En la última década, las posibles ventajas de emplear modelos de aprendizaje profundo y aprovechar datos auxiliares en marcos de trabajo de extremo a extremo (E2E) impulsados por datos para mejorar la toma de decisiones de inventario han ganado reconocimiento. Sin embargo, los enfoques actuales dependen predominantemente de redes de retroalimentación, que pueden tener dificultades para capturar correlaciones temporales en datos de series temporales e identificar características relevantes, lo que resulta en predicciones menos precisas. Abordando esta brecha, introducimos nuevos marcos de aprendizaje profundo E2E que combinan Redes Neuronales Convolucionales (CNN) y Memoria a Largo y Corto Plazo (LSTM) para resolver decisiones de pedido de inventario de un solo período, también denominado el Problema del Vendedor de Periódicos (NVP). Este estudio investiga los impulsores de rendimiento de arquitecturas híbridas CNN-LSTM, junto con un algoritmo en evolución para optimizar la configuración de la red. La evaluación empírica de datos minoristas del mundo real demuestra que nuestros modelos propuestos extraen de manera competente características pertinentes e interpretan las características de los datos secuenciales, lo que lleva a decisiones de pedido más precisas e informadas. Notablemente, los resultados muestran beneficios sustanciales, con una reducción de costos de hasta el 85% en comparación con un punto de referencia univariado y ahorros de hasta el 40% en comparación con una arquitectura de aprendizaje profundo E2E de retroalimentación. Esto confirma que, en escenarios prácticos, comprender el impacto de las características en la demanda empodera a los tomadores de decisiones para derivar decisiones de pedido personalizadas y rentables para cada tienda o categoría de producto.