Nos relatórios de custos do Cloud Billing, use o recurso de previsão para ver como seus custos estão em alta e quanto você projeta gastar, até 12 meses no futuro.
Se você estiver visualizando o relatório Cloud Billing usando um período que termine em uma data futura, o gráfico do relatório exibe os custos reais e os custos previstos:
- O cabeçalho de relatório acima do gráfico apresenta uma visualização dividida de custo: o custo real calculado a partir da data de início e o custo total previsto para todo o período.
- O custo previsto é indicado em cinza-claro no gráfico de barras ou linhas empilhadas.
Como visualizar as previsões de custos
Na seção Faturamento do Google Cloud console, acesse o relatório de custos da conta do Cloud Billing que você quer analisar.
Nos relatórios, as previsões estão disponíveis para:
Qualquer combinação de filtros, exceto para o seguinte:
- Ao usar um período de faturamento (anteriormente Mês da fatura) período.
- Ao filtrar por Produtos, Produtos de origem, CUDs baseados em gastos, ou Serviços de origem.
Qualquer período de cobrança (anteriormente Data de uso) que termine com uma data futura. As previsões não estão disponíveis para um período de faturamento (anteriormente Mês da fatura).
- Se estiver visualizando o relatório do período Mês atual, a data de término padrão será o último dia do mês atual.
Se quiser especificar um período personalizado, selecione Por período de cobrança e configure um período com a data Até: definida como uma data futura.
É possível ver seus gastos previstos até 12 meses no futuro.
A previsão de custos é baseada em IA
O modelo de previsão de custos aplica técnicas avançadas de machine learning projetadas para entender padrões de custos complexos e lidar com imperfeições de dados reais para fornecer previsões de custos mais confiáveis e práticas. A tendência de custo é determinada pela:
- Coleta de dados históricos: com base nos filtros de relatório selecionados, o modelo de previsão coleta todos os seus gastos históricos Google Cloud .
- Preparação inteligente de dados: usando um conjunto abrangente de etapas de pré-processamento de dados, os dados de alta qualidade são preparados para lidar de maneira inteligente com custos atípicos (como picos de custos inesperados), preencher com mais precisão as lacunas nos dados de uso e detectar mudanças significativas nos seus padrões de gastos para adaptar a previsão de acordo (por exemplo, devido a novos lançamentos de projetos ou grandes mudanças arquitetônicas).
- Consideração de sazonalidade e tendências: o mecanismo de machine learning foi projetado para reconhecer e se adaptar a várias camadas de sazonalidade e tendências subjacentes nos seus dados de custo, detectando e modelando vários padrões recorrentes, como ciclos diários, semanais e mensais nos seus gastos na nuvem.
- Regularização abrangente de dados: o modelo de previsão estrutura de maneira consistente seus dados de custo ao longo do tempo, permitindo uma análise confiável de séries temporais pelos nossos modelos de machine learning. Isso gera uma previsão que captura de maneira inteligente tendências complexas, várias sazonalidades e lida com anomalias de dados.
O custo total previsto combina os seguintes custos:
- O custo real total até o momento no período selecionado.
- O custo previsto de cada dia no futuro no período selecionado.