本篇是我们《信贷投放新纪元：RTA与 AI 的全链路实践》系列的第一篇

---

一、引言：从流量焦虑到风控协同

在信贷行业，获客永远是最烧钱的一环。随着线上流量成本水涨船高（很多主流渠道单次获客成本 CAC 已突破千元），传统的投放方式逐渐陷入瓶颈：

• 投放团队追求规模 → 结果是引入大量低质量用户，坏账风险放大；
• 风控团队严格拦截 → 导致投放浪费，广告预算白白流走。

长期以来，投放与风控之间存在“割裂”：一个只负责“买流量”，一个只负责“拦人”。最终带来的结果是：钱花了，量没来，利润还掉了。

RTA（Real Time API）的出现，正在改写这个局面。它把风控逻辑“前置”到投放环节，让风控不再是门口的拦截员，而是投放阶段的合作者，直接决定 投不投、投多少、投多贵。

---

二、传统模式的痛点：投放与风控的断层

在没有 RTA 的年代，信贷机构的流程大多是这样的：

1. 渠道圈定目标人群，广告出价；
2. 投放获取到申请用户；
3. 风控模型（A 卡、B 卡、C 卡）做贷前审批，筛掉高风险用户。

问题在于：

• 风控 事后拦截 → 已经花出去的广告费无法收回；
• 投放 无法识别风险 → 出价时没有信号区分好坏客户；
• 投放目标与风控目标冲突 → 前者要量，后者要质。

在某些线上贷款业务中，50% 的广告花费可能砸在了“被风控拒绝”的用户身上，形成巨大的浪费。

---

三、RTA 的切入：让风控进入投放前置环节

RTA 的核心价值在于：

• 打通模型结果与投放系统：风控模型输出的分数、标签、风险等级，直接通过 API 接入广告竞价系统。
• 风险分数转化为出价信号：高分用户（低风险）出更高价，中等分数用户（可接受风险）出低价，低分用户（高风险）不出价。
• 实时动态调整：不同渠道、不同时间、不同流量池，均可动态调整出价系数。

这样，广告预算只花在“风险可接受且利润可能为正”的用户身上，实现 获客和风控的协同。

---

四、评分卡体系与指标应用：RTA 的数据底座

要让 RTA 与风控协同，首先需要风控模型有足够的分辨力和稳定性。行业内常见做法是多层卡模型：

• A 卡：申请评分卡，基于用户基础信息、行为数据，判断准入；
• B 卡：行为评分卡，结合借贷行为、支付行为等，预测违约可能性；
• C 卡：催收评分卡，评估贷后回收概率。

这些模型的好坏，需要通过指标验证：

• KS（Kolmogorov-Smirnov）：衡量模型区分度；
• AUC（Area Under Curve）：衡量整体预测能力；
• PSI（Population Stability Index）：衡量模型稳定性；
• LIFT：衡量高分群体与整体的违约率差异。

在 RTA 场景中：

• KS 和 AUC 保障了“高分群体真的更好”；
• PSI 确保模型在渠道迁移后不失效；
• LIFT 帮助决定出价系数的倍数。

---

五、案例拆解：字节系的金融投放实验

据某专家反馈字节的金融业务为例：

• 在投放层，字节广告平台直接内嵌了信贷机构的 RTA 接口；
• 用户在点击广告之前，RTA 已经完成了风险预判，高风险人群不再参与竞价；
• 结果：获客成本降低 20%+，坏账率下降明显，ROI 显著提升。

这说明：风控与投放的融合，不是锦上添花，而是核心竞争力。

---

六、挑战与展望

当然，RTA + 风控的协同并非没有挑战：

1. 模型延迟问题：部分风控模型计算复杂，如何保证毫秒级响应？
2. 数据合规问题：RTA 涉及跨平台数据调用，需要符合监管要求。
3. 反欺诈对抗：黑产会针对 RTA 策略“打洞”，需要持续升级。
4. 人机协作：策略参数仍需人工设定，如何逐步交给 AI Agent 是下一步方向。

---

七、结语

如果说过去的获客是“撒网+筛人”，那么 RTA 让信贷机构实现了“精准投+智能筛”。

• 投放团队不再孤军奋战，风控模型成为出价引擎；
• 风控团队不再是最后的拦截员，而是前置的利润护航者。

在 获客成本高企、监管趋严、利润压力巨大的背景下，RTA 与风控的协同，已经不是选择题，而是生存题。

未来，谁能把 RTA 与风控结合得最紧密，谁就能在信贷获客的竞争中脱颖而出。