El presente trabajo tiene como objetivo evaluar la capacidad de un sistema basado en machine learning supervisado en la gestión de inventarios de una empresa maderera en Lima, Perú. La problemática principal radica en la variabilidad de la demanda y la dependencia de métodos manuales, lo cual genera altos costos operativos debido a excesos de inventario y desabastecimientos. Para abordar esta situación, se diseñó e implementó un sistema basado en machine learning supervisado utilizando la metodología CRISP-DM y algoritmos como XGBoost, ARIMA y Redes Neuronales, priorizando la identificación precisa del stock de seguridad y el nivel de servicio. Los resultados demostraron que XGBoost fue el modelo más eficiente, alcanzando un R² perfecto (1.0) y menores valores de MAE y RMSE en comparación con otros modelos. Este sistema permitió optimizar la planificación del inventario, r...