Este estudio introduce un enfoque novedoso para mejorar la selección de variables en el Análisis de Envoltura de Datos (DEA), especialmente en entornos estocásticos donde la estimación de eficiencia es inherentemente compleja. Para abordar estos desafíos, proponemos un modelo de juego cruzado DEA para refinar la estimación de eficiencia. Además, integramos el Criterio de Información de Akaike (AIC) con la técnica de Asignación Óptima de Presupuesto de Cómputo (OCBA), creando un método híbrido llamado OCBA-AIC. Este método innovador asigna eficientemente recursos computacionales para la selección de variables estocásticas. Nuestro análisis numérico indica que OCBA-AIC supera a los métodos existentes, logrando un valor de AIC más bajo. También presentamos dos estudios de caso del mundo real que demuestran la efectividad de nuestro enfoque en clasificar proveedores y empresas turísticas bajo incertidumbre al seleccionar los socios más adecuados. Esta investigación enriquece la comprensión de la medición de eficiencia en DEA y realiza una contribución sustancial al campo de la gestión del rendimiento y la toma de decisiones en contextos estocásticos.