中国金融科技的发展经历了信息化阶段，并在2016开始逐步进入数字化阶段。监管以多种方式指导金融机构开展数字化转型，如人民银行在2019年发布《金融科技发展规划（2019-2021年）》，在《规划》中提出到2021年建立健全中国金融科技发展的“四梁八柱”，并确定六方面重点任务。经过近三年实施以及一系列政策措施推动下，我国金融科技创新能力明显增强，数字化能力得到充分建设。在2021年底又发布了《金融科技发展规划（2022—2025年）》，提出了数字驱动、智慧为民、绿色低碳、公平普惠的发展原则，明确了健全金融科技治理体系、充分释放数据要素潜能、打造新型数字基础设施、深化关键核心技术应用、激活数字化经营新动能、加快金融服务智慧再造、强化金融科技审慎监管、夯实可持续化发展基础八项重点任务。将促进金融与科技更深度融合、更持续发展，高质量推进数字化转型，加快健全适应数字经济发展的现代金融体系。此外，银保监会也在2022年发布《中国银保监会办公厅关于银行业保险业数字化转型的指导意见》，要求加快数字经济建设，全面推进银行业保险业数字化转型，推动金融高质量发展。

　　租赁行业属于金融行业细分领域，其底层逻辑和银行信贷有共通之处，如在获客、项目审批、放款、租后管理等环节已有应用案例。随着租赁行业的高速发展期已过，行业逐步由抢增量转向存量竞争，租赁公司必须改变现有模式，通过升级生产工具提升运营效率、提高风险管理质量。部分头部租赁公司在近几年逐步开展数字化转型，意图借助数字化建立竞争优势，拉开与竞争对手的差距，在可见的未来，金融科技将是传统租赁公司不可逾越的竞争壁垒。传统认知中的信贷产品（或类信贷产品）可复制性强的观点在金融科技中不再适用，因为金融科技的技术壁垒更高，并且随着数据积累和挖掘，风险模型的丰富性、复杂性、准确性是后进者短短2、3年之内无法赶超的。如在汽车金融及小微租赁业务中，部分租赁公司通过数据挖掘建立数据驱动的风险模型，并基于风险模型开展流程再造，其审批效率、风险管理能力及盈利能力明显优于依赖人工审批的公司，客户粘性、渠道合作意愿也随之提升，形成了良性循环。

　　金融科技发展究竟到了什么阶段，是否具备应用价值？如何建设金融科技，从何处入手？实现金融科技是否投入巨大，小公司有必要建设金融科技吗？金融科技建设过程中有哪些难点，如何解决？以上问题在下文将逐一解答。

　　金融科技经过这几年的高速发展，行业生态已比较完善，金融科技已不再是“堂前燕”，具体表现在以下几方面。在硬件端，算力和存储等硬件技术的快速发展使海量数据存储、运算不再是限制条件，现有算力可轻易应对深度神经网络模型的训练并应用在图像识别、NLP等领域。在数据端，企业数据维度也日益丰富，如工商、司法、税务、征信等数据都能够结构化输出，经过简单加工后可以直接用于模型训练，数据的丰富也助力信贷产品的丰富，如近几年火爆的发票贷、税贷等，已经完全摆脱传统线下资料收集的方式转而线上收集数据。在数据挖掘端，算法的发展能够轻松应对金融领域的任务，如应用逻辑回归或其他机器学习算法开发客户违约模型等。在系统端，数据仓库、决策系统、业务系统也得到长足发展，能够很好的支撑金融科技应用。此外，在行业推进金融科技的过程中涌现出了一批服务机构，以上所述数据、系统等都能找到对应服务机构并提供成数的解决方案，服务机构的存在大大降低了金融科技门槛，同时也降低了金融科技的投入、加速金融科技推广与应用。

　　在讨论如何建设金融科技之前我们先评估租赁公司的数字化发展阶段，有个简单的标准可以对照：1）原始阶段。公司内部没有系统，项目审批、内部管理依靠邮件、纸质文件传达。除了初创公司，一般公司都不会处于这个阶段。2）信息化阶段，目前大部分租赁公司都处于这一阶段，这一阶段的公司具备业务系统，但系统仅服务于流程，即仅用于项目流转过程中供各审批人出具意见，主要数据未结构化存储，表现为授信报告需要大量人工手动作业等等。3）数字化过渡阶段，头部租赁公司大多处于这一阶段。这类公司按需求建立了多个系统，但各系统间的数据信息均未打通，不具备统一的数仓、未做自上而下的治理；部分数据未结构化存储，历史数据无法产生价值；缺乏数据挖掘平台，依赖人工分析数据、得出结论；数据质量较差，数据挖掘前需要花费大量时间做数据清洗。4）数字化阶段，目前极少有公司实现。数字化转型成功的公司在数据获取、清洗、加工方面已全部或大部分实现系统自动化，数据实现全量结构化存储，同时具备性能良好的数据分析及挖掘系统，各部门将数据资产应用于公司经营决策、业务管理、授信审批等。

　　租赁公司如需实现数字化转型或科技金融，首先需要制定建设目标，且建设目标直接与经营目标挂钩，换言之，数字化转型必须产生可衡量的经济价值，再结合当前数字化所处阶段制定金融科技推进计划，在资源有限的前提下有选择的优先发展薄弱环节。在具体开展建设任务之前需要制定数字化主题，并评估数字化价值，对于投入过大但价值不高的项目可以暂缓推进，优先推进投入低、产出高的数字化项目。其次，需要适配合适的人员推进数字化，需要同时配置业务及技术人员，包括但不限于资深业务及信审（构建场景、沉淀经验）、数据岗（数据分析、规则提取、数据管理）、模型岗（模型训练）、策略分析师（制定规则和模型应用策略）、模型监控、系统开发工程师等。不可寄希望某几个人大包大揽，金融科技不是单纯的金融，亦非单纯的科技，而是由多个专业壁垒较高的领域叠加而成，故必须结合各自优势共同推进，必要时需要聘请有经验的咨询公司开展数字化转型的咨询与落地。需要注意的是，如果咨询公司只是提了数字化框架而非细致到具体实施，这类咨询大概率是脱离业务的，不具备操作性，从根源上是注定失败的。此外，在数据层面需要梳理数据资源，优化数据获取、清洗、加工流程，建立数据标准提升数据质量，打通业务系统的数据孤岛，并通过数据可视化、模型应用等方式发挥数据价值。最后，则是围绕数据化结果制定应用方案，应用方向涉及到租赁产品开发、流程优化、系统调整、职能分工、制度建设乃至经营策略、发展战略等等。

　　对于租赁公司而言，在营销端和风险管理端实现金融科技是对公司经营与发展助力最大的，尤其是以零售业务为主（例如汽车租赁、中小微租赁业务），或想要转型零售业务的租赁公司。科技基础比较薄弱的租赁公司可以优先考虑风险管理的数字化转型，再将数字化转型的经验应用至公司企业经营管理中。金融科技在信用风险管理端可用于以下环节：1）项目审批。通过对客户风险分层实现自动拒绝、自动通过、转人工处理等。由于数据的处理过程没有人工干预，操作风险大大降低，取而代之的是系统风险，由多个风险来源（多人、多层级）降低到单一来源（系统风险），系统的管理难度明显低于对人的管理，数字化降低了风险管理难度。在提升效率方面，因为数据获取和加工都由系统自动实现，避免了业务和信审的重复劳动，也规避了其中存在的操作风险。2）贷中监控。通过贷中模型可实现客户风险自动预警，有助于租赁公司及时发现风险、提前介入。此外，基于客户历史数据可辅助营销，如项目翻单等决策。3）贷后管理。通过模型预测回收概率或向下迁徙概率，并基于风险等级分配催收资源，资源向回收概率高的项目倾斜，回收概率低的项目可提前转外包处置。若租赁公司数据积累比较少，或者数据量大但维度少，可以考虑与外部咨询公司联合建模，采用合适的模型算法或专家法等方式逐步建立。

　　金融科技本质上是工具的升级，如果没有与之配套的应用则难以发挥其作用。故须同步推进产品、制度、流程、考核标准等配套机制的改革。配套机制往往是科技金融推进过程中的难点与重点，大量失败的案例告诉我们最终数字化转型的失败就是倒在这最后一公里，其建设原则是在风险可控的前提下做到效率最大化、人员（成本）最小化。需要重点说明的是，建议基于科技金融带来的流程重塑对各流程节点的职能做进一步细分，重点梳理和分析流程中卡点或限制产能提升的环节，基于金融科技通过服务外包等形式打破原有模式下的束缚。

　　金融科技虽然能降低操作风险、提升风险管理水平，但也涌现出其他风险关注点：1）欺诈风险。若黑产摸清了风险模型的逻辑，可能会发生欺诈案件，故模型背后的审批逻辑、产品设计的完整度等须考虑全面，并且需要实时监控、调整风险模型。2）模型风险。因系统性风险、客群偏移（由于展业区域、行业、客群等发生变化造成）、建模过程（样本、数据处理、过拟合等）导致的模型性能下降，须实时监控、优化模型，不断提升模型的准确性及泛化能力。3）系统风险。如模型、策略部署出错，数据源变化导致规则无法加工（无返回或返回的数据结构发生变化）。4）操作风险。策略制定错误、监控不及时、模型结果应用错误等。

　　实现金融科技存在以下难点：1）认知。对于行业发展趋势的认知偏差、对于业务规划的短视、对于金融科技的不了解等导致认知出现偏差。无论是管理层还是执行层，任何环节的认知偏差都可能导致金融科技建设的失败。2）人员。合适的人员是实现金融科技的关键，如上文所述，必须找到合适的人员推进金融科技项目。3）资源整合。业务、数据、系统的整合能力决定金融科技建设质量。金融科技存在一些壁垒，外行很难具备全局观去整合资源并实施应用。4）应用。业务转型无法跟上金融科技建设步伐，导致经济收益不明显。

　　在未来的2-3年，有2个趋势是明确的。首先是规则和模型将更成熟，金融科技的应用场景将进一步丰富，尤其是在贷中、贷后阶段。在营销端，将带来获客模式的转变，而在审批端，随着小额租赁产品全自动化审批的实施及风控模型有效性的不断提升，中大金额租赁产品也将得以应用。其次，赶上实施金融科技方案早集市的租赁公司将形成壁垒，并借助丰富的金融科技工具形成更为全面的客户服务能力（更丰富的产品形式、更下沉的客户、更细分的行业等）。这为我们敲响了警钟，租赁公司务必在这几年抓住行业发展机会，赶上金融科技发展浪潮。