La aplicación de modelos de Inteligencia Artificial (IA) y Aprendizaje Automático (ML) se utiliza cada vez más para automatizar y optimizar las operaciones del Centro de Datos (DC). Sin embargo, la interpretabilidad y transparencia de estos modelos complejos plantean desafíos críticos. Por lo tanto, este documento explora el método de explicabilidad de modelos de valores Shapley Additive (SHAP) para abordar y mejorar los desafíos críticos de interpretabilidad y transparencia de los modelos de mantenimiento predictivo. Este método calcula y asigna valores de Shapley para cada característica, luego cuantifica y evalúa su impacto en la salida del modelo. Al cuantificar la contribución de cada característica, los valores SHAP pueden ayudar a los operadores de DC a comprender el razonamiento subyacente detrás de la salida del modelo para tomar decisiones proactivas. Dado que las operaciones de DC están cambiando dinámicamente, investigamos adicionalmente cómo SHAP puede capturar los comportamientos temporales de la importancia de las características en el entorno dinámico del DC con el tiempo. Validamos nuestro enfoque con modelos predictivos seleccionados utilizando un conjunto de datos real de un Centro de Computación de Alto Rendimiento (HPC) obtenido del clúster Enea CRESCO6 en Italia. Los análisis experimentales se formalizan utilizando explicaciones de resumen, cascada, fuerza y dependencia. Profundizamos en el análisis de la importancia temporal de las características para capturar el impacto de las características en la salida del modelo con el tiempo. Los resultados demuestran que la explicabilidad del modelo puede mejorar la transparencia del modelo y facilitar la colaboración entre los operadores de DC y los sistemas de IA, lo que puede mejorar la eficiencia operativa y la confiabilidad de los DC al proporcionar una evaluación cuantitativa del impacto de cada característica en la salida del modelo.