Kubernetes 成本治理常常停在每月帳單檢討：數字看得到，但工程團隊不知道下一步能做什麼。本場分享要談的是怎麼把 GKE 成本從「財務報表」變成「工程決策資料」。

我們會分享如何把 nodepool 規格、環境配置等基礎設施 metadata，與 billing 成本資料匯流成可查詢的資料模型，再建成支撐決策的 dashboard，實際支援三類工程行動：盤點低使用率資源、比較環境之間的配置差異、評估開發環境的最低可維持狀態。其中特別重要的是 unallocated 資源的掌控——節點成本中沒有被任何 workload 吃掉的部分，往往才是最大的浪費來源，卻最少被看見及改善。

可視化之後，下一步是讓節費策略真正落地。我們會分享如何運用 CUD（承諾使用折扣）規劃長期執行的基線容量、如何搭配 GCP Recommender 的建議來持續調整機型與資源配置，以及這些策略如何透過同一套成本資料模型來追蹤成效，而不是做完一次就停。隨著 GPU workload 進場，我們也會談 GPU 計費模型與一般運算成本的差異，以及為什麼 AI 時代的 FinOps 不能再只看 billing export。

重點不是導入哪套 BI 工具，而是 FinOps/GKE 團隊如何建立一條從成本資料、節費策略到成效追蹤的流程，讓成本討論從財務視角回到工程語言，從帳單分析或工具導入串到實際節費的行動。

聽眾收穫：

1. 理解 K8s 成本治理為什麼不能只看 billing export，以及 unallocated 資源為何是最容易被忽略的浪費來源。
2. 學會把 nodepool 規格與 infra metadata 跟成本資料串接成可查詢的資料模型。
3. 知道如何設計能支撐工程決策（而非只是報表）的成本 dashboard。
4. 掌握 CUD 與 Recommender 的實際運用方式，建立從節費策略到成效追蹤的流程。
5. 了解 GPU 計費模型與「最低可維持狀態」在成本治理中的角色。