Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Geavanceerde verbruiksrapporten

Les 10 van 14 Bijgewerkt op 29 juli 2026 Ontwikkelaar
Op deze pagina
  1. Verbruiksrapporten opstellen
  2. Vergelijkend maandrapport
  3. Detectie van anomalieën
  4. Uitsplitsing per model
  5. Geautomatiseerd weekrapport
  6. Granulariteit en prestaties
  7. Belangrijkste punten

Verbruiksrapporten opstellen

Verbruiksgegevens die niemand bekijkt, zijn nutteloos. Een rapport is alleen waardevol als het een vraag beantwoordt die u zich daadwerkelijk stelt. Er zijn er maar drie: neemt het toe, is er iets abnormaals gebeurd en waar gaat het geld naartoe?

De volgende drie secties behandelen deze vragen in die volgorde. Elk levert een getal op waarop u kunt actie ondernemen—niet zomaar weer een grafiek.

Vergelijkend maandrapport

Verbruik krijgt alleen zin in vergelijking. $400 in een maand is in absolute termen noch goed noch slecht: wat telt, is of het volgt op een maand van $200 of van $600. Contextualiseer veranderingen altijd met wat u weet over de activiteit—een stijging van 40% na de lancering van een functie is verwacht; dezelfde stijging zonder iets nieuws rechtvaardigt het openen van de volgende sectie.

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))

Detectie van anomalieën

De standaardafwijking definieert hier wat “abnormaal” is zonder dat u een willekeurige drempel hoeft in te stellen: een dag die meer dan twee standaardafwijkingen van uw gemiddelde verwijderd is, valt buiten het gebruikelijke patroon, ongeacht uw volume. Dit is de methode die zich automatisch aanpast naarmate uw activiteit groeit, waarbij een drempel in dollars de volgende maand al verouderd is.

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})")

Uitsplitsing per model

Dit is het rapport dat het meest oplevert, omdat het wijst op concrete actie. De totale kosten vertellen u niet wat u moet doen; de uitsplitsing per model wel—het onthult eenvoudige taken die naar het duurste model worden gerouteerd, wat de makkelijkste besparingen op een API-factuur zijn.

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"]
    }
  }'

Deze analyse kan optimalisatiemogelijkheden aan het licht brengen: als een groot deel van uw verzoeken grok-4.20-0309-reasoning gebruikt voor eenvoudige taken, kan een overstap naar grok-4.3 de kosten aanzienlijk verlagen.

Geautomatiseerd weekrapport

Automatische levering verandert de aard van de oefening: een rapport dat u zelf moet ophalen, wordt pas na het incident geraadpleegd; een rapport dat aankomt, wordt vooraf gelezen. Wekelijks is het juiste ritme voor API-verbruik—frequent genoeg om afwijkingen op te sporen voordat de factuur komt, maar met voldoende tussenpoos zodat u het blijft openen.

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

Granulariteit en prestaties

De juiste granulariteit kiezen

Use caseAanbevolen granulariteit
MaandrapportMONTH
Dagelijkse trackingDAY
Analyse van piekenHOUR of QUARTER_HOUR
Real-time debugMINUTE
Gedetailleerde incidentanalyseSECOND

Hoe fijner de granulariteit, hoe groter de hoeveelheid teruggegeven gegevens: over een maand produceert SECOND-granulariteit miljoenen punten, met de bijbehorende responstijd en het geheugengebruik. De vuistregel is om de granulariteit te kiezen op basis van de duur van wat u zoekt—een piek van enkele minuten is onzichtbaar bij MONTH-granulariteit en verdrinkt in ruis bij SECOND-granulariteit.

Belangrijkste punten

  • Combineer SUM (totaal), COUNT (aantal) en groupBy: ["model"] voor volledige rapporten
  • Detectie van anomalieën met standaardafwijking identificeert dagen met overmatig verbruik
  • Uitsplitsing per model onthult mogelijkheden voor kostenoptimalisatie
  • Pas de temporele granulariteit aan op de use case: MONTH voor rapporten, HOUR voor debug
  • Automatiseer weekrapporten om het verbruik in de gaten te houden