En el sector financiero, las compañías de seguros generan grandes volúmenes de datos, incluyendo transacciones de pólizas, interacciones con clientes y evaluaciones de riesgos. Estos datos históricos sobre clientes establecidos ofrecen oportunidades para mejorar los procesos de toma de decisiones y ofrecer servicios más personalizados. Sin embargo, los datos sobre posibles nuevos clientes a menudo son limitados, debido a la falta de registros históricos y a las restricciones legales sobre la recopilación de datos personales. A pesar de estas limitaciones, predecir con precisión si un posible nuevo cliente generará beneficios (alto rendimiento) o incurrirá en pérdidas (bajo rendimiento) es crucial para muchas empresas de servicios. Este estudio utilizó un conjunto de datos del mundo real de clientes existentes de seguros de automóviles e introdujo modelos avanzados de aprendizaje automático para predecir el rendimiento de posibles nuevos clientes para los cuales los datos disponibles son limitados. Desarrollamos y evaluamos enfoques basados en modelos de clasificación binaria tradicionales y en modelos de clasificación de refuerzo más avanzados. Nuestros experimentos computacionales muestran que predecir con precisión el rendimiento de posibles nuevos clientes puede reducir significativamente los costos operativos y mejorar la personalización de los servicios para las compañías de seguros.