La reutilización de subproductos en la industria alimentaria es coherente con una producción sostenible y más verde; por lo tanto, el objetivo de este trabajo fue evaluar la aplicabilidad de modelos de regresión lineal múltiple (MLR), regresión lineal segmentada (PLR) y redes neuronales artificiales (ANN) para la predicción de propiedades fisicoquímicas del compost de piel de uva (humedad, materia seca, materia orgánica, contenido de cenizas, contenido de carbono, contenido de nitrógeno, relación C/N, cambio total de color de las muestras de compost, pH, conductividad, sólidos totales disueltos y cambio total de color de las muestras de extracto de compost) durante el compostaje en reactor basado en las condiciones iniciales de compostaje (tasa de flujo de aire, contenido de humedad y día de muestreo). Basándose en el coeficiente de determinación para la predicción, el coeficiente de determinación ajustado para la calibración, el error cuadrático medio de predicción (RMSEP), el error estándar de predicción (SEP), la relación de predicción a desviación (RPD) y la relación del rango de error (RER), se puede concluir que todos los modelos MLR y PLR desarrollados son aceptables para la selección de procesos. Además, el modelo ANN desarrollado para predecir el contenido de humedad y materia seca puede ser utilizado para el control de calidad (RER >11). Los resultados obtenidos muestran el gran potencial del modelado multivariado para el análisis de las propiedades fisicoquímicas del compost durante el compostaje, confirmando la alta aplicabilidad del modelado en procesos de producción más verdes.