Esta investigación abordó el tema del pronóstico del volumen de ventas de palta fresca de la empresa Avocado Packing Company S.A.C. por medio de las redes neurales artificiales (RNA). El objetivo fue determinar el nivel de precisión de las redes neuronales artificiales empleadas en un modelo de pronóstico de exportaciones de palta fresca. La metodología consistió en definir las variables de entrada y salida, tales como semanas de despacho, precio, consumo percápita y volumen de ventas; las cuales se utilizaron para establecer la cantidad de neuronas de entrada y salida. Posteriormente se realizó el diseño de la red con algoritmo de entrenamiento Backpropagation y función purelin para la obtención de datos de salida. Los valores de neuronas de capa oculta y tasa de aprendizaje, se obtuvieron de acuerdo al menor valor de error cuadrático medio (MSE) y mayor valor de coeficiente de correlación (R) en la etapa de entrenamiento. En esta etapa también se obtuvieron los valores de pesos y bías para la realización del pronóstico en la etapa de validación. En dicha etapa se obtuvo un valor de MSE de 0,0187, menor al obtenido por modelo ARIMA, de 0,0243. El análisis estadístico reveló que no existe diferencia significativa entre las medias de los valores de error de ambos métodos, sin embargo, al presentar el método de redes neuronales menor valor de error se concluye que es el método más adecuado para la realización del pronóstico.This research addressed the issue of the forecast of the volume of fresh avocado sales of the company Avocado Packing Company S.A.C. by means of artificial neural networks (RNA). The objective was to determine the level of precision of the artificial neural networks used in a forecasting model for fresh avocado exports. The methodology consisted of defining the input and output variables, such as dispatch weeks, price, per capita consumption and sales volume; which were used to establish the number of input and output neurons. Subsequently, the design of the network was carried out with the Backpropagation training algorithm and the purelin function to obtain output data. The values of hidden layer neurons and learning rate were obtained according to the lowest mean square error (MSE) value and the highest value of the correlation coefficient (R) in the training stage. In this stage, the weights and bias values were also obtained for the forecasting in the validation stage. In this stage, a MSE value of 0,0187 was obtained, lower than that obtained by the ARIMA model, of 0,0243. The statistical analysis revealed that there is no significant difference between the means of the error values of both methods, however, by presenting the neural networks method with the lowest error value, it is concluded that it is the most appropriate method for carrying out the forecast.