En las cadenas de suministro de Ingeniería a Pedido (EtO), gestionar los plazos de entrega de los proveedores es particularmente desafiante debido a la alta personalización y la intensa participación del cliente. Este estudio aborda la necesidad crítica de una predicción de plazos de entrega más precisa y dinámica para mejorar la resiliencia y eficiencia de la cadena de suministro en entornos EtO. Proponemos un enfoque novedoso que integra tecnologías de Internet de las Cosas (IoT) con modelado estadístico utilizando la distribución log-normal para modelar y optimizar los plazos de entrega de los proveedores, especialmente para materias primas personalizadas. El modelo incorpora datos en tiempo real de proveedores habilitados por IoT y considera relaciones contractuales a largo plazo para reducir la variabilidad. Se emplea simulación de Monte Carlo para validar las capacidades predictivas del modelo. Los resultados demuestran mejoras significativas en la predicción del rendimiento de los proveedores y en la reducción de la incertidumbre. Las salidas de la simulación revelan reducciones en los plazos de entrega y una mayor fiabilidad. Métricas estadísticas como el Error Absoluto Medio (MAE) y el Error Cuadrático Medio (RMSE) confirman la solidez y precisión de las predicciones. La metodología propuesta apoya una mejor toma de decisiones en la selección de proveedores y la planificación de adquisiciones al permitir una gestión efectiva del riesgo. Contribuye a mejorar el rendimiento y la mayor resiliencia en las cadenas de suministro de Ingeniería a Pedido.