O SCOR (Supply Chain Operations Reference) é um modelo de referência capaz de apoiar a avaliação preditiva do desempenho de cadeias de suprimentos com base em indicadores que possuem relações de causa e efeito entre si. Poucos estudos da literatura combinam o uso do SCOR com técnicas de inteligência computacional, sendo que nenhum deles analisa o desempenho de algoritmos de aprendizagem de redes neurais artificiais (RNA) quando aplicados à predição de desempenho. Este estudo visa a criar e comparar modelos de RNAs aplicados à predição de desempenho dos valores de indicadores do nível 1 do SCOR, de modo a investigar as configurações topológicas e os algoritmos de aprendizagem que apresentam melhor acuracidade de predição de desempenho. A abordagem metodológica consiste na modelagem e simulação computacional usando os softwares MATLAB e MS Excel. Os dados foram gerados aleatoriamente usando planilhas com base nas equações do SCOR®. No total, 80 modelos de RNA foram implementados. A acuracidade da predição foi avaliada por meio do erro quadrático médio (EQM). A maior capacidade de predição foi alcançada usando o algoritmo Levemberg-Marquadt, sendo o EQM igual a 2,87x10^-34, enquanto a menor foi obtida usando o Gradient Descendent Momentum, com EQM de 7,22x10^-3.