La siembra de un cultivo implica varios pasos clave: evaluación de recursos, selección del cultivo, rotación de cultivos, calendarios de siembra, preparación del suelo, siembra, cuidado y cosecha de cultivos. En este contexto, estimar la productividad de un cultivo basada en información disponible, como las condiciones climáticas esperadas y las prácticas agrícolas, ayuda a los agricultores a reducir la incertidumbre de su inversión. En Colombia, el maíz es el cuarto cultivo más importante del país. Se requieren esfuerzos significativos para mejorar la productividad en los sistemas de producción tradicionales y tecnificados. En este sentido, esta investigación propone y evalúa un enfoque llamado Regresión Lineal por Clústeres (CLR) para predecir el rendimiento del maíz en pequeñas fincas, considerando datos sobre clima, suelo, fertilización y prácticas de manejo, entre otros. Para desarrollar el modelo CLR, realizamos los siguientes pasos: recolección y preparación de datos, agrupamiento utilizando k-medias, optimización de clústeres con el Procedimiento de Búsqueda Aleatoria y Adaptativa Codiciosa (GRASP), y evaluación de rendimiento. El proceso de optimización de clústeres permite la identificación de clústeres con características similares y genera múltiples modelos de regresión lineal con variables mixtas que explican el rendimiento de las fincas en cada clúster. También se evaluaron las metaheurísticas de Simulated Multiple Start Annealing (MSSA), pero los resultados de GRASP fueron los mejores. Los resultados indican que el enfoque CLR propuesto es más efectivo que los algoritmos lineales y no lineales mencionados en la literatura, como la regresión lineal de múltiples lassos, bosques aleatorios, XGBoost y máquinas de vectores de soporte. Estos algoritmos lograron una precisión del 70%. Sin embargo, con el nuevo modelo CLR, se logró una precisión significativamente mejorada del 87% con los datos de prueba. Los estudios de clústeres revelaron factores clave que afectan el rendimiento del cultivo, como la fertilización, el drenaje y el tipo de suelo. Esta transparencia es un beneficio sobre los modelos de caja negra, que pueden ser más difíciles de interpretar. Este avance puede permitir a los agricultores tomar mejores decisiones sobre el manejo de sus cultivos.