El presente trabajo final tiene como objetivo principal el desarrollo de un modelo predictivo de Net Promoter Score (NPS) para un banco cliente, utilizando técnicas de Machine Learning aplicadas sobre información transaccional y comportamental de los clientes. El enfoque del proyecto se centró en anticipar qué clientes presentan mayor probabilidad de ser detractores, permitiendo al banco tomar acciones proactivas orientadas a mejorar la experiencia del cliente y fortalecer su lealtad. Para la construcción del modelo se contempló la información sobre productos, consumos, segmentación del cliente a nivel del negocio, la usabilidad de canales digitales, tarjetas de crédito y reclamos, entre otros. Estas variables fueron sometidas a un exhaustivo proceso de análisis exploratorio, tratamiento de calidad de datos y reducción de dimensionalidad mediante Análisis de Componentes Principales (PCA), con el objetivo de optimizar el desempeño del modelo y garantizar su interpretación. Dado el desbalance natural de la variable objetivo se aplicaron técnicas de sobremuestreo para reforzar la clase minoritaria y mejorar la capacidad predictiva del modelo. Tras evaluar distintos algoritmos, el modelo final seleccionado fue un Random Forest entrenado sobre las variables resultantes del PCA y aplicando técnica de sobremuestreo, alcanzando resultados satisfactorios en términos de Recall, métrica priorizada por el contexto del problema enfrentado. Se propone avanzar en la integración del modelo dentro de la infraestructura tecnológica del banco, aprovechando los servicios de AWS (Amazon Web Service) que el banco tiene a su disposición, para su puesta en producción y disponibilización a otras áreas del negocio. Asimismo, se sugiere continuar enriqueciendo la base de datos incorporando nuevas respuestas de encuestas NPS y considerando indicadores adicionales de satisfacción asociados a experiencias digitales o flujos transaccionales específicos (CSAT o Likerts).