El problema de los pronósticos de ventas, es general para todas las organizaciones. Su importancia se ve reflejada en todas las áreas de las empresas, y especialmente, en los costos operacionales. Para empresas con poco tiempo en el mercado, con nuevos productos o aquellas que no tienen técnicas automatizadas de recolección de información, se vuelve aún más crítico contar con un pronóstico acertado de sus ventas. La principal ventaja de dichos pronósticos es que se puede administrar de mejor manera toda la cadena de suministros, logrando ventajas competitivas que benefician directamente a la empresa y sus clientes. A partir de estos pronósticos se puede generar un plan maestro de producción que dictamine la dinámica laboral y operacional de la organización. Cuando las organizaciones no disponen de grandes volúmenes de datos para realizar sus pronósticos, se puede analizar la información existente con la intención de obtener información valiosa para su toma de decisiones. En esta investigación se resolvió el problema de pronósticos de ventas para una empresa de manufactura, debido a que la cantidad de información disponible es limitada, en este caso series temporales cortas, se decidió implementar modelos de aprendizaje de máquina que pudieran construir dichos pronósticos. De igual manera, se buscó mejorar la precisión de dichos modelos mediante algoritmos metaheurísticos aplicados al ajuste de hiperparámetros. Los resultados obtenidos muestran que éstos algoritmos tienen efectos significativos para el comportamiento y desempeño de los modelos de ML, con respecto a una selección aleatoria o con base en experiencia, de los mencionados hiperparámetros.