La demanda de pronósticos juega un papel crucial en los costos operativos de una empresa. El inventario excesivo puede aumentar los costos y el desperdicio innecesario puede reducirse si los gerentes planean para una demanda futura incierta y determinan las decisiones más favorables. Los gerentes exigen una mayor precisión en los pronósticos a medida que avanza la tecnología. La mayoría de la literatura discute la inexactitud de los resultados de los pronósticos al suspender el modelo y recargar los datos para el reentrenamiento y corrección del modelo, lo cual se emplea ampliamente pero causa un cuello de botella en la práctica ya que los usuarios no tienen la capacidad suficiente para corregir el modelo. Este estudio propone un mecanismo de compensación de errores y utiliza el gráfico de control de individuos y rango móvil (I-MR) para evaluar el requisito de compensación para resolver el cuello de botella actual utilizando modelos de pronóstico. El enfoque se valida utilizando los datos históricos de las empresas de casos, y el modelo se desarrolla utilizando una memoria a largo plazo con memoria corta (LSTM) para producir los valores predichos; luego, se proponen cinco indicadores para la selección de las estadísticas de predicción que se emplearán posteriormente. El error cuadrático medio raíz (RMSE), el error porcentual absoluto medio (MAPE) y el error absoluto medio (MAE) comparan el LSTM, el índice combinado LSTM de desplazamiento y los modelos LSTM-autorregresivo de media móvil (ARMA). Los resultados demuestran que el RMSE, el MAPE y el MAE de LSTM-ARMA son menores que los de los otros dos modelos, lo que indica que el mecanismo de compensación de errores propuesto en este estudio puede mejorar la precisión de la predicción.