Mobb

Mobb consta como una startup del sector del software y SaaS con ubicación en Barcelona (Barcelona). Su razón social es MOBB. De acuerdo con los datos verificados disponibles, su situación registral es activa.

No consta en el corpus facilitado ninguna información adicional sobre la naturaleza jurídica concreta, el año de constitución ni el objeto social detallado más allá de la adscripción sectorial indicada.

No consta. El corpus de datos verificados facilitado no incluye información sobre la fecha de fundación, los promotores ni las circunstancias de la constitución de Mobb.

No consta. Los datos disponibles solo indican que Mobb opera en el sector del software y SaaS y que tiene sede en Barcelona. No se dispone de información verificada sobre los productos o servicios concretos, el modelo de negocio ni el perfil de clientes.

No consta. El corpus no incluye datos sobre la evolución de la actividad, el crecimiento, la facturación o cualquier indicador de resultados de Mobb.

No consta que haya cerrado. De acuerdo con los datos verificados, la situación registral de Mobb es activa. Por tanto, no se puede afirmar ninguna causa de cierre ni de transformación.

No consta. El corpus no permite identificar ningún legado, producto derivado, spin-off o impacto sectorial atribuible a Mobb.

No consta. El corpus facilitado no identifica a las personas fundadoras de Mobb ni su situación actual. Para obtener esta información habría que consultar el registro mercantil correspondiente (por ejemplo, los datos de constitución y los administradores inscritos en el BORME), así como fuentes públicas de la propia empresa.

Con los datos disponibles no se puede extraer ninguna lección operativa específica sobre Mobb, dado que el corpus no contiene información sobre su actividad, evolución o decisiones. Cualquier conclusión sobre el sector del software y SaaS a partir de este caso sería una extrapolación no sustentada por las fuentes facilitadas.

Para poder elaborar un análisis útil habría que disponer, como mínimo, de: datos registrales de constitución y cargos, información sobre producto y clientes, indicadores financieros si son públicos, y fuentes periodísticas o corporativas que documenten la trayectoria de la empresa.

No tenim informació verificada sobre quin producte concret oferia Mobb. El que sí que sabem és el seu perfil: una startup de programari i SaaS amb seu a Barcelona. La proposta d'aquest informe és, per tant, reconstruir una essència —no un producte idèntic— al voltant d'un SaaS lleuger, vertical i de venda directa, que és el tipus de negoci que avui es pot muntar amb menys capital i més rapidesa des de Barcelona.

Proposta (no verificada): un SaaS B2B de nínxol, amb un producte mínim viable, subscripció mensual i un mercat inicial d'empreses petites i mitjanes de Catalunya i Espanya. L'objectiu no seria competir en plataformes horitzontals, sinó resoldre un problema concret d'un sector concret.

Cal subratllar que aquesta és una proposta de reconstrucció, no una descripció del que Mobb feia.

El mercat del SaaS B2B a Espanya i Catalunya existeix i és actiu, però no disposem de dades verificades sobre la mida o el segment concret que Mobb atenia. El que es pot afirmar amb seguretat és que Barcelona concentra un ecosistema de startups de programari consolidat, amb accés a talent tècnic, inversors i clients empresarials.

Estimació (a validar): un SaaS vertical adreçat a PIMEs catalanes i espanyoles pot aspirar a un mercat adreçable inicial de centenars a pocs milers d'empreses, depenent del nínxol triat. Aquesta xifra és una estimació de treball i requereix validació amb dades de mercat reals abans de qualsevol inversió.

La conclusió prudent: el mercat existeix, però la seva mida concreta per a aquesta reconstrucció s'ha de validar amb recerca primària.

Proposta: subscripció mensual o anual (SaaS), amb un pla d'entrada baix per facilitar l'adopció i plans superiors per a equips més grans. Ingressos recurrents com a base, amb serveis d'implantació opcionals com a complement inicial.

Estimació (a validar): un preu de 30 a 150 euros mensuals per client, amb un objectiu de 50 a 150 clients en els primers 18 mesos, donaria uns ingressos recurrents anuals d'entre 18.000 i 270.000 euros en funció de l'escenari. Són rangs de planificació, no previsions.

El model hauria de prioritzar la retenció i el cost d'adquisició de client baix per sobre del creixement ràpid.

Proposta de fases (a validar):

1. Mesos 0-2: validació del problema amb 15-30 entrevistes a clients potencials del nínxol triat.
2. Mesos 2-5: construcció d'un producte mínim viable amb un equip molt reduït.
3. Mesos 5-9: primers 10-20 clients de pagament, amb acompanyament manual.
4. Mesos 9-18: iteració del producte, automatització de l'adquisició i mesura de la retenció.

Cada fase hauria de tenir criteris d'èxit definits abans de passar a la següent, per evitar escalar un producte que el mercat no vol.

Estimació (rang a validar): entre 15.000 i 60.000 euros per als primers 12-18 mesos, segons si el fundador programa ell mateix o contracta desenvolupament.

Desglossament orientatiu (estimació, a validar):

• Desenvolupament de producte: 0-35.000 euros.
• Infraestructura i eines: 1.000-4.000 euros anuals.
• Màrqueting i vendes inicials: 3.000-12.000 euros.
• Legal, constitució i administratiu: 1.500-4.000 euros.
• Marge de contingència: 10-20% del total.

Aquestes xifres són estimacions de planificació i no provenen de cap dada verificada de Mobb.

• Risc de producte: construir alguna cosa que ningú no vol pagar. Es mitiga amb validació prèvia al codi.
• Risc de mercat: un nínxol massa petit o massa competitiu. Es mitiga amb recerca primària.
• Risc financer: cremar capital abans d'assolir ingressos recurrents estables.
• Risc de talent: dependència excessiva d'un sol fundador o desenvolupador.
• Risc d'informació: no tenim dades verificades del model original de Mobb, de manera que qualsevol reconstrucció parteix d'una base informativa limitada i cal tractar-la com a hipòtesi.

Les lliçons que es poden extreure d'aquest exercici, més enllà del cas concret:

• Validar abans de construir. Sense dades verificades del producte original, l'única via prudent és parlar amb clients abans d'escriure codi.
• Començar petit i vertical. Un SaaS de nínxol amb pocs clients de pagament és més sòlid que una plataforma àmplia sense tracció.
• Tractar tots els números com a hipòtesis. Els rangs d'aquest informe són estimacions de planificació, no fets.
• Reconèixer els límits de la informació. Sabem que Mobb era una startup SaaS de Barcelona; no sabem què venia ni a qui. Qualsevol reconstrucció ha de dir-ho clarament i no inventar el passat.
• El perfil adequat per executar-ho: un fundador o equip reduït amb capacitat tècnica, coneixement del nínxol triat i disciplina financera, no necessàriament algú que repliqui el que Mobb va ser.

Les flotes mitjanes (20-200 vehicles) a Catalunya i Espanya gestionen el manteniment amb fulls de càlcul i el criteri del taller de confiança. Les avaries no planificades costen entre 300 i 1.500 € per incident (grua, parada del servei, reparació urgent) i el gestor no té visibilitat fins que el vehicle ja és al taller. Les solucions de telemetria enterprise (Samsara, Geotab) requereixen contractes anuals alts i instal·lació de maquinari propietari; les apps de gestió de flota (Fleetio, Whip) són gestió documental sense capa predictiva real.

El producte resol tres coses concretes: (1) detectar degradació (bateria, frens, temperatura de motor, DTC recurrents) a partir de dades OBD-II que ja existeixen al vehicle, (2) prioritzar què ha d'entrar al taller aquesta setmana i què pot esperar, i (3) generar un historial de manteniment auditable per vehicle sense que ningú l'hagi d'omplir a mà.

La decisió de no fabricar maquinari és deliberada: un dongle OBD-II genèric (ELM327 compatible, ~30-60 €) o el lector que la flota ja té és suficient per al 80% del valor, i elimina el risc de cadena de subministrament que va matar moltes startups de hardware.

Arquitectura monolítica modular desplegada en un sol proveïdor cloud (AWS o Hetzner), amb tres components:

```text [Vehicle] --dongle OBD-II--> [App mòbil conductor] --HTTPS--> [API Gateway] | [Servei ingesta] | [Cua (Redis Streams)] | [Worker de puntuació] --+ | [PostgreSQL] | [Servei alertes] --> [Email/WhatsApp] | [Web (Next.js)] ```

• Ingesta per app mòbil, no per maquinari connectat. El conductor obre l'app, es connecta al dongle per Bluetooth i l'app envia un payload JSON signat. Motiu: evita SIMs i contractes de connectivitat per vehicle, que són el cost recurrent que fa inviable el model a flotes petites. L'app funciona offline i sincronitza en arribar a cobertura.
• Monòlit modular amb cues. Un sol desplegament amb mòduls separats (ingesta, puntuació, alertes, facturació) i Redis Streams com a bus intern. Motiu: amb un equip de 2-3 persones, microserveis són sobreenginyeria; les cues donen la desacoblament necessari perquè la puntuació no bloquegi la ingesta.
• PostgreSQL com a única font de veritat, amb TimescaleDB per a les sèries temporals de telemetria. Motiu: una sola base de dades simplifica backups i transaccions; Timescale gestiona la retenció i les consultes per finestres temporals sense infraestructura addicional.
• Multi-tenant per `tenant_id` a totes les taules amb Row-Level Security de PostgreSQL. Motiu: aïllament de dades entre flotes sense el cost operatiu d'un schema o base de dades per client.

Taules principals (PostgreSQL + TimescaleDB):

```sql tenants(id uuid pk, nom, cif, pla, creat_el) usuaris(id uuid pk, tenant_id fk, email, rol, actiu) vehicles(id uuid pk, tenant_id fk, matricula, marca, model, any, km_actual, estat, creat_el) dongles(id uuid pk, vehicle_id fk, mac_bluetooth, actiu) telemetria(vehicle_id fk, ts timestamptz, km, rpm, temp_motor, voltatge_bateria, pressio_frens, codis_dtc text[], nivell_combustible) -- hypertable Timescale, retenció 24 mesos regles(id uuid pk, codi, nom, condicio jsonb, severitat, actiu) alertes(id uuid pk, tenant_id fk, vehicle_id fk, regla_id fk, severitat, estat, creada_el, resolta_el, detall jsonb) intervencions(id uuid pk, vehicle_id fk, taller, tipus, cost, km, data, notes) factures(id uuid pk, tenant_id fk, periode, import, estat) ```

Decisions de model:

• `telemetria` és una hypertable amb compressió als 7 dies i retenció a 24 mesos. Motiu: el volum és el risc principal (vegeu Mides) i les consultes de puntuació només miren finestres de 7-30 dies.
• `regles.condicio` és JSONB perquè les regles de diagnòstic evolucionin sense migracions: `{"camp":"voltatge_bateria","operador":"<","valor":11.8,"finestra_dies":3}`. Motiu: el coneixement de domini canvia més ràpid que l'esquema.
• `alertes.detall` guarda la sèrie que va disparar l'alerta (mostra de valors), perquè el gestor pugui confiar-hi i per auditar falsos positius.
• `intervencions` és la peça que tanca el bucle: creua alertes amb reparacions reals per mesurar precisió.

API REST versionada (`/v1`) amb autenticació JWT per usuari i clau d'API per tenant per a integracions.

• `POST /v1/telemetria` — ingesta per lots des de l'app mòbil. Payload signat amb HMAC del `dongle_id`; idempotència per `(dongle_id, ts)`. Resposta 202 amb `batch_id`.
• `GET /v1/vehicles/{id}/salut` — estat consolidat: puntuació 0-100, alertes obertes, proper manteniment estimat.
• `GET /v1/alertes?estat=oberta&severitat=alta` — llista prioritzada per a la vista del gestor.
• `POST /v1/intervencions` — registre de reparació; alimenta la validació del model.
• `POST /v1/webhooks` — subscripció a alertes crítiques per integrar amb eines del client.
• `GET /v1/export/vehicle/{id}.csv` — historial auditable per a inspeccions o ITV.

Integracions de la fase 1:

• Email transaccional (Postmark o SES) per alertes diàries agregades; WhatsApp Business API només per severitat crítica. Motiu: el gestor de flota viu al mòbil, però WhatsApp té cost per conversa i s'ha de reservar.
• Stripe per a subscripció per vehicle actiu/mes. Motiu: el preu per vehicle alinea el cost amb el valor i és el model que el client ja entén.
• Importació CSV de vehicles i historial per onboarding. Motiu: cap flota migrarà si ha de teclejar 80 vehicles.

Fora d'abast de la fase 1: integració amb ERPs de taller, API de fabricants (OEM), i facturació electrònica.

Ordre d'implementació en 12 setmanes:

1. Esquema de dades i multi-tenancy (setmana 1-2). Sense això, tot el que es construeixi després s'ha de refer.
2. Ingesta idempotent + app mòbil mínima (setmana 2-5). L'app només ha de: emparellar-se amb el dongle, llegir PIDs estàndard, enviar lots offline-first. És el risc tècnic més alt i s'ha de provar amb vehicles reals aviat.
3. Motor de regles i alertes (setmana 5-8). Començar amb 8-10 regles deterministes (voltatge de bateria baix sostingut, DTC repetit en 7 dies, temperatura de motor alta, pressió de frens fora de rang). Motiu: les regles deterministes donen valor immediat i generen les dades etiquetades que després necessitarà qualsevol model.
4. Web del gestor (setmana 6-10): llista de vehicles amb puntuació, detall d'alertes amb la sèrie que les va disparar, registre d'intervencions.
5. Facturació i onboarding CSV (setmana 10-12).

No construir en fase 1: model de machine learning, app per a conductors amb gamificació, integracions OEM.

Mides. Un vehicle en ús genera una lectura cada 30-60 s si l'app està oberta; amb enviament per lots, ~500-1.000 lectures/dia/vehicle. Amb 500 vehicles: ~500.000 files/dia, ~15M/mes, ~180M/any. Amb compressió de Timescale, l'emmagatzematge es manté en desenes de GB l'any. La ingesta és trivial per a un sol node; el coll d'ampolla real és la puntuació si s'executa per cada lectura — per això es puntua per vehicle cada 15 minuts sobre dades agregades, no per lectura.

Riscos tècnics i mitigació:

• Cobertura i qualitat del dongle. Els ELM327 barats retornen PIDs inconsistents o no suporten els que necessitem. Mitigació: llista de dongles verificats, detecció de PIDs suportats per vehicle a l'onboarding, i degradació elegant (puntuar només amb els PIDs disponibles).
• Falsos positius. Una alerta falsa destrueix la confiança del gestor. Mitigació: exigir condició sostinguda en finestra temporal (no un sol pic), mostrar sempre l'evidència, i permetre marcar alertes com a "no accionable" per retroalimentar les regles.
• Dependència de l'app oberta. Si el conductor no obre l'app, no hi ha dades. Mitigació: mode de fons amb notificació persistent i un objectiu de cobertura del 70% dels dies laborables; el producte ha de funcionar amb dades parcials.
• Privacitat i RGPD. La telemetria pot revelar hàbits de conducció i ubicació implícita. Mitigació: no recollir GPS en fase 1, minimitzar camps, contracte d'encarregat de tractament amb cada flota, retenció definida.
• Cost d'adquisició. El risc comercial és més gran que el tècnic: cal validar disposició a pagar abans d'escalar.

Validació en tres nivells, amb criteris de sortida explícits:

1. Tècnica (setmanes 3-6): 5 vehicles reals de 2 flotes pilot amb dongles verificats durant 4 setmanes. Mètrica d'èxit: ≥90% dels lots enviats arriben i es processen; ≥80% dels vehicles tenen els PIDs necessaris per a almenys 6 de les 10 regles.
2. De producte (setmanes 6-12): 3 flotes pilot de 20-50 vehicles. Mètriques: precisió de les alertes (alertes que acaben en intervenció o confirmació del gestor) ≥60%; el gestor revisa la llista d'alertes ≥3 dies/setmana; temps estalviat declarat en en