A expansão dos veículos elétricos no Brasil demanda infraestrutura de recarga robusta e aplicativos eficientes para suporte aos usuários. Neste contexto, a retenção de clientes representa desafio estratégico, considerando que aplicativos móveis apresentam altas taxas de abandono e que o custo de aquisição de novos clientes supera o de retenção. A predição de churn utilizando técnicas de Machine Learning emerge como abordagem para identificar usuários com propensão ao abandono, permitindo intervenções de retenção. Este trabalho compara o desempenho dos algoritmos XGBoost e Random Forest na predição de churn em aplicativos de recarga para veículos elétricos, avaliando simultaneamente o impacto de diferentes técnicas de balanceamento de dados. Os resultados demonstraram melhor resultado com XGBoost e revelaram que técnicas de balanceamento não proporcionaram melhorias significativas em algoritmos robustos.