La planificación en procesos de suministro y fabricación de personalización masiva es un proceso complejo que requiere planificación y optimización continuas para minimizar el tiempo y el costo a través de una amplia variedad de opciones en grandes volúmenes de producción. Si bien las técnicas de computación suave se utilizan ampliamente para optimizar productos de personalización masiva, enfrentan problemas de escalabilidad al manejar grandes conjuntos de datos y dependen en gran medida de reglas definidas manualmente, que son propensas a errores. En contraste, las técnicas de aprendizaje automático ofrecen una oportunidad para superar estos desafíos al automatizar la generación de reglas y mejorar la escalabilidad. Sin embargo, su potencial completo aún no se ha explorado. Este artículo propone un enfoque basado en aprendizaje automático para abordar este desafío, con el objetivo de optimizar tanto las fases de planificación de suministro como de fabricación como una solución práctica para problemas de planificación u optimización en la industria. El enfoque propuesto examina técnicas de aprendizaje automático supervisado y aprendizaje profundo para la planificación de tiempo y costo de fabricación en varios escenarios de un estudio piloto en la vida real a gran escala en el dominio de la fabricación de bicicletas. Esta experimentación incluyó K-Vecinos Más Cercanos con regresión y Bosques Aleatorios de la familia de aprendizaje automático, así como Redes Neuronales y Conjuntos como enfoques de aprendizaje profundo. Además, se utilizó Aprendizaje por Refuerzo en escenarios donde no había datos del mundo real o experiencias históricas disponibles. El rendimiento de entrenamiento del estudio piloto se evaluó utilizando validación cruzada junto con dos métodos de análisis estadístico: la prueba t y la prueba de Wilcoxon. Estos esfuerzos de evaluación del rendimiento revelaron que las técnicas de aprendizaje automático superan a los métodos de aprendizaje profundo y al enfoque de aprendizaje por refuerzo, siendo K-NN combinado con regresión el que arrojó los mejores resultados. El enfoque propuesto fue validado por expertos de la industria en la fabricación de bicicletas. Demostró una reducción de hasta el 37% tanto en tiempo como en costo para los pedidos en comparación con las estimaciones tradicionales de expertos.