בדוחות העלויות של החיוב ב-Cloud אפשר להשתמש בתכונת התחזית כדי לראות את המגמות של העלויות ואת סכום ההוצאה הצפויה, עד 12 חודשים קדימה.
כשמציגים את דוח החיוב ב-Cloud לפי טווח תאריכים שמסתיים בתאריך עתידי, בתרשים של דוח החיוב ב-Cloud מוצגות גם העלויות בפועל וגם העלויות הצפויות:
- בכותרת הדוח שמעל התרשים מופיעה תצוגה מפוצלת של העלות: העלות בפועל שמחושבת מתאריך ההתחלה והעלות הצפויה הכוללת לכל טווח התאריכים.
- בתרשים הקווים או בתרשים העמודות המוערם, העלות הצפויה מוצגת באפור בהיר.
איך רואים את תחזיות העלויות
בקטע Billing במסוף Google Cloud , ניגשים לדוח העלויות של החשבון לחיוב ב-Cloud שרוצים לנתח.
בדוחות, התחזיות זמינות לגבי:
כל שילוב של מסננים, חוץ מהמסננים הבאים:
- כשמשתמשים בטווח תאריכים של תקופת חיוב (לשעבר Invoice month).
- כשמסננים לפי Products, Originating products, Spend-based CUDs או Originating services.
כל Charge period (לשעבר Usage date) של Time range שמסתיים בתאריך עתידי (אי אפשר ליצור תחזיות בשביל טווח תאריכים של תקופת חיוב (לשעבר חשבונית)).
- כשצופים בדוח לפי טווח הזמן Current month, תאריך הסיום שמוגדר כברירת מחדל הוא היום האחרון בחודש הנוכחי.
אם רוצים לבחור טווח תאריכים בהתאמה אישית, לוחצים על By charge period ובוחרים טווח תאריכים שבו התאריך To: מוגדר לתאריך עתידי.
תוכלו לראות את ההוצאה הצפויה עד 12 חודשים קדימה.
תחזית העלויות מבוססת על AI
מודל התחזית של העלויות מבוסס על טכניקות מתקדמות של למידת מכונה, שנועדו להבין דפוסי עלויות מורכבים ולטפל בפגמים בנתונים מהעולם האמיתי. כך המודל מספק תחזיות עלויות אמינות יותר ופרקטיות יותר. מגמת השינוי בעלויות נקבעת על סמך:
- איסוף נתונים היסטוריים: בהתאם למסנני הדוח שבחרתם, מודל התחזית אוסף את כל נתוני ההוצאות ההיסטוריים שלכם. Google Cloud
- הכנת נתונים חכמה: באמצעות חבילה מקיפה של שלבי עיבוד מקדים של נתונים, המערכת מכינה נתונים באיכות גבוהה שמטפלים בצורה חכמה בעלויות חריגות (כמו עליות בלתי צפויות בעלויות), ממלאים בצורה מדויקת יותר פערים בנתוני השימוש ומזהים שינויים משמעותיים בדפוסי ההוצאות כדי להתאים את התחזית בהתאם (לדוגמה, בעקבות השקות של פרויקטים חדשים או שינויים ארכיטקטוניים משמעותיים).
- התחשבות בעונתיות ובמגמות: מנוע הלמידה החישובית מתוכנן לזהות ולהתאים את עצמו לכמה שכבות של עונתיות ולמגמות בסיסיות בנתוני העלות. הוא מזהה ומבצע מודלים של תבניות חוזרות שונות, כמו מחזורים יומיים, שבועיים וחודשיים בהוצאות על הענן.
- רגולריזציה מקיפה של נתונים: מודל החיזוי בונה באופן עקבי את נתוני העלויות לאורך זמן, וכך מאפשר למודלים של למידת מכונה לבצע ניתוח מהימן של סדרות עיתיות. כך נוצרת תחזית שכוללת בצורה חכמה טרנדים מורכבים, כמה עונתיות ומטפלת באנומליות בנתונים.
בעלות הכוללת הצפויה משולבות העלויות האלה:
- העלות הכוללת בפועל עד עכשיו בתקופה שנבחרה.
- העלות הצפויה לכל יום עתידי בתקופה שנבחרה.