Los minoristas deben contar con pronósticos de ventas precisos para operar sus negocios de manera eficiente y efectiva, y mantenerse competitivos en el mercado. Los modelos de pronóstico globales como las RNN pueden ser una herramienta poderosa para el pronóstico en entornos minoristas, donde múltiples series temporales suelen estar interrelacionadas e influenciadas por una variedad de factores externos. Al incluir covariables en un modelo de pronóstico, a menudo podemos capturar mejor los diversos factores que pueden influir en las ventas en un entorno minorista. Esto puede ayudar a mejorar la precisión de nuestros pronósticos y permitir una mejor toma de decisiones para la gestión de inventario, compras y otras decisiones operativas. En este estudio, investigamos cómo la precisión de los modelos de pronóstico globales se ve afectada por la inclusión de diferentes covariables potenciales de demanda. Para garantizar la importancia de los hallazgos del estudio, utilizamos el conjunto de datos accesible y bien establecido de la competencia de pronóstico M5. Los resultados obtenidos de los modelos DeepAR entrenados con diferentes combinaciones de características indican que la inclusión de características relacionadas con el tiempo, eventos e ID mejora consistentemente la precisión del pronóstico. El rendimiento óptimo se logra cuando se emplean todas estas covariables juntas, lo que resulta en una mejora del 1,8% en RMSSE y del 6,5% en MASE en comparación con el modelo base sin características. Es destacable que todos los modelos DeepAR, tanto con covariables como sin ellas, exhiben un rendimiento de pronóstico significativamente superior en comparación con el punto de referencia estacional ingenuo.