La gestión de los inventarios es una realidad que viven los negocios que se dedican a la producción o comercialización de bienes tangibles y sus gerentes deben enfrentarse a diario al desafío de cómo gestionarlos de forma óptima, es decir garantizar la disponibilidad de bienes para atender la demanda de los clientes, pero al mismo tiempo mantener los niveles de inventarios en niveles razonables. 

Las empresas que optimizan sus inventarios logran beneficios como reducción de costos, recuperación de capital de trabajo, mejoras en ventas por reducción de agotados, fidelización de los clientes y menores pérdidas por daños u obsolescencia

Una forma de optimizar los inventarios es través de la mejora en los pronósticos de la demanda, lo que consiste en estimar la demanda futura probable para un producto o un servicio, usualmente esta actividad también es conocida con el término de planeación de la demanda, siendo esta última un proceso que comienza con los pronósticos pero no está limitada sólo a esto. 

En la medida en que una empresa aumenta los niveles de precisión de sus pronósticos, sus niveles de inventarios pueden ajustarse y puede percibir los beneficios de este cambio

Para realizar procesos de pronósticos, han existidos por años los métodos estadísticos tradicionales y siguen siendo usados hoy en día, estos métodos usan datos del pasado para pronosticar el futuro (La práctica común es usar datos de dos o más años); se pueden construir series de tiempos para pronosticar ventas,  aunque estos modelos no son del todo precisos debido a cambios en la demanda y la volatilidad del mercado. Es por eso que las actividades de realización de pronósticos están sido complementadas con técnicas de machine learning

Es importante tener en consideración que no siempre se cuenta con toda la información para pronosticar todos los productos, por esto es importante determinar que tan viable es pronosticar con precisión un producto antes de iniciar un proyecto de este tipo. Se debe analizar que se disponga de los datos mínimos requeridos: 

Apoyándose en modelos estadísticos el aprendizaje automático usa fuentes de información externas e internas para realizar predicciones más precisas y basadas en datos.  Los motores de machine learning pueden usar información como reportes de ventas, encuestas de mercadeo, indicadores macroeconómicos, señales de social media, pronósticos del clima y demás. Las compañías que están incorporando machine learning en sus sistemas existentes están logrando mejoras de entre el 5 y el 15 % en la confiabilidad de sus pronósticos (alcanzando precisiones de hasta el 95%).  Adicionalmente eliminan  actividades como reajustes manuales y calibraciones de los modelos, sin embargo es importante aclarar que estos métodos requieren alta disponibilidad de datos de buena calidad y poder de computo.  

Algunos de los casos en que los modelos de machine learning tienen un mejor desempeño que los modelos tradicionales donde:

Existen muchos modelos de Machine learning y aunque no existe uno que se ajuste a todas las situaciones, algunos de los más eficientes y más usados para la realización de pronósticos son: