点击数据上报

Google Ads 向广告商报告总点击次数、总展示次数和这些数据的子集（例如，点击次数、展示次数和点击率，按广告系列、广告组和关键字），以及与网站对应的类似数据向发布商提供统计信息。审核流程的范围涵盖 Google Ads 的点击和广告客户报告。这些数字可能会在当月的过程中出现一定程度的波动，并且在月底冻结之前不会被视为最终确定。在此之后，报告的点击次数将不会进行调整，但是，如果 Google 认为合适，则可能会向广告客户提供信用。

Google Ads 包括让广告商查看每个广告系列过滤（标记为无效）的每日点击总数的功能。Google Ads 不会分别报告一般无效流量和复杂的无效流量总数，以防止对这些数据进行逆向工程以优化无效流量。据估计，大约 70% 的无效点击流量是一般无效流量。

使用全面的单元测试程序来确保 Google Ads 和 AdSense 前端报告数据的准确性。这些是用于确保后端数据库中的数据在面向用户的报告中准确传达的主要机制。此外，我们会仔细监控用户反馈，以发现并纠正可能导致发布的任何错误。许多自动化系统都已到位，以确保向 Google Ads 用户报告数据的所有机器和软件都能正常运行。但是，报告的内容主要通过上述单元测试和用户反馈进行验证。

与点击活动相关的电子记录将无限期保留。但是，IP 和 cookie ID 两个数据字段在指定时间段（IP 地址为 9 个月，cookie ID 为 18 个月）后匿名化。

您可以通过报告点击次数和无效点击次数（GIVT 和 SIVT）来推导出总点击次数指标，这将允许您计算总点击次数。

在搜索和展示点击活动总数和设备类型细分之外显示的仪表板指标不会提交给 MRC 认证。

来自顶级设备 (OTT)、未知设备和其他设备类型（未经 MRC 认证）的搜索点击可能与 Google Ads 报告仪表板上的认证桌面点击和总点击指标混合在一起。来自未经认证的设备类型的流量估计不到搜索点击流量的 1%。

视频数据上报

Google推广 会向广告商报告视频可见展示的总数、可见度指标（如下所述）以及这些数据的子集。

出于 MRC 认证的目的，只有在仅限下载的视频可见度报告中列出的 Google Ads 指标在范围内。跨前端工具的其他视频展示和可见度指标报告不包括在认证之外，例如，Campaign 报告前端。

可下载视频可见度报告中的指标报告为跨桌面、移动、Web 和移动应用内环境的 SIVT 总净值。这类似于点击报告，其中不单独报告 GIVT 和 SIVT 编号以防止此数据被逆向工程。据估计，大约 50% 的无效视频展示总流量和 14% 的无效 TrueView 观看流量是一般无效流量。由于 TrueView 观看次数广告格式实施的性质，GIVT 百分比会较低。

视频可见度报告中会衡量和报告以下视频广告格式。下面未描述的所有其他广告格式均不包括在视频可见度报告中，包括投放到 YouTube Kids 移动应用程序中的广告。

可跳过的插播广告：在 YouTube 视频内容之前、期间或之后展示的视频广告，让观众可以选择在播放前 5 秒后跳过时长为 30 秒或更长的广告。TrueView 视图仅适用于可跳过的插播广告格式。

导视广告：在 YouTube 视频内容之前、之中或之后展示的大约 6 秒的短视频广告。导视广告是不可跳过的广告。

不可跳过的插播广告：视频广告在 Google 展示广告网络上的视频发布商内容中出现在视频内容之前、之中或之后的 5 秒到 30 秒不等，具体取决于内容发布商选择展示广告的位置和时间。

过顶/联网电视

我们已经为 MRC 认证提交了过顶 (OTT)/联网电视 (CTV)，这些指标将在获得认证后添加到视频可见性报告中。目前，Google 无法确定电视设备是否已关闭。没有延迟测量限制。上面列出的相同自动播放和连续播放规则适用于 CTV/OTT 环境。

机器学习

Google通过诸如分类（例如神经网络方法）之类的方法使用监督机器学习技术1，其中模型将通过对事件是否无效做出是/否决定来预测无效流量 (IVT)，以及逻辑回归，在模型对各种活动进行评分，然后根据评分阈值做出 IVT 决策。监督机器学习模型也可以使用树方法和图方法。 

用于机器学习的数据源包括查询和交互日志（“广告日志”）、可与广告日志结合的非日志数据以及各种其他补充专有信号。Google 依赖于数百个不同规模的数据源：每个数据源的记录总数从数千到数万亿不等，具体取决于数据源。需要使用至少 7 天的流量作为输入数据来评估基于流量的模型。

对于主动防御，Google推广 对输入模型的交通信号（训练数据）的监控程序，如果未满足某些阈值界限，则会触发人工干预警报。因此，预计精度会降低（如果有的话）。 

在适当和可行的情况下对模型进行持续再培训，并定期或持续评估模型性能。因此（类似于我们上面的监控程序）预计准确性会降低（如果有的话）。

机器学习培训和评估数据中的偏差很小，如果它们很重要，IVT 防御将不会被批准。所有机器学习项目（“发布”）在获得批准之前都要经过跨职能审查过程。作为此过程的一部分，将对模型和相应数据的偏差进行评估，并且项目在获得批准之前必须满足预先确定的广告流量质量标准。持续监控可以检测模型中偏差的出现，进而触发警报和模型评估、分析和更新。

Google 对所有流量应用了机器学习和/或人工干预/审查技术的组合。对于某些防御，谷歌依赖于基于机器学习的潜在客户生成，然后是人工审核。其他防御从人工审查数据开始，并使用机器学习进行概括。我们对机器学习和人工干预/审查技术的应用正在不断发展，我们的使用根据多种标准发生变化，包括警报、升级和可能出现的无效流量类型的有机波动。因此，分布并不处于稳定状态，对机器学习或人工干预/审查的依赖“水平”会随着时间的推移而波动。

监督式机器学习依赖于标记的输入和输出数据，这意味着对机器学习模型的输出是有预期的。

在谷歌广告平台上投放视频广告应该注意什么？谷歌广告开户费用需要多少?谷歌广告在国内开户和国外开户有什么区别?谷歌广告开户包括在线开户和国内代理开户。如果您对谷歌广告推广感兴趣，就搜索巨宣网络广告有限公司。赶紧联系起来吧！