La predicción de la deserción se ha convertido en uno de los conceptos centrales en la gestión de relaciones con los clientes dentro de las industrias de seguros, telecomunicaciones y proveedores de servicios de internet, lo cual es esencial para la retención de clientes. Por lo tanto, este estudio intenta analizar la efectividad de los modelos avanzados de aprendizaje automático y aprendizaje profundo para la predicción de la deserción en la evaluación del rendimiento de los modelos a través de diferentes sectores. Esto ayudaría a concluir si los patrones variados de la deserción a lo largo de diferentes sectores afectan el rendimiento del modelo y en qué medida. El trabajo incluye tres conjuntos de datos: a saber, deserción de seguros, deserción de clientes de proveedores de servicios de internet y conjuntos de datos de deserción de telecomunicaciones. La implementación y comparación realizada en este estudio de modelos incluye XGBoost, Redes Neuronales Convolucionales (CNN) y Aprendizaje Profundo en Conjunto con el enfoque híbrido preentrenado. Los resultados muestran que el modelo de aprendizaje profundo en conjunto supera a otros modelos en términos de precisión y puntuación F1, logrando precisiones de hasta el 95.96% en el conjunto de datos de deserción de seguros y del 98.42% en el conjunto de datos de deserción de telecomunicaciones. Además, los modelos tradicionales de aprendizaje automático como XGBoost también produjeron resultados competitivos para conjuntos de datos seleccionados. Los conjuntos de aprendizaje profundo propuestos revelan la fortaleza y posibilidad para la predicción de la deserción y proporcionan un punto de referencia para futuras investigaciones relevantes a las estrategias de retención de clientes. Además, el modelo de aprendizaje profundo en conjunto propuesto muestra un rendimiento estable a través de diferentes sectores, lo que refleja su capacidad para capturar los variados patrones de deserción de diferentes sectores.