本篇是我们《信贷投放新纪元：RTA 与 AI 的全链路实践》系列的第二篇

---

一、引言：获客≠利润

在消费金融和小贷行业，长期存在一个悖论：

• 投放负责人追求的是获客量（规模指标）；
• 风控负责人追求的是坏账率（风险指标）；
• 股东和 CEO 真正关心的是利润（财务指标）。

问题是，这三者之间并不天然统一。获客量大≠利润高，坏账率低≠业务赚钱。

尤其是在 流量越来越贵、资金成本走高 的当下，信贷业务如果只盯着“获客规模”，很可能陷入“越放越亏”的陷阱。

于是，一个核心问题摆在面前：

如何让 投放、风控、资金 说同一种语言？

答案是：RTA + 利润模型。

---

二、利润视角的全链条逻辑

信贷业务的利润，本质上是一个公式：

单客利润 = 收入 – 资金成本 – 风险损失 – 获客成本

• 收入：利息收入、手续费收入；
• 资金成本：自有资金/资金方的资金价格；
• 风险损失：预计的违约率（结合 Vintage 分析）；
• 获客成本：广告、渠道、运营等费用。

关键点：这个公式中的所有环节，都可以通过 RTA 进行优化。

---

三、Vintage 分析与风险预测

在利润协同中，核心难点是“风险损失”的准确预测。

• Vintage 分析：通过分期/时间维度观察不同批次客户的违约表现，预测全生命周期的损失率。
  • 例如：第 1 个月逾期率 2%，第 6 个月累计逾期率 15%，第 12 个月累计 25%。
  • 结合不同 Vintage 曲线，可以对“新增客户”做出更准确的风险损失预估。
• 预测结果接入 RTA：
  • 低损失率人群 → 提高出价；
  • 高损失率人群 → 降低出价或放弃竞价。

这样，RTA 不仅仅是降低坏账，而是直接对接到 利润最大化。

---

四、利润系数的设计：从风险到 ROI

在实际落地中，RTA 的“系数”设计非常关键。

常见做法是 三层系数组合：

1. 风险系数（Risk Factor）：来自风控模型评分。

• 低风险：1.2～1.5 倍出价
• 中风险：0.8～1.0 倍
• 高风险：0.1～0.3 倍

2. 利润系数（Profit Factor）：来自单客利润测算。

• • 利润高的人群，即使风险略高，也可能值得高价抢占。
  • 利润低甚至负利润人群，即便风险低，也无需过多预算。

3.策略系数（Strategy Factor）：由业务目标决定。

• • 规模优先 → 放宽风险阈值，提高出价；
  • 利润优先 → 严控风险，缩窄出价区间。

最终出价公式可以简化为：

出价 = 基础出价 × 风险系数 × 利润系数 × 策略系数

---

五、人群分层打法

结合上述系数，RTA 可以把市场人群分为三类：

• 核心客群（高利润 + 低风险）

全力出价，保证量。

• 中间客群（中利润 + 中风险）
  低价承接，维持规模。
• 边缘客群（低利润 + 高风险）
  不参与竞价，避免浪费。

这样一来，广告预算就会自动流向 利润最优的客群。

---

六、案例拆解：某头部信贷平台

某头部信贷平台在 2023 年引入“利润系数 + RTA”策略，效果显著：

• 投放 ROI 提升 15%+；
• 获客成本下降 20%；
• 新增客户的 Vintage 损失率下降 12%。

核心原因是：广告预算集中在了“利润正向”的人群，而不是盲目追量。

---

七、挑战与前瞻

利润协同虽好，但也有挑战：

1. 预测误差风险：Vintage 模型对未来的预测存在不确定性；
2. 计算复杂度：利润测算涉及多因子（利率、期限、资金成本），RTA 要做到毫秒级响应不易；
3. 部门协同难：投放、风控、财务三方目标不同，如何形成统一机制？

未来的方向是：

• 实时利润预测模型：结合 RTA，每日甚至每小时更新损失率预估；
• 跨部门指标统一：用“单客利润”作为唯一 KPI，消解部门壁垒；
• AI 托管化：AI Agent 自动根据利润曲线调整 RTA 系数，减少人工干预。

---

八、结语

如果说 RTA 与风控的协同（第一篇）解决的是“广告预算别浪费”，那么 RTA 与利润的协同，解决的是“广告预算能赚钱”。

• 风控协同 → 规模更干净；
• 利润协同 → 投放更赚钱。

当 RTA 把 风险 + 利润 + 策略 三维整合在一起时，广告投放终于从“成本中心”变成了“利润中心”。

未来，信贷机构之间的竞争，将不仅仅是模型强弱，而是谁能更快地把 利润逻辑嵌入 RTA，形成真正的全链条闭环。