La necesidad de interpretar modelos de machine learning en finanzas surge de la presión por justificar cada decisión ante auditorías y responsables de cumplimiento. Los enfoques explicables se centran en descomponer modelos complejos, mostrando de manera clara cómo influyen las variables en el resultado final. En Sapeicungeanirpoxa, abordamos el análisis de factores con herramientas como SHAP, LIME y técnicas de importancia de variables, adaptando el discurso según el público. Esto permite que los responsables de control puedan auditar la lógica de cada recomendación y los equipos técnicos ajusten modelos sin perder de vista la trazabilidad. Los casos prácticos y la validación continua son el eje de nuestro trabajo, evitando enfoques opacos que dificultan la defensa de resultados. El objetivo es que cada usuario pueda dialogar con su propio modelo, identificando aciertos y desviaciones con datos claros y argumentos sólidos.