Visurraga Agüero, Joel MartinOvalle Paulino, Denis Christian2025-09-032025-09-032025-08-15https://hdl.handle.net/20.500.12840/9111La cadena de suministro ha experimentado una transición significativa, orientándose hacia esquemas más sofisticados y optimizados gracias a la incorporación de tecnologías emergentes. Este cambio está dejando atrás los modelos convencionales para dar paso a estructuras inteligentes que maximizan la eficiencia. En este contexto, la inteligencia artificial desempeña un papel clave, ya que permite procesar y examinar grandes volúmenes de información con rapidez y precisión y obtener predicciones significativas para tomar decisiones en la gestión logística. Este estudio propone un diseño de cadena de suministro inteligente siguiendo la metodología ensemble stacking para desarrollo tecnológico, a su vez, se utilizaron los algoritmos de machine learning como Gradient Boosting, CatBoost, Random Forest, Decision Tree, K-Nearest Neighbors, XGBoost y el Meta-modelo: Regresión Lineal. Luego de la optimización y aplicación de las métricas como MSE, 𝑅2, MAE, RMSE se obtuvo que los metamodelos sobresalieron con resultados notables alcanzando precisiones superiores al 90%. Asimismo, la presente la cadena de suministro inteligente mejora en un 53% la gestión logística del Servicio Educacional Hogar y Salud del Norte, Lima, 2020. Se concluye que esta propuesta no solo optimiza el rendimiento del modelo, sino que también asegura una mejor adaptación a las necesidades y objetivos particulares para la gestión logística.application/pdfspainfo:eu-repo/semantics/embargoedAccessCadena de suministroInventarioModelo machine learninginfo:eu-repo/semantics/doctoralThesishttp://purl.org/pe-repo/ocde/ford#1.02.00