Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Edistyneet kulutusraportit

Oppitunti 10 / 14 Päivitetty 29. heinäkuuta 2026 Kehittäjä
Tällä sivulla
  1. Kulutusraporttien laatiminen
  2. Kuukausittainen vertailuraportti
  3. Poikkeamien havaitseminen
  4. Jakelu mallin mukaan
  5. Automatisoitu viikkoraportti
  6. Granulaarisuus ja suorituskyky
  7. Keskeiset asiat

Kulutusraporttien laatiminen

Kulutusdata, jota kukaan ei tarkastele, on hyödytöntä. Raportti on hyödyllinen vain, jos se vastaa todelliseen kysymykseen. Kysymyksiä on vain kolme: kasvaako kulutus, onko tapahtunut jotain epänormaalia ja mihin rahat menevät.

Seuraavat kolme osiota käsittelevät nämä kysymykset tässä järjestyksessä. Jokainen tuottaa luvun, jonka pohjalta voit toimia – ei vain uutta kaaviota.

Kuukausittainen vertailuraportti

Kulutus saa merkityksensä vain vertailussa. 400 dollaria kuukaudessa ei ole absoluuttisesti ottaen hyvää eikä huonoa: ratkaisevaa on, seuraako se 200 dollarin kuukautta vai 600 dollarin kuukautta. Kontekstualoi muutokset aina toiminnan tuntemuksesi perusteella – 40 %:n nousu ominaisuuden julkaisun jälkeen on odotettavissa, sama nousu ilman uutta vaatii seuraavan osion avaamista.

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))

Poikkeamien havaitseminen

Keskihajonta määrittelee tässä kohdassa “epänormaalin” ilman mielivaltaisen kynnyksen asettamista: päivä, joka poikkeaa keskiarvosta yli kahdella keskihajonnalla, jää tavanomaisen mallin ulkopuolelle riippumatta volyymistasi. Tämä on menetelmä, joka mukautuu automaattisesti toimintasi kasvaessa, kun taas dollarimääräinen kynnys vanhentuu jo seuraavana kuukautena.

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})")

Jakelu mallin mukaan

Tämä on raportti, joka tuottaa eniten hyötyä, koska se osoittaa konkreettisia toimia. Kokonaiskustannus ei kerro, mitä tehdä; mallikohtainen jakelu kertoo. Se paljastaa yksinkertaiset tehtävät, jotka on reititetty kalleimmalle mallille – nämä ovat helpoimpia säästökohteita API-laskulla.

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"]
    }
  }'

Tämä analyysi voi paljastaa optimointimahdollisuuksia: jos suuri osa pyynnöistäsi käyttää mallia grok-4.20-0309-reasoning yksinkertaisiin tehtäviin, siirtyminen malliin grok-4.3 voi vähentää kustannuksia merkittävästi.

Automatisoitu viikkoraportti

Automaattinen toimitus muuttaa harjoituksen luonteen: raportti, joka pitää hakea itse, luetaan vasta tapahtuman jälkeen; raportti, joka saapuu itsestään, luetaan etukäteen. Viikko on oikea tahti API-kulutukselle – tarpeeksi usein havaitaksesi poikkeamat ennen laskua, mutta tarpeeksi harvoin, jotta jaksat avata sen yhä uudelleen.

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

Granulaarisuus ja suorituskyky

Oikean granulaarisuuden valinta

KäyttötarkoitusSuositeltu granulaarisuus
KuukausiraporttiMONTH
Päivittäinen seurantaDAY
PiikkianalyysiHOUR tai QUARTER_HOUR
Reaaliaikainen vianetsintäMINUTE
Yksityiskohtainen tapahtuma-analyysiSECOND

Mitä hienojakoisempi granulaarisuus, sitä suurempi palautuvan datan määrä: kuukauden ajalta SECOND-granulaarisuus tuottaa miljoonia datapisteitä, mikä vaikuttaa vastausaikaan ja muistin kulutukseen. Nyrkkisääntönä on valita granulaarisuus sen perusteella, kuinka pitkän aikavälin ilmiötä etsit – muutaman minuutin piikki on näkymätön MONTH-granulaarisuudella ja hukkuu kohinaan SECOND-granulaarisuudella.

Keskeiset asiat

  • Yhdistä SUM (summa), COUNT (lukumäärä) ja groupBy: ["model"] täydellisiä raportteja varten
  • Keskihajontaan perustuva poikkeamien havaitseminen tunnistaa ylikulutuspäivät
  • Mallikohtainen jakelu paljastaa kustannusten optimointimahdollisuudet
  • Sovita aikainen granulaarisuus käyttötarkoitukseen: MONTH raportteihin, HOUR vianetsintään
  • Automatisoi viikkoraportit pitääksesi kulutuksen silmällä