La producción personalizada ha diversificado enormemente las categorías de productos, lo que ha alterado los ciclos de vida de los productos y ha añadido complejidad a la gestión empresarial. Este documento presenta una técnica de agrupamiento por matriz que integra el agrupamiento k-means con la Matriz BCG, mejorada por modelado temporal, para ofrecer un marco integral para la previsión de ventas de productos de múltiples artículos. El enfoque se basa en los resultados existentes de la Matriz BCG, reagrupando los productos de alta venta de manera más precisa y redefiniendo su relación con otras líneas de productos de manera más objetiva. Este método aborda el desafío de prever situaciones con datos históricos limitados, proporcionando predicciones de ventas más precisas. Utilizando los datos de ventas de Taiwán, un estudio empírico sobre productos de bandejas de circuitos integrados demostró la efectividad de la técnica de agrupamiento por matriz. Los resultados mostraron una mejor utilización de los datos, aumentando del 35.93% con el análisis original de BCG al 52.43% con los métodos combinados de agrupamiento por matriz y modelado temporal. Este estudio contribuye a la investigación académica al presentar un enfoque de análisis de cartera basado en el agrupamiento por matriz, que mejora sistemáticamente los métodos tradicionales de la Matriz BCG. El marco propuesto es adaptable a las características únicas de diferentes carteras, ofreciendo a las empresas flujos de trabajo que son eficientes, confiables, sostenibles y escalables.