El uso de métodos de aprendizaje automático (ML) ha sido ampliamente discutido durante más de una década. La búsqueda del modelo óptimo sigue siendo un desafío que los investigadores buscan abordar. A pesar de los avances en el trabajo actual que superan las limitaciones de los anteriores, la investigación aún enfrenta nuevos desafíos en cada campo. Para la segmentación automática de clientes en una campaña de telemarketing bancario, el uso de enfoques basados en ML en trabajos anteriores no ha podido mostrar transparencia en el procesamiento de datos heterogéneos, lograr un rendimiento óptimo o utilizar recursos mínimos. En este artículo, introducimos un clasificador basado en la pertenencia a clases (CMB), que es un enfoque transparente bien adaptado a datos heterogéneos que explota variables nominales en la función de decisión. Estas variables ficticias a menudo son suprimidas o codificadas de manera arbitraria en la mayoría de los trabajos sin evaluar realmente su impacto en el rendimiento final de los modelos. En muchos casos, su codificación favorece o desfavorece el rendimiento del modelo de aprendizaje sin reflejar necesariamente la realidad, lo que lleva a un sobreajuste o a un rendimiento disminuido. En este trabajo, aplicamos el enfoque CMB a datos de una campaña de telemarketing bancario para construir un modelo óptimo para predecir clientes potenciales antes de lanzar una campaña. Los resultados obtenidos sugieren que el enfoque CMB puede predecir el éxito de la prospección futura con más precisión que trabajos anteriores. Además, además de su mejor rendimiento en términos de precisión (97.3%), el modelo también ofrece una puntuación muy cercana para el AUC (95.9%), mostrando su estabilidad, lo que sería muy desfavorable para el sobreajuste.