El Campus Villavicencio de la Universidad Cooperativa de Colombia (UCC) enfrenta una elevada tasa de deserción estudiantil en los programas de pregrado, un problema que afecta no sólo el desarrollo académico y personal de los estudiantes, sino también la estabilidad financiera y la proyección institucional. Según datos del Ministerio de Educación Nacional (2021), alrededor del 36,7% de los estudiantes no logran completar sus estudios después del décimo semestre, lo que resalta la necesidad de estrategias efectivas para prevenir este fenómeno. En base a esta problemática, se desarrollaron pruebas con modelos predictivos basados en técnicas de aprendizaje automático, haciendo uso de dos algoritmos utilizados en minería de datos, el primer algoritmo llamado K Nearest Neighbors (KNN) y el segundo Support Vector Machines (SVM). Para trabajar de manera óptima dichos procesos se realizó un análisis exploratorio de datos (EDA), normalización y balanceo de clases haciendo uso de SMOTE, así como la reducción de la dimensionalidad con PCA para optimizar los modelos. En los datos analizados se incluyen factores académicos, socioeconómicos, motivacionales, entre otros. En la sección de resultados del presente proyecto se demuestra la capacidad de los modelos propuestos con el fin de identificar tempranamente a estudiantes en riesgo deserción con un alto nivel de precisión y sensibilidad. El uso de este sistema predictivo permitirá a la UCC hacer uso de estrategias de prevención como bien lo son tutorías personalizadas o apoyos financieros con el fin de disminuir los índices de deserción y aumentar el éxito académico. De este modo, el enfoque con el uso de los datos facilita la toma de decisiones informadas y la optimización de los recursos que la universidad proporciona a sus estudiantes, contribuyendo de esta forma a una comunidad académica más sólida y al desarrollo socioeconómico regional.