En el actual mercado global, las cadenas de suministro son cada vez más complejas, lo que requiere estrategias de gestión ágiles y sostenibles. Los métodos analíticos tradicionales a menudo no logran abordar estos desafíos, creando la necesidad de enfoques más avanzados. Este estudio aprovecha técnicas avanzadas de aprendizaje automático (ML) para mejorar la logística y la gestión de inventarios. Utilizando datos históricos de una corporación minorista multinacional, incluidos ventas, niveles de inventario, tasas de cumplimiento de pedidos y costos operativos, aplicamos una variedad de algoritmos de ML, incluyendo regresión, clasificación, agrupamiento y análisis de series temporales. La aplicación de estos modelos de ML resultó en mejoras significativas en áreas operativas clave. Logramos un aumento del 15% en la precisión de la previsión de la demanda, una reducción del 10% en el exceso de inventario y faltantes, y una precisión del 95% en la predicción de los plazos de cumplimiento de pedidos. Además, el enfoque identificó envíos en riesgo y permitió la segmentación de clientes basada en preferencias de entrega, lo que llevó a ofertas de servicio más personalizadas. Nuestra evaluación demuestra el potencial transformador del ML para hacer que las operaciones de la cadena de suministro sean más receptivas y basadas en datos. El estudio subraya la importancia de adoptar tecnologías avanzadas para mejorar la toma de decisiones, evidenciada por una mejora del 12% en la eficiencia del tiempo de entrega, un coeficiente de silueta de 0.75 para el agrupamiento y una reducción del 8% en errores de reabastecimiento.