era posible seguir los desplazamientos comerciales ni el uso del espacio urbano de forma dinámica.
  • Uso ineficiente del espacio de carga: las operaciones de descarga se realizaban en zonas no autorizadas, generando congestión.
  • Dificultad para planificar infraestructuras: la falta de datos consolidados impedía diseñar soluciones adaptadas a la demanda real.
...

Solución

  • Plataforma de inteligencia de movilidad: permitió integrar datos en tiempo real de vehículos comerciales mediante GPS y estándares abiertos (MDS/GBFS).
  • Análisis de patrones logísticos urbanos: permitió identificar comportamientos de movilidad y zonas críticas de carga y descarga.
  • Optimización dinámica del espacio público: permitió mejorar el uso de áreas de carga mediante decisiones basadas en datos.
  • Generación automatizada de alertas e informes: permitió monitorizar la actividad logística y reaccionar de forma ágil ante incidencias.
  • Apoyo a la planificación de infraestructuras: permitió diseñar soluciones logísticas sostenibles basadas en evidencia.
  • Anticipación de necesidades operativas: permitió mejorar la capacidad de respuesta del Ayuntamiento ante cambios en la demanda.
...

Impacto

La implementación de Vianova en Estocolmo permitió monitorizar en tiempo real el 20 % del tráfico comercial, lo que facilitó el despliegue de 12 micro-depósitos eléctricos y la creación de 20 nuevos hubs de carga para reducir la congestión y mejorar la sostenibilidad. El análisis de más de 330.000 paradas mostró que la mayoría de las entregas se concentran en la mañana, con una duración media de 35 minutos, y que casi todas en la futura zona de bajas emisiones se realizan con vehículos que no cumplirán la normativa.
A partir de estos hallazgos, la ciudad planea ampliar la cobertura de datos con más fuentes logísticas, analizar flujos de origen-destino, crear una plataforma integrada de datos y desarrollar hubs logísticos estratégicos.
Con este enfoque integral, Estocolmo se posiciona como referente en la gestión sostenible del transporte urbano de mercancías, ofreciendo un modelo replicable para otras ciudades.

Implementado en:
Ver caso de uso