Le clustering est souvent considéré comme une tâche non supervisée, exploratoire, aidant un expert à comprendre la structure de ses données. Des contraintes fondées sur des connaissances expertes peuvent être introduites afin d'aligner les résultats avec ses attentes. Cependant leur acquisition reste complexe, rendant l'explication du clustering essentielle pour ajuster les paramètres et découvrir de nouvelles informations. Nous abordons le problème du clustering explicable en considérant deux espaces de représentation : l'un pour le clustering et l'autre pour les explications. Notre méthode ECS (Explainabilitydriven Cluster Selection) vise à produire un clustering de qualité, tout en étant explicable par des motifs couvrant la majorité des instances d'un cluster et les discriminant des autres. Elle s'appuie sur le clustering ensemble et un nouveau modèle de programmation par contraintes (PPC) pour la sélection des clusters et des explications.