Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Täiustatud tarbimisaruanded

Õppetund 10 / 14 Värskendatud 29. juuli 2026 Arendajatele
Sellel lehel
  1. Tarbimisaruannete koostamine
  2. Võrdlev kuuaruanne
  3. Anomaaliate tuvastamine
  4. Jaotus mudelite kaupa
  5. Automatiseeritud nädalaaruanne
  6. Granulaarsus ja jõudlus
  7. Peamised punktid

Tarbimisaruannete koostamine

Tarbimisandmed, mida keegi ei vaata, on kasutud. Aruanne on kasulik ainult siis, kui see vastab küsimusele, mille sa tegelikult esitad, ja neid küsimusi on vaid kolm: kas kasv on toimunud, kas juhtus midagi ebanormaalset ja kuhu raha läheb.

Järgmised kolm lõiku käsitlevad neid küsimusi just selles järjekorras. Igaüks neist annab tulemuseks arvu, mille põhjal saad tegutseda – mitte lihtsalt järjekordse graafiku.

Võrdlev kuuaruanne

Tarbimine annab mõtet ainult võrdluses. 400 dollarit kuus ei ole absoluutväärtusena ei hea ega halb: oluline on see, kas sellele eelnes 200-dollarine või 600-dollarine kuu. Alati seosta muutusi teadaoleva tegevusega – 40% kasv pärast uue funktsiooni kasutuselevõttu on oodatav, sama kasv ilma uue tegevuseta nõuab järgmise lõigu avamist.

import requests
import json

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

def get_monthly_usage(year, month):
    """Retrieves total consumption for a given month."""
    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()

# Compare March and April 2026
march = get_monthly_usage(2026, 3)
april = get_monthly_usage(2026, 4)

print("=== Comparative Report March vs April 2026 ===")
print(json.dumps(march, indent=2))
print(json.dumps(april, indent=2))

Anomaaliate tuvastamine

Siin määratleb „ebanormaalse“ standardhälve, ilma et oleks vaja kehtestada meelevaldset lävendit: päev, mis jääb kahe standardhälbe kaugusele sinu keskmisest, on väljaspool tavapärast mustrit, sõltumata sinu mahust. See on meetod, mis kohandub automaatselt sinu tegevuse kasvades, samas kui dollaripõhine lävend muutub juba järgmisel kuul iganenuks.

import requests
import statistics

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

# Retrieve daily consumption for the month
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  # Threshold at 2 standard deviations

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

Jaotus mudelite kaupa

See on aruanne, mis toob suurima kasu, sest see osutab konkreetsele tegevusele. Kogukulu ei ütle sulle, mida teha; mudelite kaupa jaotus aga ütleb – see paljastab lihtsad ülesanded, mis on suunatud kõige kallimale mudelile, ning need on API arvelt kõige lihtsamini realiseeritavad kokkuhoiud.

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"]
    }
  }'

See analüüs võib paljastada optimeerimisvõimalusi: kui suur osa sinu päringutest kasutab lihtsate ülesannete jaoks mudelit grok-4.20-0309-reasoning, võib üleminek mudelile grok-4.3 kulusid oluliselt vähendada.

Automatiseeritud nädalaaruanne

Automaatne kohaletoimetamine muudab harjutuse olemust: aruannet, mida pead ise otsima, vaadatakse alles pärast intsidenti; aruanne, mis ise kohale jõuab, loetakse enne seda. Nädalane sagedus on API tarbimise jaoks õige rütm – piisavalt tihe, et märgata kõrvalekaldeid enne arve laekumist, kuid piisavalt harv, et sa jätkaksid selle avamist.

import requests
from datetime import datetime, timedelta

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

# Previous week
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"=== Weekly Report {start.date()} → {end.date()} ===")

# Format report for email/Slack
# ... send via your preferred notification tool

Granulaarsus ja jõudlus

Õige granulaarsuse valimine

KasutusjuhtumSoovitatav granulaarsus
KuuaruanneMONTH
Igapäevane jälgimineDAY
TipuanalüüsHOUR või QUARTER_HOUR
Reaalajas silumineMINUTE
Üksikasjalik intsidentide analüüsSECOND

Mida peenem on granulaarsus, seda suurem on tagastatavate andmete hulk: kuu lõikes tekitab SECOND-granulaarsus miljoneid punkte, mis mõjutab vastamisaega ja mälukasutust. Reegel on valida granulaarsus vastavalt sellele, mida otsid – mõneminutiline tipp on MONTH-granulaarsusega nähtamatu ja SECOND-granulaarsusega müra sees uppuv.

Peamised punktid

  • Kombineeri SUM (kogusumma), COUNT (loendus) ja groupBy: ["model"] täielike aruannete jaoks
  • Standardhälbel põhinev anomaaliate tuvastamine identifitseerib ületarbimise päevad
  • Mudelite kaupa jaotus paljastab kulude optimeerimise võimalused
  • Kohanda ajalist granulaarsust kasutusjuhtumile: MONTH aruannete jaoks, HOUR silumise jaoks
  • Automatiseeri nädalaaruanded, et hoida tarbimisel silm peal