Napredna izvješća o potrošnji
Na ovoj stranici
Izrada izvješća o potrošnji
Podaci o potrošnji koje nitko ne gleda beskorisni su. Izvješće je korisno samo ako odgovara na pitanje koje stvarno postavljaš, a postoje samo tri: raste li potrošnja, je li se dogodilo nešto abnormalno i kamo odlazi novac.
Sljedeća tri odjeljka obrađuju ta pitanja tim redoslijedom. Svako od njih proizvodi broj na koji možeš djelovati – a ne još jedan grafikon.
Usporedno mjesečno izvješće
Potrošnja ima smisla samo u usporedbi. 400 USD u mjesecu nije ni dobro ni loše samo po sebi: bitno je slijedi li mjesec od 200 USD ili mjesec od 600 USD. Uvijek stavi promjene u kontekst onoga što znaš o aktivnostima – porast od 40 % nakon lansiranja značajke očekivan je, dok isti porast bez ikakvih novina zahtijeva otvaranje sljedećeg odjeljka.
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))
Otkrivanje anomalija
Standardna devijacija ovdje definira što je „abnormalno“ bez potrebe za postavljanjem proizvoljnog praga: dan koji odstupa više od dvije standardne devijacije od tvojeg prosjeka izlazi iz uobičajenog obrasca, bez obzira na tvoj volumen. Ovo je metoda koja se automatski prilagođava kako tvoja aktivnost raste, dok prag u dolarima sljedećeg mjeseca postaje zastario.
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})")
Raščlamba po modelu
Ovo je izvješće koje se najviše isplati jer ukazuje na konkretne radnje. Ukupni trošak ne govori ti što učiniti; raščlamba po modelu govori – otkriva jednostavne zadatke usmjerene na najskuplji model, što su najlakše uštede koje možeš ostvariti na računu za 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"]
}
}'
Ova analiza može otkriti prilike za optimizaciju: ako veliki dio tvojih zahtjeva koristi grok-4.20-0309-reasoning za jednostavne zadatke, prelazak na grok-4.3 mogao bi značajno smanjiti troškove.
Automatizirano tjedno izvješće
Automatska isporuka mijenja narav vježbe: izvješće koje moraš sam preuzeti konzultiraš se tek nakon incidenta, dok se izvješće koje stiže samo čita unaprijed. Tjedni ritam pravi je za potrošnju API-ja – dovoljno često da uhvatiš odstupanje prije računa, a dovoljno razmaknuto da ga nastaviš otvarati.
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
Granularnost i performanse
Odabir odgovarajuće granularnosti
| Upotreba | Preporučena granularnost |
|---|---|
| Mjesečno izvješće | MONTH |
| Dnevno praćenje | DAY |
| Analiza skokova | HOUR ili QUARTER_HOUR |
| Debugiranje u stvarnom vremenu | MINUTE |
| Detaljna analiza incidenata | SECOND |
Što je granularnost finija, to je veća količina vraćenih podataka: tijekom mjeseca granularnost SECOND proizvodi milijune točaka, s odgovarajućim vremenom odgovora i potrošnjom memorije. Opće je pravilo odabrati granularnost na temelju trajanja onoga što tražiš – skok od nekoliko minuta nevidljiv je na granularnosti MONTH, a utapa se u šum na granularnosti SECOND.
Ključne točke
- Kombiniraj
SUM(ukupno),COUNT(broj) igroupBy: ["model"]za potpuna izvješća - Otkrivanje anomalija pomoću standardne devijacije identificira dane prekomjerne potrošnje
- Raščlamba po modelu otkriva prilike za optimizaciju troškova
- Prilagodi vremensku granularnost upotrebi: MONTH za izvješća, HOUR za debugiranje
- Automatiziraj tjedna izvješća kako bi stalno pratio/la potrošnju