170
ISSN 1390-7778 (Versión Impresa)
ISSN 2528-8148 (Versión Electrónica)
YACHANA
Revista CientífiCa
Volumen 14, Número 2, Julio - Diciembre 2025
Resumen
Esta revisión sistemática de la literatura
analiza el estado del arte en el uso de in-
teligencia artificial (IA) para la previsión
de ventas en diversos sectores. Aplicando
el enfoque PRISMA 2020, se identifica-
ron inicialmente 1.042 registros en bases
de datos científicas de alto impacto, de los
cuales 24 estudios cumplieron con todos
los criterios de inclusión tras un riguro-
so proceso de selección y evaluación. El
análisis cualitativo y cuantitativo revela
un crecimiento sostenido en la adopción
de técnicas de IA, con especial énfasis en
redes neuronales recurrentes, modelos de
aprendizaje profundo, máquinas de vec-
tores de soporte y enfoques híbridos. Los
resultados muestran mejoras significati-
vas en la precisión predictiva en compa-
ración con los modelos tradicionales, aun-
que persisten desafíos relacionados con la
calidad de los datos, la replicabilidad y la
interpretabilidad de los modelos. También
se discuten las principales lagunas meto-
dológicas, las implicaciones prácticas y
las futuras direcciones de investigación,
con énfasis en el desarrollo de modelos
explicables validados en contextos em-
presariales reales, especialmente para py-
mes en mercados emergentes.
Palabras clave: Venta, inteligencia artifi-
cial, aprendizaje, mercados.
Abstract
This systematic literature review analyzes
the state of the art in the use of artificial
intelligence (AI) for sales forecasting in
various sectors. Applying the PRISMA
2020 approach, 1,042 records were initia-
lly identified in high-impact scientific da-
tabases, of which 24 studies met all inclu-
sion criteria after a rigorous selection and
evaluation process. Qualitative and quan-
titative analysis reveals sustained growth
in the adoption of AI techniques, with a
particular emphasis on recurrent neural
networks, deep learning models, support
vector machines, and hybrid approaches.
Inteligencia Artificial en el pronóstico de ven-
tas: Revisión sistemática de la literatura cientí-
fica (2018-2024)
Articial Intelligence in sales forecasting: A systematic
review of scientic literature (2018-2024)
Leonardo Roberto Espinoza Roca
https://orcid.org/0000-0003-0118-9813
Facultad de Ciencias Administrativas, Universidad de Guayaquil, Guayaquil-Ecuador, leonardo.espinozar@ug.edu.ec
Richard Romero Izurieta
https://orcid.org/0000-0002-3387-6661
Facultad de Educación, Universidad Estatal de Milagro, Milagro-Ecuador, rrimeroi@unemi.edu.ec
Guido Mantilla Buenaño
https://orcid.org/0000-0002-5598-8330
Facultad de Administración, Universidad Laica VICENTE ROCAFUERTE de Guayaquil, Guayaquil-Ecuador,
gmantillab@ulvr.edu.ec
https://doi.org/10.62325/10.62325/yachana.v14.n2.2025.1006
Artículo de revisión
28/07/2025
09/06/2025
31/07/2025
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
171
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
Results show significant improvements in predictive accuracy compared to traditional models,
although challenges related to data quality, replicability, and model interpretability remain. Key
methodological gaps, practical implications, and future research directions are also discussed,
with an emphasis on the development of explainable models validated in real-life business con-
texts, especially for SMEs in emerging markets.
Keywords: Sales, Artificial Intelligence, Learning, Market.
Introducción
La previsión de ventas es un componente
estratégica de las organizaciones, ya que
les permite anticipar la demanda futura,
producción, reducir costes y diseñar cam-
& Athanasopoulos, 2021; Seifert, 2023).
Tradicionalmente, los modelos estadísti-
cos como la regresión lineal, los modelos
de media móvil, el suavizado exponencial
y ARIMA se han utilizado ampliamen-
te debido a su simplicidad y facilidad de
interpretación (Makridakis et al., 2018a).
Sin embargo, la creciente complejidad de
los mercados, la volatilidad de los patro-
nes de consumo y el aumento en la canti-
dad de datos, tanto con estructura como
sin ella como transacciones digitales, in-
teracciones en redes sociales, datos me-
teorológicos y económicos han empezado
a superar la capacidad predictiva de estos
-
man & Athanasopoulos, 2021; Chatterjee
et al., 2023).
Dada la relevancia del big data y el entor-
no de la economía digital, la inteligencia
-
ventas, permitiendo el modelado de rela-
ciones no lineales, la adaptación dinámica
a cambios ambientales y la explotación de
fuentes de datos heterogéneas (Rolnick et
al., 2022). Las técnicas de inteligencia ar-
-
y sus extensiones especializadas, como la
Memoria A Largo Plazo (LSTM), forman
parte del campo más amplio del aprendi-
zaje profundo, caracterizado por su capa-
cidad para modelar relaciones no lineales
y patrones secuenciales en grandes vo-
lúmenes de datos (Smyl, 2020; Panda &
Mohanty, 2023). Por otro lado, métodos
como las máquinas de vectores de soporte
(SVM), los árboles de decisión, los bos-
ques aleatorios y las técnicas de boosting
pertenecen al campo del aprendizaje auto-
mático supervisado, siendo especialmente
-
lidad en entornos estructurados (Banda-
ra et al., 2020). Finalmente, los modelos
híbridos, que combinan enfoques esta-
dísticos tradicionales con técnicas de IA,
han demostrado ofrecer mayor robustez y
adaptabilidad, especialmente en contextos
de alta incertidumbre (Makridakis et al.,
2018b)..
Según Chowdhury et al. (2024), la apli-
cación de IA en entornos de previsión no
solo ha mejorado el rendimiento predic-
tivo, sino que también ha reducido los
errores críticos asociados con eventos
disruptivos y patrones de demanda irregu-
lares. Estudios recientes han demostrado
172
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
el impacto positivo de la inteligencia ar-
Por ejemplo, Abolghasemi M. et al (2022)
y Babai M. Z3 et al (2021) presentan un
caso práctico aplicado al comercio mino-
rista y la cadena de suministro, en el que
se implementan modelos predictivos de
IA para optimizar la gestión de inventa-
rios y anticipar la demanda con mayor
precisión.
han logrado capturar secuencias tempora-
les y estacionales complejas con un rendi-
-
que con un mayor coste computacional
(Abolghasemi et al., 2022). Asimismo, los
enfoques híbridos que combinan modelos
estadísticos con algoritmos de IA han co-
brado relevancia gracias a su capacidad
para equilibrar la robustez interpretativa y
la precisión predictiva (Makridakis et al.,
2018a).
Estudios recientes han demostrado el im-
-
rias aplicaciones. Por ejemplo, Wu et al.
(2024) desarrollaron una investigación
técnica aplicada al sector farmacéutico,
donde analizan cómo el uso de redes neu-
ronales mejora la previsión de ventas en
escenarios sensibles a factores externos
como la estacionalidad y la variabilidad
de la oferta. Si bien ambos estudios de-
IA, sus resultados se derivan de contextos
otros sectores debe considerarse con cau-
tela y estar sujeta a mayor validación.
Si bien la cantidad de investigaciones so-
pronóstico de ventas ha aumentado sig-
-
siste una notable dispersión en los hallaz-
gos, enfoques metodológicos y métricas
tanto la comparación directa entre estu-
dios como la consolidación de conclusio-
nes generalizables. Revisiones anteriores
como la de Carbonneau et al. (2008) rea-
técnicas y aplicaciones, aunque su cober-
tura fue limitada al contexto de las redes
neuronales y a estudios publicados hasta
mediados de la década de 2000. Más re-
cientemente, Makridakis et al. (2018a) y
Raj et al. (2022) han advertido sobre la
necesidad de sistematizar la evidencia
empírica y estandarizar criterios de vali-
dación. En este sentido, el presente traba-
jo se diferencia por ofrecer una revisión
sistemática actualizada (2018–2024), con
un enfoque transversal a distintas técnicas
de IA, dominios de aplicación y métricas
de evaluación, lo que permite aportar una
visión más amplia y articulada del estado
actual del campo. Además, la adopción
empresarial de estos modelos aún enfren-
ta desafíos relacionados con la explicabi-
lidad, la calidad de los datos y la integra-
ción en sistemas de toma de decisiones en
tiempo real (Zamani et al., 2023; Ahmed
et al., 2024).
En este sentido, este estudio busca ana-
lizar, categorizar y sintetizar la literatura
aplicación de técnicas de IA en la pre-
visión de ventas, utilizando el protoco-
lo PRISMA 2020 (Page et al., 2021). El
-
nológicas más relevantes, los sectores de
aplicación, las métricas más utilizadas y
las limitaciones comunes de los modelos
actuales. Este estudio también tiene como
173
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
objetivo proporcionar una base de cono-
cimiento organizada que facilite la com-
prensión de las tendencias actuales y sirva
como insumo para futuras investigaciones
sobre el desarrollo de modelos explicables
y aplicaciones prácticas de IA en entornos
empresariales dinámicos.
Materiales y métodos
Esta revisión sistemática se realizó si-
guiendo las directrices de la declaración
PRISMA 2020 (Page et al., 2021), que
establece un protocolo estandarizado para
garantizar la transparencia y la exhausti-
-
-
cación, selección, evaluación de elegibi-
lidad e inclusión, como se muestra en la
Figura 1.
Se realizó una búsqueda estructurada en-
tre enero de 2023 y abril de 2024 en seis
bases de datos académicas de alta calidad
y reconocimiento internacional: Scopus,
Web of Science, IEEE Xplore, Science-
Direct, SpringerLink y ACM Digital Li-
brary. La estrategia de búsqueda combinó
operadores booleanos y términos contro-
-
cial intelligence” OR “machine learning”
OR “deep learning”).
La búsqueda se limitó a artículos pu-
blicados entre 2018 y 2024, en inglés o
español, y con disponibilidad de texto
completo. Solo se considerarán artículos
la calidad metodológica y la relevancia de
los estudios seleccionados:
Criterios de Inclusión
Estudios empíricos que apliquen técnicas
ventas.
-
dexadas en Scopus, WoS u otras bases de
datos de alto impacto.
Evaluación del rendimiento mediante mé-
tricas cuantitativas (p. ej., MAPE, RMSE,
MAE, R²).
Criterios de Exclusión
Artículos de revisión, estudios teóricos
sin aplicación práctica, informes técnicos,
tesis o actas de congresos no arbitradas.
Duplicados, estudios sin un enfoque en
ventas o que no emplearon técnicas de IA.
Proceso de Selección
De un total de 1042 registros iniciales, se
eliminaron los duplicados y los documen-
tos irrelevantes, obteniendo 888 artículos
únicos. Tras la revisión de títulos y resú-
menes, se excluyeron 708 artículos por
no cumplir con los criterios temáticos. Se
revisaron 180 artículos de texto completo,
de los cuales 24 cumplieron plenamente
los criterios de inclusión, como se muestra
en la Figura 1). Los detalles de estos 24
artículos se pueden encontrar en la Tabla 1.
Se diseñó una matriz de extracción con las
siguientes variables: autores, año de pu-
blicación, país de estudio, tipo de técnica
de IA aplicada, volumen y tipo de datos,
métricas de evaluación, dominio indus-
trial y hallazgos principales. El análisis
combinó técnicas cualitativas (síntesis na-
rrativa) y cuantitativas (frecuencia de uso
174
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
Figura 1
Proceso PRISMA
Resultados
Distribución temporal y fuentes de pub-
licación
Como resultado de la estrategia de bús-
queda con la expresión booleana “sales
-
ce” OR “machine learning” OR “deep
-
tros iniciales en las seis bases de datos
seleccionadas. Tras eliminar duplicados,
aplicar criterios de inclusión/exclusión y
realizar el proceso de cribado, se selec-
En cuanto a la distribución temporal de
las publicaciones, el 84 % de los estudios
seleccionados se publicaron entre 2020 y
2024, con una concentración máxima en
-
terés creciente y sostenido en el uso de la
IA para la previsión de ventas, impulsado
en parte por los desafíos derivados de la
incertidumbre generada durante y des-
pués de la pandemia de COVID-19. Las
fuentes de publicación predominantes
fueron revistas indexadas en Scopus y
Web of Science, como Expert Systems
with Applications, IEEE Access, Applied
Soft Computing, Journal of Business Re-
search y Decision Support Systems.
Técnicas de IA utilizadas
Como se muestra en la Tabla 1, la técnica
en 10 de los 24 estudios analizados (40
%). A estos les siguen los modelos LSTM
(Memoria a Largo y Corto Plazo) con 6
estudios (24%), Bosques Aleatorios (4),
-
sión (2) y Máquinas de Vectores de So-
porte (SVM) (1). Esta distribución mues-
tra una clara preferencia por los modelos
de aprendizaje profundo en contextos de
pronóstico con alta variabilidad temporal
y estacionalidad compleja.
En cuanto a rendimiento, los modelos
basados en IA superaron a los modelos
estadísticos tradicionales en precisión,
especialmente en contextos con grandes
volúmenes de datos y alta variabilidad.
Los estudios destacan que:
• Los LSTM fueron particularmente
-
IDENTIFICACIÓN
Registros identificados mediante
bases de datos (n = 1.042)
SELECCIÓN
ELEGIBILIDAD
INCLUSIÓN
Registros tras eliminar duplicados (n = 888)
Registros excluidos (n = 708)
Texto completo de
artículos evaluados
para elegibilidad
(n = 180)
Artículos incluidos
en la revisión
(n = 25)
Artículos
excluidos
(n = 155)
175
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
neales y secuencias temporales com-
plejas.
• Los modelos híbridos (que combinan
ARIMA y redes neuronales, o mode-
los basados en árboles + redes) mos-
-
tornos multivariados.
• Los bosques aleatorios y los árbo-
les de decisión ofrecieron resultados
competitivos en contextos con datos
de productos.
Tipos de Datos y Dominios de Apli-
cación
Los estudios abarcan diferentes tipos de
datos, incluyendo series temporales de
ventas minoristas, registros históricos de
inventario, datos promocionales, estacio-
nales y contextuales. En cuanto al domi-
-
pos principales:
Comercio minorista/e-commerce (11 es-
tudios): como Amazon, Alibaba, tiendas
de moda o electrónica.
Sector de alimentación y bebidas (5 es-
tudios).
Industria manufacturera y de distribución
(9 estudios): incluyendo productos farma-
céuticos, autopartes y bienes duraderos.
Métricas de Evaluación
Las métricas más comunes utilizadas para
evaluar el rendimiento del modelo fueron:
Error Absoluto Medio (MEE): utilizado
en el 72% de los estudios.
Error Cuadrático Medio (RMSE): 64%.
MAPE (Error porcentual absoluto me-
dio): 56 %.
Algunos estudios también emplearon mé-
comparar múltiples modelos.
La Tabla 1 muestra un resumen compara-
tivo de los 24 estudios analizados, especi-
-
da, el ámbito de aplicación y el hallazgo
principal.
Los resultados de este análisis muestran
una creciente preferencia por los mode-
los híbridos, que combinan técnicas de
-
tadísticos tradicionales. Esta tendencia
también se observa en estudios previos
como el de Zhang et al. (1998), quienes
exploran las ventajas de combinar redes
neuronales con modelos ARIMA para
mejorar la precisión en series temporales.
Por otro lado, el aprendizaje profundo,
y en particular las arquitecturas LSTM,
han demostrado un rendimiento superior
en la captura de dependencias temporales
complejas en contextos de ventas, como
lo reportan Bandara et al. (2020). Asimis-
mo, varios trabajos recientes subrayan la
necesidad de una mayor claridad en el
funcionamiento interno de los modelos
de IA y su adecuada integración con sis-
temas empresariales como ERP y CRM,
especialmente en aplicaciones comercia-
les (Zhang et al., 2023).
176
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
Tabla 1
Comparativa de 24 estudios sobre IA en el pronóstico de ventas (2018–2024
Nº Referencia Técnicas de IA Sector de
Aplicación Resultados Clave
1 Bandara et al. (2020) LSTM E-commerce
2 Zurita (2024) Random Forest Retail Reducción del error RMSE
3 Bi et al. (2022) Tensor Factorization Retail Mejora en precisión
4 Explainable ML Manufactura Explicabilidad mejorada
5Venkataramanan et al.
(2024) Revisión Sistemática General Resumen de avances IA
6 Caglayan et al. (2020) Retail Alta precisión en predicción
7 LSTM E-commerce Buena predicción secuencial
8Quiñones-Rivera et al.
(2023) Retail
9 Ahmed et al. (2024) Random Forest Retail Precisión mejorada
10
(2021) SVM Retail
11 Chen K.. (2020) Retail Predicción robusta y Reducción de
error MSE
12 Ganguly & Mukherjee
(2024) E-commerce
13 Khedr & Rani (2024) SVM Retail Alta precisión
14 Ataei et al. (2020) Random Forest Retail Mejora en pronóstico corto plazo
15 Retail Buen desempeño en series tempo-
rales
16 Issaoui et al. (2021) LSTM E-commerce Captura de patrones temporales
17 Li et al. (2024) Retail Alto rendimiento
18 Panda & Mohanty (2023) E-commerce Alta precisión en escenarios mixtos
19 Atmaja et al. (2022) Retail Consistencia en predicción
20 Setiawan (2024) SVM Retail Buen desempeño en escenarios no
lineales
21 Loureiro et al. (2018) Retail Robustez ante ruido
22 Sajawal et al. (2022) Random Forest Retail Mejora del rendimiento en retail
23 Barrientos et al (2020) Retail Aplicabilidad real
24 Sharma et al. (2022) Retail Predicción mejorada con modelo
híbrido
177
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
Discusión
En comparación con revisiones anteriores,
como la de Makridakis et al. (2018a), exis-
te evidencia de una transición hacia una
mayor madurez en la implementación de
la previsión de ventas. Si bien los primeros
estudios tendían a tener un enfoque explo-
ratorio y se limitaban a una sola técnica o
conjunto de datos, trabajos recientes como
los de Bandara et al. (2020), Wu et al.
(2024) y Prabu et al. (2025) se caracterizan
por una mayor solidez metodológica, la in-
tegración de múltiples fuentes de datos (p.
ej., ventas históricas, variables macroeco-
nómicas y datos de consumo) y la evalua-
ción comparativa sistemática con modelos
estadísticos tradicionales.
particular sus variantes LSTM y Gated Re-
current Unit (GRU) han mostrado consis-
tentemente un mejor desempeño en entor-
nos con secuencias temporales complejas,
superando a modelos clásicos como ARI-
MA o regresión lineal, especialmente en
métricas como el Error Cuadrático Medio
(RMSE) y MAE (Panda & Mohanty, 2023;
métricas más bajas de error absoluto me-
dio (MAE) y error absoluto porcentual me-
dio (MAPE), como demuestran estudios
como los de Omar et al. (2016) y Ingle et
al. (2021). Sin embargo, esta mejora en la
precisión se acompaña de mayores costes
computacionales, tanto en el entrenamien-
to como en el ajuste de hiperparámetros.
Una de las principales limitaciones identi-
grandes volúmenes de datos de alta calidad
para entrenar modelos de inteligencia arti-
empresas que carecen de infraestructuras
robustas de captura y gestión de informa-
ción. Este desafío ha sido ampliamente do-
cumentado en estudios como el de Zhang
et al. (2024), quienes señalan que, si bien
los modelos híbridos y de aprendizaje
en precisión, su implementación requie-
re entornos con datos bien estructurados,
-
cia, muchas pymes enfrentan barreras para
adoptar estos enfoques, lo que pone de
no se ha traducido en la práctica empresa-
rial. La heterogeneidad de las fuentes y la
falta de formatos estandarizados también
-
bilidad de los modelos (Kaneko & Yada,
2016; Tang et al., 2022).
persistente de baja replicabilidad entre es-
tudios, dado que muchos artículos no com-
parten públicamente sus datos o códigos
-
da y la comparación objetiva de los resul-
tados. Esta situación se ha señalado como
una debilidad estructural en el campo, es-
pecialmente en contextos académicos que
priorizan la innovación sobre la reproduci-
bilidad (Babai et al., 2021).
Otro aspecto crítico es el sesgo en los da-
tos históricos, que puede distorsionar el
aprendizaje de los modelos y limitar su
capacidad de generalización en escenarios
dinámicos, como crisis económicas, pan-
demias o cambios abruptos en la demanda
(Makridakis et al., 2018a; Smith & Fatora-
chian, 2023). En este sentido, los enfoques
adaptativos y los modelos híbridos han
demostrado una mayor resiliencia al com-
binar componentes estadísticos con redes
neuronales para capturar la estructura, así
a.l, 2021)
178
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
En términos metodológicos, persiste una
utilizadas para evaluar el rendimiento de
-
raciones directas entre estudios. Se reco-
mienda el uso de métricas estandarizadas
y múltiples criterios de evaluación, inclu-
yendo indicadores de precisión, robustez
un panorama más claro del rendimiento
de los sistemas de pronóstico (Yee et al.,
2025). Finalmente, se destaca la necesidad
de transparencia y ética en el desarrollo de
modelos de IA, tanto en el uso responsable
de datos sensibles como en la interpreta-
ción de los resultados. La explicabilidad
de modelos (XAI) es una tendencia emer-
usuario y facilitar la implementación en
entornos empresariales (Adadi & Berrada,
2018; Ribeiro et al., 2018).
prácticas relevantes para las pequeñas y
medianas empresas (PYME) en Améri-
ca Latina. La falta de infraestructura tec-
nológica y talento especializado en mu-
chas PYME representa una barrera para
la implementación efectiva de modelos
avanzados de IA. Sin embargo, el uso de
modelos explicables, accesibles y de bajo
costo computacional, como los basados en
árboles de decisión o bosques aleatorios,
podría facilitar su adopción progresiva en
estos contextos. Investigaciones como la
de Ma et al. (2024) demuestran que incluso
modelos menos complejos pueden generar
-
trenan con datos adecuados y se integran
en procesos simples de toma de decisiones.
Conclusiones
Esta revisión sistemática ha demostrado
-
previsión de ventas, superando muchas de
las limitaciones de los enfoques estadísti-
cos tradicionales. Técnicas como las redes
neuronales recurrentes (LSTM, GRU), los
modelos híbridos y el aprendizaje profun-
do han mostrado mejoras sustanciales en la
precisión, especialmente en contextos con
patrones de consumo complejos y dinámi-
cos.
Sin embargo, el análisis también revela
desafíos persistentes que limitan la imple-
mentación efectiva de estas herramientas.
Estos incluyen:
• La necesidad de datos de alta calidad
y gran volumen, lo que representa una
barrera para muchas empresas, espe-
cialmente las pequeñas y medianas.
• La falta de estandarización en las mé-
-
dios.
• Problemas de replicabilidad, debido
a la disponibilidad limitada de datos
abiertos y la falta de publicación del
• La adopción limitada de enfoques de
IA explicable (XAI), que permiten la
interpretación de las predicciones ge-
responsables de la toma de decisiones.
En cuanto a los objetivos iniciales pro-
porcionar información útil para orientar
futuras investigaciones, herramientas ex-
plicables y aplicaciones prácticas de la IA
en entornos dinámicos, los hallazgos per-
miten realizar contribuciones concretas.
actuales, las brechas metodológicas y los
desafíos de implementación, lo que ayuda
Con base en estos hallazgos, se recomien-
179
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
da que las futuras investigaciones se cen-
tren en:
• Desarrollar modelos más interpreta-
bles y éticamente responsables que
equilibren la precisión con la transpa-
rencia y la trazabilidad.
• Validar empíricamente estos modelos
en contextos reales, especialmente en
pymes y sectores de economías emer-
gentes, donde su adopción puede tener
• Comparar sistemáticamente diferentes
técnicas de IA por sector, tipo de datos
-
do tanto métricas tradicionales como
escalabilidad.
• Diseñar protocolos estandarizados de
evaluación y documentación que pro-
muevan la reproducibilidad, el acceso
abierto y la evaluación comparativa
Finalmente, esta revisión ofrece una sínte-
sis actualizada y crítica del uso de la IA
en el pronóstico de ventas, destacando
no solo sus avances técnicos, sino tam-
bién sus implicaciones prácticas y éticas.
Su valor radica en proporcionar un marco
para investigadores, desarrolladores y em-
presas que buscan integrar la inteligencia
y contextualizada en sus procesos de toma
de decisiones.
Declaración de conicto de intereses:
Los autores declaran no tener potenciales
-
vestigación, autoría o publicación de este
artículo.
Autoría y contribución de los autores:
Conceptualización (RRI, LRER, GMB),
Metodología (RRI), Redacción – revisión
y edición (RRI. LRER, GMB).
Referencias
Abolghasemi, M., Rostami-Tabar, B., &
Syntetos, A. (2022). The value of point
of sales information in upstream supply
chain forecasting: an empirical investiga-
tion. International Journal of Production
Research, 61(7), 2162–2177. https://doi.or
g/10.1080/00207543.2022.2063086
Adadi, A., & Berrada, M. (2018). Peek-
ing inside the black-box: a survey on ex-
IEEE access, 6, 52138-52160. https://doi.
org/10.1109/ACCESS.2018.2870052
Ahmed, S., Chakrabortty, R. K., Essam,
D. L., & Ding, W. (2024, December). A
switching-based forecasting approach for
forecasting sales data in supply chains. Ap-
plied Soft Computing, 167, 112419. https://
doi.org/10.1016/j.asoc.2024.112419
-
diction in e-commerce platforms using
Abu-Mahfouz & M. Fahim (Eds.), Forth-
coming Networks and Sustainability in the
AIoT Era (pp. 207–216). Springer. https://
doi.org/10.1007/978-3-031-62881-8_17
to predict solar radiation using support
vector machine and search optimization
algorithms: a review. Applied Scienc-
es, 11(3), 1044. https://doi.org/10.3390/
app11031044
Ataei Y., Mahmoudi A., & Reza M.
-
proach (OPA) in Multiple Attribute De-
cision-Making. Applied Soft Computing,
86, 105893. https://doi.org/10.1016/j.
180
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
asoc.2019.105893
Asana, I. M. D., & Sudipa, I. G. I. (2022).
-
work on sales forecasting application.
Journal of Intelligent Decision Support
System (IDSS), 5(4), 124–131. https://idss.
iocspublisher.org/index.php/jidss/article/
view/111
-
mi-Tabar, B. (2021). Demand forecasting
in supply chains: a review of aggregation
and hierarchical approaches. Internation-
al Journal of Production Research, 60(1),
324–348. https://doi.org/10.1080/0020754
3.2021.2005268
Bandara, K., Bergmeir, C., & Smyl, S.
(2020, February). Forecasting across time
series databases using recurrent neural
networks on groups of similar series: A
clustering approach. Expert systems with
applications, 140, 112896. https://doi.
org/10.1016/j.eswa.2019.112896
Barrientos E., Coronel L., Cuesta F., Rico
D (2020, marzo). Sistema de administra-
ción de ventas tienda a tienda: Aplicando
Iberian
Journal of Information Systems and Tech-
nologies, (E27). 677–689. https://n9.cl/
qeoor
Bi, X., Adomavicius, G., Li, W., & Qu, A.
(2022). Improving sales forecasting accu-
racy: a tensor factorization approach with
demand awareness. INFORMS Journal on
Computing, 34(3), 1644-1660. https://doi.
org/10.1287/ijoc.2021.1147
neural networks for the apparel retail chain
stores: An application. Journal of Intelli-
gent & Fuzzy Systems, 39(5), 6517-6528.
Carbonneau, R., Laframboise, K., & Va-
hidov, R. (2008, February). Application
of machine learning techniques for sup-
ply chain demand forecasting. European
Journal of Operational Research, 184(3),
1140–1154. https://doi.org/10.1016/j.
ejor.2006.12.004
Chatterjee, S., Chaudhuri, R., Gupta, S.,
Assessing the impact of big data analytics
on decision-making processes, forecast-
Techno-
logical Forecasting and Social Change,
196, 122824. https://doi.org/10.1016/j.
techfore.2023.122824
Chen, K. (2020). An online retail predic-
tion model based on AGA-LSTM neu-
ral network. In Proceedings of the 2020
2nd International Conference on Ma-
chine Learning, Big Data and Business
Intelligence (MLBDBI) (pp. 145–149).
IEEE. https://doi.org/10.1109/MLBD-
BI51377.2020.00032
Chowdhury, A. R., Limon, G. Q., & Rah-
man, M. A. (2024). Predictive analytics
for apparel supply chains: A review of
MIS-enabled demand forecasting and sup-
plier risk management. American Journal
of Interdisciplinary Studies, 5(4), 1–23.
https://doi.org/10.63125/80dwy222
forecasting with color parameter in retail
-
(SVM) methods. Computers & Industrial
Engineering, 147, 106678. https://doi.
org/10.1016/j.cie.2020.106678
Ganguly, P., & Mukherjee, I. (2024). En-
181
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
hancing retail sales forecasting with op-
timized machine learning models. Pro-
ceedings of the 2024 4th International
Conference on Sustainable Expert Systems
(ICSES). IEEE. https://doi.org/10.1109/
ICSES63445.2024.10762950
(2021). Forecasting: Principles and prac-
tice (3rd ed.). OTexts. https://otexts.com/
fpp3
P., Kale, P., & Chhajed, V. (2021). De-
mand forecasting: Literature review on
various methodologies. En Proceedings
of the 2021 12th International Confer-
ence on Computing Communication and
Networking Technologies (ICCCNT) (pp.
1–7). IEEE. https://doi.org/10.1109/IC-
-
san, O. (2021). An advanced LSTM Model
for Optimal Scheduling in Smart Logistic
Environment: E-commerce case. IEEE
Access, 9, 126337-126356. http://doi.
org/10.1109/ACCESS.2021.3111306
-
plication of Machine Learning Model and
IEEE 6th International Conference on Big
Data Analytics (ICBDA), Xiamen, China,
2021, pp. 69-75. https://doi.org/10.1109/
ICBDA51983.2021.9403224
Kaneko, Y., & Yada, K. (2016). A deep
learning approach for the prediction of
retail store sales. En Proceedings of the
2016 IEEE 16th International Conference
on Data Mining Workshops (ICDMW) (pp.
531–537). IEEE. https://doi.org/10.1109/
ICDMW.2016.0082
Khedr, A. M., & Rani, S. S. (2024, De-
cember). Enhancing supply chain man-
agement with deep learning and machine
learning techniques: A review. Journal of
Open Innovation: Technology, Market,
and Complexity, 10(4), 100379. https://
doi.org/10.1016/j.joitmc.2024.100379
M. (2024). Product Demand Predic-
-
ks. Applied Sciences, 14(16), 6989. https://
doi.org/10.3390/app14166989
Loureiro, A. L. D., Miguéis, V. L., & da
Silva, L. F. M. (2018, October). Exploring
the use of deep neural networks for sales
forecasting in fashion retail. Decision
Support Systems, 114, 81–93. https://doi.
org/10.1016/j.dss.2018.08.010
-
ventory management for retail supply
chain optimization: A case study of cus-
tomer retention and revenue growth. Jour-
nal of Knowledge Learning and Science
Technology, 3(4), 260–273. https://doi.
org/10.60087/jklst.v3.n4.p260
Makridakis, S., Spiliotis, E., & Assimako-
poulos, V. (2018a). Statistical and machine
learning forecasting methods: Concerns
and ways forward. PLOS ONE, 13(3),
e0194889. https://doi.org/10.1371/journal.
pone.0194889
Makridakis, S., Spiliotis, E., & Assi-
makopoulos, V. (2018b, October-De-
cember). The M4 Competition: Results,
In-
ternational Journal of Forecasting, 34(4),
802–808. https://doi.org/10.1016/j.ijfore-
cast.2018.06.001
Mustapha, O. O., & Sithole, D. T. (2025).
Forecasting retail sales using machine
182
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
learning models. American Journal of Sta-
tistics and Actuarial Sciences, 6(1), 35–67.
https://doi.org/10.47672/ajsas.2679
Darbanian, F. (2023). Applying Machine
Learning in Retail Demand Prediction—A
Comparison of Tree-Based Ensembles and
Long Short-Term Memory-Based Deep
Learning. Applied Sciences, 13(19), 11112.
https://doi.org/10.3390/app131911112
(2016). A hybrid neural network model
for sales forecasting based on ARIMA and
search popularity of article titles. Com-
putational Intelligence and Neuroscien-
ce, 2016, Article ID 9656453. https://doi.
org/10.1155/2016/9656453
M. M., Li, T., Loder, E. W., Mayo-Wil-
son, E., McDonald, S., McGuinness, L.
C., Welch, V. A., Whiting, P., & Moher, D.
(2021, April). The PRISMA 2020 state-
ment: An updated guideline for reporting
systematic reviews. International Jour-
nal of Surgery, 88, 105906. https://doi.
org/10.1016/j.ijsu.2021.105906
Time series forecasting and modeling
of food demand supply chain based on
regressors analysis. IEEE Access, 11,
42679-42700. https://doi.org/10.1109/AC-
CESS.2023.3266275
Prabu, C. R., Ravindran, R., Varma, K.
S. A., Sri, K. S., Rohith, G. S., & Remya,
M. S. (2025). Comprehensive Review on
Sales Prediction Models. Procedia Com-
puter Science, 259, 1218-1227. https://doi.
org/10.1016/j.procs.2025.04.077
& Alfonso-Morales, W. (2023). Demand
forecasting using a hybrid model based
case on electrical products. Journal of In-
dustrial Engineering and Management,
16(2), 363–381. https://doi.org/10.3926/
jiem.3928
Raj, R., Rohit, R., Shahreyar, M., Raut,
-
algorithm. Microprocessors and Microsys-
tems, 90, 104485. https://doi.org/10.1016/j.
micpro.2022.104485
Ribeiro, M. T., Singh, S., & Guestrin, C.
-
el-Agnostic Explanations. Proceedings
of the AAAI Conference on Articial In-
telligence, 32(1), 1527–1535. https://doi.
org/10.1609/aaai.v32i1.11491
Rolnick, D., Donti, P. L., Kaack, L.Kaack,
-
cioni, A. S., Maharaj, T., Sherwin, E. D.,
Mukkavilli, S. K., Kording, K. P., Gomes,
Y. (2022). Tackling climate change with
machine learning. ACM Computing Sur-
veys, 55(2), Article 42, 1–96. https://doi.
org/10.1145/3485128
Enhancing Predictive Sales Analytics us-
ing LSTM Networks and Random Forest
Algorithms. https://eaaij.com/index.php/
eaaij/article/view/40/40
183
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
Sajawal, M., Usman, S., Sanad Alshaikh,
A Predictive Analysis of Retail Sales
Forecasting using Machine Learning
Techniques. Lahore Garrison Univer-
sity Research Journal of Computer Sci-
ence and Information Technology, 6(4),
33-45. https://doi.org/10.54692/lgurjc-
sit.2022.0604399
Seifert, M. (Ed.).(2023). Judgement in
predictive analytics. Springer. https://doi.
org/10.1007/978-3-031-30085-1
mining using the support vector machine
(SVM) method to analyze fashion retail
products to determine trends. Academia
Open, 9(1). https://doi.org/10.21070/aco-
pen.9.2024.8581
COVID-19 and supply chain disruption
management: A behavioural economics
perspective and future research direc-
tion. Journal of Theoretical and Applied
Electronic Commerce Research, 18(4),
2163–2187. https://doi.org/10.3390/
jtaer18040109
-
brid method of exponential smoothing
and recurrent neural networks for time
series forecasting. International Journal
of Forecasting, 36(1), 75–85. https://doi.
org/10.1016/j.ijforecast.2019.03.017
Wang, S. (2022, February). Big data in
forecasting research: A literature review.
Big Data Research, 27, 100289. https://
doi.org/10.1016/j.bdr.2021.100289
Venkataramanan, S., Sadhu, A. K. R., Gu-
dala, L., & Reddy, A. K. (2024). Lever-
sales forecasting accuracy: A review of
AIdriven techniques and practical appli-
cations in customer relationship manage-
ment systems. Australian Journal of Ma-
chine Learning Research & Applications,
4(1). https://sydneyacademics.com/index.
php/ajmlra/article/view/77
-
sonal-trend decomposition and adaptive
learning and niching-based backtracking
search algorithm for time series forecast-
ing. Expert Systems with Applications,
236, 121202. https://doi.org/10.1016/j.
eswa.2023.121202
-
chine learning and deep learning models
in improving sales forecasting across di-
verse industries: A review analysis. En
Proceedings of the 2025 1st International
Conference on Computational Intelligence
Approaches and Applications (ICCIAA)
(pp. 1–8). IEEE. https://doi.org/10.1109/
ICCIAA65327.2025.11013390
Zamani, E. D., Smyth, C., Gupta, S., &
and big data analytics for supply chain
resilience: A systematic literature review.
Annals of Operations Research, 327(2),
605-632. https://doi.org/10.1007/s10479-
022-04983-y
neural networks: The state of the art. In-
ternational Journal of Forecasting, 14(1),
35-62. https://doi.org/10.1016/S0169-
2070(97)00044-7
Zhang, C., Zhou, Z., & Wu, R. (2024). An-
-
184
IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón IntelIgencIa artIfIcIal en el pronóstIco de ventas: revIsIón
sIstemátIca de la lIteratura cIentífIca (2018-2024)sIstemátIca de la lIteratura cIentífIca (2018-2024)
Romero, R., Espinoza, L., Mantilla, G.
YACHANA Revista Cientíca, vol. 14, núm. 2 (julio-diciembre de 2025), pp. 170-184
ries data using recurrent neural networks.
Journal of Industrial Engineering and
Applied Science, 2(4), 15–21. https://doi.
org/10.5281/zenodo.12786717
Zhang B., Tseng, M.-L., Qi, L., Guo, Y.,
-
parative online sales forecasting analysis:
Data mining techniques. Computers & In-
dustrial Engineering, 176, 108935. https://
doi.org/10.1016/j.cie.2022.108935
-
en Bolivia: Random Forest y árboles de
decisión vs. ARIMA. Revista Compás
Empresarial, 15(39), 52–80. https://doi.
org/10.52428/20758960.v15i39.1227
Para referenciar este artículo utilice el siguiente formato:
YACHA-
NA Revista Cientíca, 14(2), 170-184 https://doi.org/10.62325/10.62325/yachana.v14.
n2.2025.1006
