En el mercado competitivo de hoy, la previsión de ventas de productos recién lanzados y a corto plazo es un desafío importante debido a la falta de datos de ventas. Para abordar estos desafíos, proponemos un modelo de previsión de ventas para productos recién lanzados y a corto plazo y estudiamos el caso de los teléfonos móviles. El enfoque principal es desarrollar un modelo integrado de previsión de ventas mediante el entrenamiento de los patrones de ventas y las características del producto de la misma categoría de producto. En particular, analizamos el rendimiento de los últimos 12 modelos de aprendizaje automático y proponemos el mejor modelo de rendimiento. Se han utilizado modelos de aprendizaje automático para comparar el rendimiento a través del desarrollo de Ridge, Lasso, Máquina de Vectores de Soporte (SVM), Random Forest, Máquina de Impulso Gradiente (GBM), AdaBoost, LightGBM, XGBoost, CatBoost, Red Neuronal Profunda (DNN), Red Neuronal Recurrente (RNN) y Memoria a Corto y Largo Plazo (LSTM). Aplicamos un conjunto de datos que consiste en datos de ventas mensuales de 38 teléfonos móviles obtenidos en el mercado coreano. Como resultado, el modelo Random Forest fue seleccionado como un excelente modelo que supera a otros modelos en términos de precisión de predicción. Nuestro modelo logra resultados notables con un error porcentual absoluto medio (MAPE) de 42.6258, un error cuadrático medio (RMSE) de 8443.3328 y un coeficiente de correlación de 0.8629.