Strategi cross-selling pembiayaan mobil ke motor merupakan inisiatif utama PT XYZ untuk meningkatkan pendapatan dan retensi pelanggan. Namun, pendekatan machine learning yang digunakan belum optimal, dengan success rate hanya 0,34% dan nilai KS (Kolmogorov-Smirnov) sebesar 0,44 pada tahun 2024. Penelitian ini bertujuan mengoptimalkan prediksi cross-selling menggunakan pendekatan deep learning dalam kerangka kerja CRISP-ML(Q), yang dirancang untuk mengelola siklus hidup proyek machine learning secara sistematis. Sebanyak 562.305 data historis pelanggan dikumpulkan dan dilabeli secara biner, dengan label 1 diberikan kepada pelanggan yang memiliki riwayat pembiayaan mobil dan mengajukan pembiayaan motor saat kontrak mobilnya masih aktif, sementara label 0 diberikan untuk kondisi lainnya. Data kemudian direkayasa melalui proses feature engineering dan dibagi menjadi 75% data latih serta 25% data uji. Seluruh model dilatih menggunakan skema Stratified 5-Fold Cross Validation. Enam model dievaluasi dan dibandingkan, mencakup tiga model classical machine learning (Logistic Regression, Decision Tree, dan XGBoost) serta tiga model deep learning tabular (FT-Transformer, NODE, dan TabNet). Hasil terbaik diperoleh dari NODE, dengan nilai KS sebesar 0,4765 dan success rate 2,28%, melebihi target bisnis sebesar 1,5%. Penelitian ini menunjukkan keunggulan arsitektur deep learning untuk data tabular, serta memberikan kontribusi nyata terhadap praktik industri melalui pengembangan pipeline prediktif berbasis kerangka kerja CRISP-ML(Q).