La gestión precisa del inventario de piezas de repuesto intermitentes requiere una previsión de demanda precisa. La naturaleza esporádica e irregular de la demanda, caracterizada por largos intervalos entre ocurrencias, resulta en un desequilibrio de datos significativo, donde los eventos de demanda son ampliamente superados por períodos de cero demanda. Este desafío ha sido en gran medida pasado por alto en la investigación de previsión para piezas de repuesto intermitentes. El modelo propuesto incorpora la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) para equilibrar el conjunto de datos y utiliza la pérdida focal para mejorar la sensibilidad de los modelos de aprendizaje profundo a eventos de demanda raros. El enfoque fue validado empíricamente al comparar el rendimiento del Error Cuadrático Medio (MSE) del modelo y el Área Bajo la Curva (AUC). El modelo de conjunto logró una reducción del 47% en MSE y un aumento del 32% en AUC, demostrando mejoras sustanciales en la precisión de la previsión. Los hallazgos destacan la efectividad del método propuesto para abordar el desequilibrio de datos y mejorar la predicción de la demanda de piezas de repuesto intermitentes, proporcionando una herramienta valiosa para la gestión del inventario.