La gestión de riesgos es un proceso continuo que incluye varias etapas de mapeo e identificación, análisis y evaluación, planificación e implementación para reducir riesgos y garantizar un control continuo. La gestión de riesgos a lo largo de las cadenas de suministro se ha vuelto más significativa en los últimos años debido a una mayor complejidad de las relaciones entre los componentes de la cadena, así como a diversas interrupciones como el cambio climático, COVID-19 o escenarios geopolíticos. La literatura actual, junto con el aumento en la complejidad y la frecuencia de los eventos de riesgo, nos lleva al único y más prominente desafío en la gestión de riesgos hoy en día: la subjetividad del auditor al determinar los niveles de riesgo. En términos simples, dos auditores diferentes pueden evaluar una situación dada de manera diferente debido a su historia y experiencia específicas. Específicamente, parece ser extremadamente difícil encontrar casos en los que diferentes auditores, trabajando en la misma organización, hayan realizado la misma evaluación de riesgo. Con esto en mente, esta investigación tiene como objetivo reducir el sesgo de subjetividad humana y alcanzar una evaluación de riesgo que sea lo más objetiva posible, utilizando el enfoque de aprendizaje automático. Para este fin, el documento introduce un nuevo marco de evaluación de riesgos basado en el análisis de factores y una red neuronal artificial como modelo predictivo. Primero introdujimos un nuevo enfoque de descomposición de los factores de riesgo en sus elementos básicos y los analizamos como un vector de características. A continuación, recopilamos datos únicos y del mundo real de encuestas de riesgo e informes de auditoría de 60 empresas industriales de diversas industrias (desde fábricas de plástico y metal hasta empresas de logística y dispositivos médicos). Por último, construimos una red neuronal para predecir los niveles de riesgo de los procesos operativos en la industria. Entrenamos nuestro modelo con 42 muestras y logramos alcanzar una puntuación de 0.9 en el conjunto de prueba de 18 muestras. Nuestro modelo fue validado y logró predecir la precisión del riesgo con R = 0.95 de acuerdo con los resultados del auditor humano.