Los tiempos de inactividad de los cajeros automáticos pueden tener consecuencias significativas en la experiencia del usuario y en la operatividad general de los servicios financieros. Al ser un medio fundamental para la realización de transacciones bancarias dentro o fuera del horario de atención bancaria tradicional, se han convertido en una parte vital de la infraestructura financiera. Los tiempos de inactividad por fallas técnicas pueden impactar de diversas formas como la satisfacción del usuario, pérdidas financieras, costes operativos. En el presente proyecto se propone el uso de aprendizaje de máquina no supervisado mediante el algoritmo Isolation Forest para lograr detectar a tiempo aquellos cajeros automáticos que puedan convertirse en un problema mayor y, por ende, realizar mantenimiento preventivo a dichos cajeros anómalos para que los tiempos de inactividad y las llamadas de soporte al centro de atención al cliente de la empresa proveedora de los cajeros disminuyan. Además, se provee al cliente un módulo adicional sobre detección de anomalías dentro de la aplicación de monitoreo que ya poseen, en el cuál, pueden visualizar de manera tabular y gráfica aquellos cajeros previamente detectados por el modelo. Con esta información proporcionada, el cliente deberá analizarla y tomar la decisión pertinente de realizar mantenimiento preventivo. Como resultado de la evaluación del modelo y el mantenimiento preventivo realizado, el cliente analizado mediante la solución propuesta se ahorraría $42.840 anual a mediano plazo, un 62.63% menos de su gasto anual presupuestado en mantenimientos correctivos en todos sus cajeros. En cuanto a las llamadas de soporte se reduciría en 272 un 15.2% menos para este cliente que en las condiciones actuales. Palabras Clave: cajero automático, tiempos de inactividad, isolation forest, detección de anomalías