Ir al contenido principal
Español— Elegir un idioma
Menú

Informes avanzados de consumo

Lección 10 de 14 Actualizado el 29 de julio de 2026 Desarrollador
En esta página
  1. Creación de informes de consumo
  2. Informe comparativo mensual
  3. Detección de anomalías
  4. Desglose por modelo
  5. Informe semanal automatizado
  6. Granularidad y rendimiento
  7. Puntos clave

Creación de informes de consumo

Los datos de consumo que nadie consulta son inútiles. Un informe solo tiene valor si responde a una pregunta real, y solo existen tres: ¿está aumentando?, ¿ha ocurrido algo anómalo? y ¿a dónde va el dinero?

Las siguientes tres secciones abordan estas preguntas en ese orden exacto. Cada una genera un número sobre el que puedes actuar, no simplemente otro gráfico más.

Informe comparativo mensual

El consumo solo tiene sentido en comparación. 400 $ en un mes no son ni buenos ni malos en términos absolutos: lo importante es saber si siguen a un mes de 200 $ o a uno de 600 $. Contextualiza siempre los cambios con lo que sabes sobre la actividad: un aumento del 40 % tras lanzar una funcionalidad es esperable; ese mismo aumento sin ninguna novedad justifica pasar a la siguiente sección.

import requests
import json

MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."

def get_monthly_usage(year, month):
    """Obtiene el consumo total para un mes determinado."""
    next_month = month + 1 if month < 12 else 1
    next_year = year if month < 12 else year + 1

    response = requests.post(
        f"{MANAGEMENT_API}/v1/billing/teams/{TEAM_ID}/usage",
        headers={
            "Authorization": f"Bearer {MGMT_KEY}",
            "Content-Type": "application/json"
        },
        json={
            "analyticsRequest": {
                "timeRange": {
                    "startTime": f"{year}-{month:02d}-01 00:00:00",
                    "endTime": f"{next_year}-{next_month:02d}-01 00:00:00",
                    "timezone": "Europe/Paris"
                },
                "timeUnit": "MONTH",
                "values": [
                    {"name": "tokens", "aggregation": "SUM"},
                    {"name": "requests", "aggregation": "COUNT"}
                ],
                "groupBy": ["model"]
            }
        }
    )
    return response.json()

# Comparar marzo y abril de 2026
march = get_monthly_usage(2026, 3)
april = get_monthly_usage(2026, 4)

print("=== Informe comparativo marzo vs abril 2026 ===")
print(json.dumps(march, indent=2))
print(json.dumps(april, indent=2))

Detección de anomalías

La desviación estándar define aquí lo «anómalo» sin necesidad de establecer un umbral arbitrario: un día que se sitúa a más de dos desviaciones estándar de tu media queda fuera del patrón habitual, independientemente de tu volumen. Este es el método que se adapta automáticamente a medida que crece tu actividad, mientras que un umbral en dólares queda obsoleto al mes siguiente.

import requests
import statistics

MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."

# Obtener el consumo diario del mes
response = requests.post(
    f"{MANAGEMENT_API}/v1/billing/teams/{TEAM_ID}/usage",
    headers={
        "Authorization": f"Bearer {MGMT_KEY}",
        "Content-Type": "application/json"
    },
    json={
        "analyticsRequest": {
            "timeRange": {
                "startTime": "2026-03-01 00:00:00",
                "endTime": "2026-04-01 00:00:00",
                "timezone": "Europe/Paris"
            },
            "timeUnit": "DAY",
            "values": [{"name": "tokens", "aggregation": "SUM"}]
        }
    }
)

data = response.json()
daily_values = [point.get("value", 0) for point in data.get("dataPoints", [])]

if daily_values:
    mean = statistics.mean(daily_values)
    stdev = statistics.stdev(daily_values) if len(daily_values) > 1 else 0
    threshold = mean + 2 * stdev  # Umbral a 2 desviaciones estándar

    for i, val in enumerate(daily_values):
        if val > threshold:
            print(f"Día {i+1}: {val} tokens (anomalía, umbral = {threshold:.0f})")

Desglose por modelo

Este es el informe más rentable, porque señala acciones concretas. El coste total no te indica qué hacer; el desglose por modelo, sí: revela tareas sencillas enrutadas al modelo más caro, que son los ahorros más fáciles de conseguir en una factura de API.

curl -X POST "https://management-api.x.ai/v1/billing/teams/$TEAM_ID/usage" \
  -H "Authorization: Bearer $MANAGEMENT_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "analyticsRequest": {
      "timeRange": {
        "startTime": "2026-03-01 00:00:00",
        "endTime": "2026-04-01 00:00:00",
        "timezone": "UTC"
      },
      "timeUnit": "MONTH",
      "values": [
        {"name": "tokens", "aggregation": "SUM"},
        {"name": "cost", "aggregation": "SUM"}
      ],
      "groupBy": ["model"]
    }
  }'

Este análisis puede revelar oportunidades de optimización: si una gran parte de tus solicitudes usa grok-4.20-0309-reasoning para tareas simples, cambiar a grok-4.3 podría reducir significativamente los costes.

Informe semanal automatizado

La entrega automática cambia la naturaleza del ejercicio: un informe que tienes que ir a buscar solo se consulta después del incidente; un informe que llega se lee de antemano. La frecuencia semanal es la adecuada para el consumo de API: lo bastante frecuente para detectar desviaciones antes de la factura, y lo bastante espaciada para que sigas abriéndolo.

import requests
from datetime import datetime, timedelta

MANAGEMENT_API = "https://management-api.x.ai"
MGMT_KEY = "xai-mgmt-..."
TEAM_ID = "team-..."

# Semana anterior
end = datetime.now().replace(hour=0, minute=0, second=0, microsecond=0)
start = end - timedelta(days=7)

response = requests.post(
    f"{MANAGEMENT_API}/v1/billing/teams/{TEAM_ID}/usage",
    headers={
        "Authorization": f"Bearer {MGMT_KEY}",
        "Content-Type": "application/json"
    },
    json={
        "analyticsRequest": {
            "timeRange": {
                "startTime": start.strftime("%Y-%m-%d %H:%M:%S"),
                "endTime": end.strftime("%Y-%m-%d %H:%M:%S"),
                "timezone": "Europe/Paris"
            },
            "timeUnit": "DAY",
            "values": [
                {"name": "tokens", "aggregation": "SUM"},
                {"name": "requests", "aggregation": "COUNT"}
            ],
            "groupBy": ["model"]
        }
    }
)

report = response.json()
print(f"=== Informe semanal {start.date()} → {end.date()} ===")

# Formatear informe para correo/Slack
# ... enviar mediante tu herramienta de notificación preferida

Granularidad y rendimiento

Elección de la granularidad adecuada

Caso de usoGranularidad recomendada
Informe mensualMONTH
Seguimiento diarioDAY
Análisis de picosHOUR o QUARTER_HOUR
Depuración en tiempo realMINUTE
Análisis detallado de incidentesSECOND

Cuanto más fina sea la granularidad, mayor será la cantidad de datos devueltos: en un mes, la granularidad SECOND genera millones de puntos, con el consiguiente impacto en el tiempo de respuesta y el consumo de memoria. La regla general es elegir la granularidad en función de la duración de lo que buscas: un pico de unos minutos es invisible con granularidad MONTH y se pierde en el ruido con granularidad SECOND.

Puntos clave

  • Combina SUM (total), COUNT (recuento) y groupBy: ["model"] para obtener informes completos
  • La detección de anomalías mediante desviación estándar identifica días de sobreconsumo
  • El desglose por modelo revela oportunidades de optimización de costes
  • Adapta la granularidad temporal al caso de uso: MONTH para informes, HOUR para depuración
  • Automatiza los informes semanales para mantener el consumo bajo control