La precisión en la predicción es fundamental para la planificación efectiva de la red de almacenes y la gestión de inventario en comercio electrónico. Este estudio aborda estos desafíos aplicando una estrategia de pronóstico diferenciada durante un período de tres meses. El modelo Autoregresivo Integrado de Media Móvil (ARIMA) se utiliza para las predicciones mensuales de inventario, mientras que la red neuronal de Memoria a Corto y Largo Plazo (LSTM) se emplea para pronósticos diarios de ventas. La validación experimental en 350 categorías de productos demuestra la eficacia de este enfoque. ARIMA capturó eficazmente las tendencias dinámicas de inventario (por ejemplo, la Categoría 1 mostrando aumentos graduales; Categoría 91 disminuyendo de 3824 a 0). Al mismo tiempo, LSTM modeló con éxito las fluctuaciones complejas de ventas diarias (por ejemplo, la Categoría 61 alcanzando un pico de 3693 unidades el 21 de julio; Categoría 31 registrando consistentemente cero ventas). Esta estrategia de doble modelo, aprovechando las fortalezas complementarias de ARIMA para series de inventario mensual relativamente estables y LSTM para patrones volátiles de ventas diarias, proporciona una base sólida y basada en datos para optimizar la planificación de recursos de almacén y la asignación de categorías de productos. Además, la visualización de los resultados de pronóstico categorizados revela patrones distintos de distribución de ventas, lo que permite a las empresas refinar estrategias de inventario y ventas con mayor precisión, lo que conduce a una reducción de la inversión en espacio redundante y a una mejora en la eficiencia de la asignación de recursos. La investigación futura se centrará en incorporar interacciones multivariables para mejorar aún más la practicidad y el poder predictivo del modelo.