Los sistemas de monitoreo de actividad automatizada (AAM) son críticos en la industria láctea para detectar el estro y optimizar el momento de la inseminación artificial (IA), mejorando así las tasas de éxito de embarazo en vacas. Este estudio desarrolló un modelo predictivo para mejorar el éxito del embarazo integrando datos de AAM con factores específicos de las vacas y ambientales. Utilizando datos de 1,054 vacas, este estudio comparó los resultados de embarazo entre dos momentos de IA: 8 o 10 horas después de la alarma de AAM. Se consideraron variables como la edad, la paridad, la condición corporal, la locomoción y las puntuaciones de flujo vaginal, enfermedades periparto, el programa de cría, el toro utilizado para la IA, la producción de leche en el momento de la IA y las condiciones ambientales (estación, humedad relativa e índice de temperatura-humedad) junto con los datos de AAM sobre rumiado, actividad e intensidad de estro. Se evaluaron seis modelos predictivos para determinar su eficacia en predecir el éxito del embarazo: regresión logística, algoritmo Bagged AdaBoost, discriminante lineal, bosque aleatorio, máquina de soporte vectorial y árbol de clasificación Bagged. La integración de los datos de la granja con AAM mejoró significativamente la precisión de la predicción de embarazo en la IA en comparación con el uso de datos de AAM solos. Los modelos de bosque aleatorio mostraron un rendimiento superior, con la mayor estadística Kappa y las tasas de falsos positivos más bajas. Los modelos de discriminante lineal y regresión logística demostraron la mejor precisión, mínimos falsos negativos y el área más alta bajo la curva. Estos hallazgos sugieren que combinar datos de la granja y AAM puede mejorar significativamente la gestión reproductiva en la industria láctea.