En el mundo intrincado y dinámico de hoy, la Gestión de la Cadena de Suministro (SCM) está enfrentando dificultades crecientes en relación con aspectos como interrupciones, globalización y complejidad, y volatilidad de la demanda. En consecuencia, las empresas están recurriendo a tecnologías impulsadas por datos, como el aprendizaje automático, para superar estos desafíos. Los enfoques tradicionales de SCM carecen de la capacidad para predecir riesgos con precisión debido a su complejidad computacional. En la presente investigación, se ha desarrollado un modelo híbrido de Máquina de Aumento de Gradiente Ligero (LightGBM) optimizado bayesiano, que pronostica con precisión el riesgo de pedidos atrasados dentro de la SCM. La metodología empleada abarca la creación de un modelo de clasificación matemática y utiliza diversos algoritmos de aprendizaje automático para predecir los riesgos asociados con los pedidos atrasados en una cadena de suministro. El modelo LightGBM propuesto supera a otros métodos y ofrece eficiencia computacional, convirtiéndolo en una herramienta valiosa para la predicción de riesgos en la gestión de la cadena de suministro.