דוחות חיוב: הצגת העלויות הצפויות

בדוחות העלויות של החיוב ב-Cloud, אתם יכולים 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.

דוח חיוב ב-Cloud שמציג את העלויות הצפויות.

איך רואים את תחזיות העלויות

בקטע Billing במסוף Google Cloud , נכנסים לדוח העלויות של החשבון לחיוב ב-Cloud שרוצים לנתח.

בדוחות, התחזיות זמינות לגבי:

  • כל שילוב של מסננים, חוץ מהמסננים הבאים:

    • כשמשתמשים בתקופת חיוב (לשעבר חודש חשבונית) טווח תאריכים.
    • כשמסננים לפי Products,‏ Originating products,‏ Spend-based CUDs או Originating services.
  • כל טווח תאריכים של Charge period (לשעבר Usage date) שמסתיים בתאריך עתידי. (אי אפשר ליצור תחזיות בשביל טווח תאריכים של תקופת חיוב (לשעבר Invoice month)).

    • כשצופים בדוח לפי טווח תאריכים 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.

התחזית לגבי העלות מבוססת על AI

המודל לחיזוי עלויות משתמש בשיטות מתקדמות של למידת מכונה כדי להבין דפוסי עלויות מורכבים ולטפל בפגמים בנתונים בעולם האמיתי, וכך לספק תחזיות עלויות אמינות ושימושיות יותר. מגמת השינוי בעלויות נקבעת על סמך:

  1. איסוף נתונים היסטוריים: בהתאם למסנני הדוח שבחרתם, מודל החיזוי אוסף את כל ההוצאות ההיסטוריות ב- Google Cloud .
  2. הכנת נתונים חכמה: באמצעות חבילה מקיפה של שלבים לעיבוד מקדים של נתונים, המערכת מכינה נתונים באיכות גבוהה שמטפלים בצורה חכמה בעלויות חריגות (כמו עליות חדות ובלתי צפויות בעלויות), ממלאת בצורה מדויקת יותר פערים בנתוני השימוש ומזהה שינויים משמעותיים בדפוסי ההוצאות כדי להתאים את התחזית בהתאם (לדוגמה, בגלל השקות של פרויקטים חדשים או שינויים משמעותיים בארכיטקטורה).
  3. התחשבות בעונתיות ובמגמות: מנוע למידת המכונה מזהה שכבות מרובות של עונתיות ומגמות בנתוני העלויות, ומתאים את עצמו אליהן. הוא מזהה דפוסים חוזרים שונים, כמו מחזורים יומיים, שבועיים וחודשיים בהוצאות בענן, ויוצר מודלים שלהם.
  4. רגולריזציה מקיפה של נתונים: מודל החיזוי מארגן באופן עקבי את נתוני העלות לאורך זמן, ומאפשר למודלים של למידת המכונה שלנו לבצע ניתוח אמין של סדרות עתיות. כך נוצרת תחזית שמתעדת בצורה חכמה מגמות מורכבות, עונתיות מרובה ומטפלת בחריגות בנתונים.

בעלות הכוללת הצפויה משולבות העלויות האלה:

  • העלות הכוללת בפועל עד עכשיו בתקופה שנבחרה.
  • העלות הצפויה לכל יום עתידי בתקופה שנבחרה.