Durante décadas, los eventos de falta de stock (OOS) han sido un problema para minoristas y fabricantes. En la venta al por menor de comestibles, un evento de OOS se utiliza para caracterizar la condición en la que los clientes no encuentran cierto producto al intentar comprarlo. Este trabajo se centra en abordar este problema desde la perspectiva de un fabricante, realizando un estudio de caso en una empresa de fabricación de alimentos envasados para la venta al por menor ubicada en América Latina. Desarrollamos dos sistemas basados en aprendizaje automático para detectar eventos de OOS de forma automática. El primero se basa en un único clasificador de Random Forest con datos equilibrados, y el segundo es un conjunto de seis algoritmos de clasificación diferentes. Utilizamos datos transaccionales del sistema de información del fabricante y auditorías físicas. La novedad de este trabajo es nuestro uso de nuevas variables predictoras de eventos de OOS. El sistema se implementó y probó con éxito en una empresa fabricante de alimentos envasados para la venta al por menor. Al incorporar las nuevas variables predictivas en nuestro clasificador de Random Forest y Ensemble, pudimos mejorar la capacidad predictiva de su sistema. En particular, el clasificador de Random Forest presentó el mejor rendimiento en un entorno real, logrando una precisión de detección del 72% e identificando el 68% de los eventos totales de OOS. Finalmente, la incorporación de nuestras nuevas variables predictoras nos permitió mejorar el rendimiento del Random Forest en 0,24 puntos en la medida F.