Este documento presenta un modelo de inventario integrado que emplea redes neuronales personalizadas para abordar el desafío de la demanda no estacionaria de productos tipo vendedor de noticias, como verduras y artículos de moda. En este contexto de vendedor de noticias, la demanda es intertemporal y está influenciada por factores externos como precios, promociones y días festivos. Contrario a los modelos de inventario basados en aprendizaje automático tradicionales que asumen una demanda estacionaria e independiente, nuestro método tiene en cuenta la dinámica temporal y el impacto de los factores externos en la demanda. Nuestro modelo de red neuronal personalizado integra la estimación de la demanda con la optimización del inventario, evitando la suboptimalidad potencial de los métodos de estimación y optimización secuenciales. Realizamos un estudio de caso sobre la optimización de las decisiones de pedido de verduras para un supermercado. Los hallazgos indican la efectividad del modelo propuesto en mejorar las decisiones de pedido, reduciendo así los costos de inventario hasta un 21.14%. Al personalizar una red neuronal integrada, este documento presenta una solución precisa y rentable de gestión de inventario para abordar las complejidades del mundo real de la demanda, como la estacionalidad y la dependencia de factores externos. El enfoque propuesto es particularmente beneficioso para los minoristas en industrias que manejan artículos perecederos y volatilidad del mercado, lo que les permite mitigar el desperdicio (por ejemplo, verduras no vendidas) y las faltas de stock (por ejemplo, artículos de moda estacionales). Esto aborda directamente los desafíos relacionados con la sostenibilidad y la rentabilidad. Además, el marco integrado proporciona una inspiración metodológica para adaptar las redes neuronales a otros problemas de cadena de suministro sensibles al tiempo.