Con información diversa accesible en depósitos públicos, los datos de los consumidores son la base de conocimiento para anticipar las preferencias de los clientes. Por ejemplo, los detalles de los suscriptores se inspeccionan en el sector de telecomunicaciones para determinar el crecimiento, el compromiso del cliente y la oportunidad inminente de avance de los servicios. Entre tales parámetros, la tasa de abandono es sustancial para examinar a los consumidores que migran. Sin embargo, predecir el abandono a menudo se asocia con el riesgo prevalente de invadir información sensible de los suscriptores. Por lo tanto, vale la pena proteger los detalles sutiles antes de la evaluación del abandono del cliente. Se adopta un enfoque dual basado en algoritmos de libélula y seudonimizador para asegurar la claridad de los datos del cliente. Este enfoque doble garantiza que los atributos sensibles estén protegidos antes del análisis de abandono. La exactitud de este método se investiga comparando el rendimiento de modelos convencionales de preservación de la privacidad con el modelo actual. Además, la detección de abandono se sustenta antes y después de la preservación de datos para detectar la pérdida de información. Se encontró que el método de selección de características basado en la privacidad protegía los atributos sensibles de manera efectiva en comparación con enfoques tradicionales. Además, la pérdida de información estimada antes y después del ocultamiento de seguridad identificó al clasificador de bosque aleatorio como el modelo de detección de abandono superior con una precisión mejorada del 94.3% y una mínima pérdida de datos del 0.32%. Asimismo, este enfoque puede adoptarse en varios dominios para proteger información vulnerable antes de la modelización de datos.