Com o objetivo de propor um modelo empírico capaz de auxiliar na tomada de decisão gerencial quanto a previsão e prevenção da evasão de estudantes em uma instituição de ensino superior (IES) privada, esta pesquisa se propõe a analisar a utilização de variáveis acadêmicas, financeiras, geográficas e socioeconômicas aplicadas a quatro modelos supervisionados de aprendizado de máquina: [1] Regressão Logística; [2] Árvore de Decisão; [3] Redes Neurais Artificiais; e [4] Florestas Aleatórias. Implementados a partir de quatro abordagens diferentes de balanceamento de classes: [1] sem balanceamento; [2] com balanceamento para cima (Up-Sampling); [3] com balanceamento para baixo (Down- Sampling); e [4] balanceamento híbrido do tipo Smote. Como resultados, apresentou-se dois modelos empíricos distintos que podem ser implementados em conjunto com os sistemas de gestão empresarial de uma IES de maneira a permitirem uma tomada de decisão tempestiva que possibilite a mitigação da evasão de estudantes. No primeiro, propõem-se a aplicação do algoritmo de floresta aleatória com balanceamento híbrido, de maneira que se possa calcular a probabilidade de evasão dos alunos ao final do semestre, e permitir que os responsáveis pela retenção dos estudantes possam realizar abordagens de intervenção baseadas nas variáveis que mais influenciam no cálculo da evasão, este modelo se mostrou mais preciso na classificação dos alunos e portanto permite uma redução na quantidade de abordagens que seriam realizadas quando comparado aos demais. O segundo método empírico propõe a utilização do modelo de árvores de decisão, também elaborado por meio do balanceamento híbrido, cujas regras de cálculo da probabilidade de evasão devem ser parametrizadas nos sistemas de gestão e integrados com as ferramentas de CRM da IES, a fim de avisar aos responsáveis pela manutenção dos estudantes sobre a possibilidade de evasão de um determinado aluno, demonstrou-se que a vantagem deste modelo é sua tempestividade e fácil interpretação.