超融合基础设施厂商Nutanix今天公布第四季度财报,收入、利润以及下个季度指引均超出预期水平,使其股价有所上涨。
该季度Nutanix在不计入股票补偿等成本下每股亏损26美分,收入为3.907亿美元,比去年同期增长19%,高于分析师预期的每股亏损42美分,收入3.63亿美元。
Nutanix公司首席执行官Rajiv Ramaswami表示,由于Nutanix在财务和战略目标方面的一贯执行和稳健进展,因此在这个“表现出色的财年”有了一个强劲的收官。
“我们以良好的发展势头和稳健的增长计划进入2022财年,我们不仅执行了在分析师日上制定的模式,也实现了我们让云端隐形的愿景。”
Nutanix主要销售软件定义超融合基础设施(HCI),这种堆栈将计算、存储和网络组件集成到单个设备或者云服务中。此前Nutanix一直在尝试过渡到基于订阅的商业模式,该模式能够提供比产品销售更稳定的收入流。
Nutanix的这一转型进展顺利,该季度年度经常性收入为8.787亿美元,同比增长83%。
Moor Insights & Strategy分析师Steve McDowell表示:“Nutanix的季度表现非常出色,这些指标正是我们希望看到的。Nutanix的业务同比增长了近20%,每个重要的业务类别都有所增长。”
他指出,Nutanix总收入中有91%来自订阅业务,证明Nutanix从一家硬件公司向软件订阅模式的转型已经取得了成效。
去年Nutanix一度陷入困境,因为许多企业对新冠疫情大爆发的走向持观望态度。但是,一旦意识到远程工作模式将持久存在,企业就开始采取行动在基础设施上进行投入,以支持远程办公相关的工作负载。
Ramaswami在接受采访时表示:“随着企业迁移到云端并开始混合办公模式,他们的支出也开始有所回升。例如,企业正在做的一件事是就是启用虚拟桌面,这是我们一直非常擅长的领域,占到我们业务的20%到25%。”
Nutanix表示,年度合同账单价值(ACV)账单增长了26%,达到1.763亿美元,高于华尔街预期的1.719亿美元。ACV是Nutanix使用的一个重要指标,通过对一年内的价值进行平均和标准化来显示典型持续客户合同的价值。
Ramaswami解释了为什么ACV账单是企业最关注的指标之一,他说,对于订阅业务来说,重点不应该是与客户签订的长期合同。
他说:“你希望让他们年支出最大化。如果乐意的话,他们会继续购买下去。如果他们对产品感到满意,续订就是自然而然的。这就是我们专注于ACV的原因。我卖给你一份为期一年的合同,如果你满意,你会继续购买。如果你有ACV并专注于客户留存,你就将获得长期成功。”
Nutanix取得成功的很大一部分原因在于,它已经从超融合基础设施扩展到一系列存储和网络技术。McDowell表示,该季度Nutanix有超过半数的新客户交易都是来自这些新的平台,说明Nutanix与现有客户群建立了高度信任。
另一个关键因素是Nutanix与HPE等厂商的合作伙伴关系,例如HPE已经将Nutanix纳入自己的GreenLake即服务产品中,还有最近与Red Hat之间的合作。Ramaswami表示,与Red Hat的合作可能会在未来一两个季度开始看到回报。
他说:“重要的是,我们的虚拟机管理程序现在已经完全通过Red Hat认证,这简化了Nutanix客户群对Red Hat产品的采用。其二,对于那些想要运行现代云原生堆栈的客户来说,两者的结合提供了一整套解决方案。而且,我们的合作才刚刚开始。”
展望第一季度,Nutanix预计年合同价值在1.72亿美元至1.77亿美元之间,高于分析师普遍预期的1.693亿美元。
好文章,需要你的鼓励
生成式AI在电商领域发展迅速,但真正的客户信任来自可靠的购物体验。数据显示近70%的在线购物者会放弃购物车,主要因为结账缓慢、隐藏费用等问题。AI基础设施工具正在解决这些信任危机,通过实时库存监控、动态结账优化和智能物流配送,帮助商家在售前、售中、售后各环节提升可靠性,最终将一次性买家转化为忠实客户。
泰国SCBX金融集团开发的DoTA-RAG系统通过动态路由和混合检索技术,成功解决了大规模知识库检索中速度与准确性难以兼得的难题。系统将1500万文档的搜索空间缩小92%,响应时间从100秒降至35秒,正确性评分提升96%,为企业级智能问答系统提供了实用的技术方案。
存储供应商Qumulo发布多租户架构Stratus,为每个租户提供独立的虚拟环境,通过加密技术和租户专用密钥管理系统实现隔离。该统一文件和对象存储软件支持本地、边缘、数据中心及AWS、Azure等云环境部署。Stratus采用加密隔离技术确保敏感数据安全,同时提供任务关键操作所需的灵活性和效率,帮助联邦和企业客户满足合规要求。
中科院和字节跳动联合开发了VGR视觉锚定推理系统,突破了传统AI只能粗略"看图"的局限。该系统能在推理过程中主动关注图片关键区域,像人类一样仔细观察细节后再得出结论。实验显示VGR在图表理解等任务上性能大幅提升,同时计算效率更高,代表了多模态AI"可视化推理"的重要进展。