La rotación de clientes es una preocupación significativa, y la industria de las telecomunicaciones tiene la tasa de rotación anual más alta de cualquier industria importante, con más del 30%. Este estudio examina el uso de modelos de aprendizaje en conjunto para analizar y prever la rotación de clientes en el negocio de las telecomunicaciones. Prever con precisión la rotación es esencial para las iniciativas exitosas de retención de clientes para combatir la rotación regular de clientes. Utilizamos métodos innovadores y mejorados de aprendizaje automático, incluidos Árboles de Decisión, Árboles Impulsados y Bosques Aleatorios, para mejorar la interpretabilidad del modelo y la precisión de la predicción. Los modelos fueron entrenados y evaluados sistemáticamente utilizando un gran conjunto de datos. El modelo de Bosques Aleatorios tuvo el mejor desempeño, con una precisión predictiva del 91,66%, una precisión del 82,2% y un recuerdo del 81,8%. Nuestros resultados resaltan lo bien que el modelo puede identificar posibles desertores con la ayuda de técnicas de Inteligencia Artificial Explicable (IAE), lo que permite estrategias de intervención enfocadas y oportunas. Para mejorar la transparencia de las decisiones tomadas por el clasificador, este estudio también emplea métodos de inteligencia artificial explicables como LIME y SHAP para ilustrar los resultados del modelo de predicción de rotación de clientes. Nuestros resultados demuestran lo crucial que es para los gestores de relaciones con clientes implementar herramientas analíticas sólidas para reducir la rotación y promover la viabilidad económica a largo plazo en mercados ferozmente competitivos. Este estudio indica que los modelos de aprendizaje en conjunto tienen implicaciones estratégicas para mejorar la lealtad del consumidor y la rentabilidad organizativa, además de confirmar su rendimiento.