El presente trabajo final plantea la utilización de Neo4j para explotar los datos de movilidad de pasajeros del Sistema de Transporte Metropolitano (STM) de Montevideo, Uruguay. Se analizaron otros estudios disponibles sobre movilidad y transporte con bases de datos orientadas a grafos, donde destaca particularmente el concepto de las “Time Varying Graphs” (TVG) como forma de modelar los datos para su posterior explotación y también la utilización de “Graph Neural Networks” (GNN) para utilizar como mecanismo de predicción de la demanda de transporte. El trabajo realiza una prueba de concepto sobre los datos obtenidos de las tarjetas STM de un día en particular, probando algunas de las variantes de explotación de datos y consultas en el “browser” de Neo4j, así como la aplicación de algoritmos de aprendizaje automático, trabajando con datos temporales, espaciales y espaciotemporales. Por último, se describe a nivel teórico la relación existente entre Neo4j y el ecosistema de Apache Spark, que permite que Neoj4 tenga acceso a las fuentes de datos que ya están conectadas a Spark. Se concluye que en el análisis de tránsito y movilidad es importante la utilización de bases de datos orientadas a grafos por la versatilidad de su modelado y la posibilidad de capturar grandes volúmenes de datos sobre los que se puedan realizar consultas refinadas, recorriendo los grafos con consultas en Cypher o aplicando algoritmos que provean de insumos relevantes para la toma de decisiones. Finalmente, a la luz de los resultados obtenidos y del alcance del trabajo realizado, se realizan una serie de recomendaciones, en cuanto a la integración con Spark y con capas de visualización, para que la Intendencia de Montevideo o el ente usuario de los datos pueda refinar los resultados e implementarlos.