数据中心软件和服务厂商Nutanix今天发布第一季度财报,结果超出了预期水平,且给出了强有力的下一季度指引,这也使得Nutanix股价在盘后交易中有所上涨。
该季度,Nutanix在不计入诸如股票薪酬等特定成本的情况下每股亏损44美分,收入为3.128亿美元,此前华尔街预期的每股亏损为57美分,收入为2.9934亿美元。
Nutanix还称,该季度的订阅计费为2.94亿美元,订阅收入为2.78亿美元,订阅收入可能是比产品销售更为稳定一些的。
Nutanix表示,年度合同价值账单(ACV)费用达到了1.378亿美元,比去年同期增长10%,这项计费也是Nutanix最近越来越重视的一项关键指标,主要是指“合同的年度总价值,不包括与专业服务和硬件有关的金额”。
Nutanix预计第二季度ACV收入将在1.45亿美元至1.48亿美元之间,远远超出华尔街预期的1.344亿美元。
投资者对这一结果很满意,Nutanix股价在盘后交易中上涨了7%多。
“我们对第一季度的财报表现感到满意,这标志着2021财年有一个非常强劲的开端,这个季度新产品不断普及,我们核心的超融合基础设施软件持续增长,”Nutanix联合创始人、首席执行官Dheeraj Pandey在声明中这样表示。
Nutanix首席财务官Duston Williams称,Nutanix以ACV为先的战略以及扎实的上市执行力,有助于Nutanix在所有关键财务指标上取得超乎预期的成绩。
他说:“展望未来,我们将继续谨慎地管理运营费用,继续执行业务模式转型,我们有信心Nutanix可以实现长期增长,让所有利益相关者从中受益。”
该季度Nutanix在产品方面有一些重要的进展。最早Nutanix的定位是虚拟桌面基础设施厂商,近年来更加专注于扩展自己的软件定义超融合基础设施堆栈,这种堆栈集成了计算、存储和网络等组件。今年9月,Nutanix宣布与微软达成重要的合作伙伴关系,有些类似于8月和AWS的合作,是在微软Azure上开发Nutanix的超融合基础设施系统。
Pandey说:“我们在8月发布了在AWS云上的解决方案之后,宣布与微软建立重要合作伙伴关系,在Azure上开发我们的产品组合,从而使Nutanix超融合基础设施系统拥有显着的竞争优势,帮助客户构建混合云和多云环境。”
Moor Insights&Strategy分析师Steve McDowell表示,Nutanix表现强劲的第一季度说明Nutanix向基于订阅的业务模式的转型,终于获得了回报。
McDowell说:“Nutanix在执行订阅驱动的策略方面可以说几乎是完美的,再加上他们有不错的产品组合,和AWS及微软Azure的合作也开始看到回报,我们可以看到的几乎所有指标都在朝着正确的方向发展着。”
他认为,今年的疫情也让Nutanix在一定程度上有所受益。他强调,采用超融合基础设施和软件定义技术的企业组织似乎比其他企业组织能够更好地应对疫情带来的挑战,这主要因为这种系统可以支持快速重新配置和远程管理。
他说:“Nutanix的软件定义方法与订阅模型相结合,在未来12到18个月内持续经济不确定性的情况下是非常有意义的,Nutanix为企业提供了运营灵活性和预算控制力。”
Constellation Research分析师Holger Mueller补充说,Nutanix在削减销售和营销费用方面也做得很好。
他说:“这是运营改进的关键来源。现在Nutanix需要继续保持下去,努力实现增长,确保在更多平台上构建创新的产品,特别是从与微软Azure新建立的合作伙伴关系开始。”
Pandey三个月前宣布,计划找到继任者后就退休,但是目前Nutanix没有提供任何最新的消息。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。