Furto de combustíveis é uma preocupação enfrentada por vários países e companhias da indústria de óleo e gás, devido aos seus impactos no meio ambiente e na segurança das comunidades próximas aos oleodutos. Por isso, o monitoramento e inspeção dos locais onde estão localizadas as faixas de duto por meio de alertas é fundamental para evitar suspeitas de furto de combustível e mitigar riscos. Os alertas são acionados por sistemas de monitoramento e patrulhas são enviadas para verificar a localização e confirmar ou não a ocorrência de furto de combustível, também conhecido como derivação clandestina. No entanto, vários sinais podem ser alarmados em um curto período, e sua correta priorização é essencial para identificar estas derivações clandestinas, o mais rápido possível. Este trabalho tem como objetivo utilizar técnicas de ciência de dados e aprendizado de máquina para realizar um modelo preditivo capaz de prever a probabilidade de um evento resultar em uma derivação clandestina e compreender os fatores que influenciam na sua ocorrência. Dados de um sistema de monitoramento de janeiro de 2019 a agosto de 2021 foram fornecidos por uma empresa brasileira de transporte de combustível. Usamos quatro algoritmos de aprendizado de máquina: Regressão Logística, Random Forest, XGBoost e Catboost. O Random Forest obteve os melhores resultados na classificação dos alertas associados (ou não) a uma derivação clandestina, apresentando acurácia e especificidade de 78,6% e 68,3%, respectivamente. Nesse problema, a especificidade significa que é possível reduzir o envio de rondas em campo em 68,3% dos casos. Quanto à validação externa, o modelo também apresentou bom desempenho, com acurácia e especificidade de 61%. A longa duração dos alertas, o elevado histórico de derivações clandestinas e a ocorrência dos alertas durante a noite são os fatores que mais influenciam na ocorrência de derivações clandestinas.