云存储提供商Box公布2016财年第二季度财务状况,截止时间为2015年7月31日。
在该季度,公司全球范围内客户超过50,000家,数千家公司增加或扩展部署,包括Airbnb, Alcoa, Cushman & Wakefield, Lionsgate, Limited Brands, Uber, IBM.
“在新的以及不断扩展的客户部署推动下,我们的营收较去年同期增长43%,账单收入增长45%,呈现出又一个强劲季度,”Box创始人兼CEO,Aaron Levie表示,“我们将继续对我们的核心平台进行投资,同时增加如企业密钥管理与治理新产品,在更加广泛的企业内容管理市场加强捕获需求的能力。本月晚些时候,我们还将会在BoxWorks发布更多创新。”
第二季度财务摘要:
1.营收总计7350万美元,较2015财政年同期增长43%。
2.账单收入(Billings)是7960万美元,较2015财政年同期增长45%。
3.如不按照通用会计准则(GAAP)计算,其营运亏损数为3270万美元或者说45%的营收。与上一个财政年同期亏损2940万美元,57%营收有了对比。以GAAP计算营运亏损为4980万美元,或68%的营收。而上一个财政年同期则是亏损3830万美元,或74%营收。
4.如不按照GAAP计算,1.204亿美元流通股,普通股民每股基本摊薄净亏损为0.28美元,对比上一财政年同期1450万美元流通股,亏损数目为2.01美元。以GAAP计算,同样流通股则是每股基本摊薄净亏损0.24美元,对比上一财政年的2.71美元。
5.运营活动所产生的现金流量净额总计$ 2170万美元。对比上一财政年的2630万美元。
6.截止2015年7月31日,该公司现金,现金等价物以及有价证券总计2.242亿美元。另外,限定用途现金为2840万美元,主要涉及到公司的租赁设备。
合作商方面:
早先公布与IBM的全球合作关系。根据协议,Box与IBM将——
集成Box与IBM的业内领先企业内容管理,分析,社会协作以及安全产品,向全球市场联合提供解决方案;
将Box技术融入IBM MobileFirst用于iOS应用程序;
利用IBM的销售团队和全球商业服务专业人才用现有数据和系统帮助客户部署和集成Box功能;
合作推出在线微软办公软件,拓宽Box与Office 365的强大集成范围适用于桌面,iOS上的办公软件和Outlook。
新领导新气象:
2015年8月,EMC Syncplicity部门前CEO兼总经理,Jeetu Patel以平台高级副总裁兼首席战略执行官的身份加入Box,旨在扩展Box的平台业务。
接纳前惠普软件CIO Paul Chapman作为CIO,推动公司全球IT战略与举措,进一步支持其不断增长的员工队伍及客户群。
新产品创新:
推出可用Box Governance为客户提供了一个新方案,从创建到保留与清理,无缝管理业务文件的整个生命周期。
2015年8月,Box的元数据服务发布了三个有效的新增强功能,包括管理控制台中的元数据模板,元数据API以及同步第三方系统元数据。
2016财年第三季度导向:
公司营收预计介于7600到7700万美元之间,非GAAP营运利润率约介于49%到50%。
加权平均摊薄股预计为1.22亿美元。
2016财年全年导向:
营收预计介于2.95到2.97亿美元之间,对比先前指定2.86到2.90亿美元之间。
非GAAP营运利润率预计介于47%到49%,对比先前制定的49%到51%范围。加权平均摊薄股预计将近1.22亿美元。
好文章,需要你的鼓励
Panzura在其Symphony数据管理平台中新增了访问控制列表分析和自动修复功能。该平台专门处理EB级非结构化数据集,具备扫描、分层、迁移和合规分析等功能。Panzura声称58%的企业受到权限扩散问题影响,74%的数据泄露涉及特权凭证滥用。新版本重点解决权限继承中断、过度授权访问和合规盲点等问题,提供完整的文件系统权限可视性和快速问题解决能力。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
Arista Networks宣布收购博通旗下VeloCloud SD-WAN业务,交易金额约10亿美元。VeloCloud是SD-WAN领域先驱企业,拥有集成安全功能的云管理SD-WAN解决方案。此次收购填补了Arista在分支机构连接方面的空白,使其能够提供端到端网络解决方案。同时,前思科高管Todd Nightingale加入担任总裁兼首席运营官,将助力公司拓展更广泛的客户群体。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。