百年IBM痴迷云服务:落后、收购和追赶

走过108个年头,IBM丢掉昔日硬件霸主的身份,进军云界,然而在云赛道上,它已被“甩”到第一梯队之后,现今能否靠红帽扳回一城呢?

4月17日,IBM发布了2019财年第一季度财报。

财报显示,IBM第一季度的营收为181.8亿美元,低于市场预期的184.6亿美元,较去年同期的190.7亿美元相比,下滑了5%。

事实上,IBM除了在2019年Q1表现不乐观外,在前三个季度其业绩也都较为平庸。而IBM增长乏力在业内已经不是什么新鲜事,在营收持续下滑的背后,IBM已经多次调整了其业务结构。

早在去年,IBM就进行过多次裁员活动,甚至在前几天就宣布了一则消息,就是它将关闭在新加坡的生产基地,以及其基地里的员工也将全部被裁掉。

对转型中的IBM来说,大规模的裁员是合理的动作,也是它不得已而为之。纵观IBM的前几年财报,它在行业内的竞争中已经落了下风,尽管2017年四季度结束了连续22季度营收下滑的局面,但好景不长,它的营收增长率再次表现疲软。

然而,这些归根结底都与IBM大力发展云业务有关。在谈IBM的云业务之前,先来了解云计算存在的意义是什么。

从技术、社会价值、商业角度解读云计算存在的意义

如今,云计算正渐渐成为家喻户晓的词,但不少非专业人士对“云”的理解云里雾里,那云究竟是什么呢?

美国国家标准与技术研究院(NIST)给出的定义是,云计算是一种按使用量付费的模式,这种模式提供可用的、便捷的、按需的网络访问,进入可配置的计算资源共享池(资源包括网络、服务器、存储、应用软件、服务),这些资源能够被快速提供,只需投入很少的管理工作,或与服务供应商进行很少的交互。

到目前为止,虽然对云计算的定义有很多种说法,但NIST给出的定义是接受度最高的。而云计算的“出生”其实已经是十几年前的事情了,在2006年亚马逊AWS的发布时就象征着云计算时代的到来。经过一路的摸爬滚打,现在的云计算进入到了蓬勃发展的阶段,而任何事物的发展都是有一定的前提条件。

第一从技术层面看,软硬件的成熟构成了云计算发展的基础。

云计算的发展对底层基础设施的完善有很大的依赖度,而分布式技术、虚拟化技术、并行编程技术的成熟为云计算的大规模爆发铺平了道路。其中,云计算的落地必须依托于数据中心,也就是说,数据中心的大小、宽带容量、分布点、辐射范围等方面都会影响到云计算提供的服务。

据了解,超大规模数据中心一般拥有5万-10万个服务器。在市场研究机构Synergy Research发布的数据中,2018年全球超大规模数据中心为430个,较2017年增长了11%,并且预计2019年年底前,全球超大规模数据中心的总量将会超过500座。

由此可见,目前的数据中心在规模和结构上都在不断升级,反应了软硬件技术的成熟度越来越高,因此给云计算给予了更多可发展的空间。

第二从社会价值方面看,云计算的存在很大程度上便利了企业的发展。

有了云计算,企业可以按需和随意调动资源,为企业节省了很大的一笔成本费用。而且在运营的过程中,企业各环节的效率也会随着云计算的发展而提高。基于云计算的社会价值,它必然会受到不少企业的拥护,从而推动了它大步向前。

第三从商业角度看,to B业务模式的创新与云计算发展是相辅相成的。

流量红利见底,许多企业的目标从C端移向了B端,鉴于to B业务的用户群体主要是商家,而云业务恰好可以顺理成章地快速覆盖到本有的商家。可见,这两者的联系有一定的紧密度,起到相辅相成的作用。

不难看出,这三者是促进云计算发展壮大的源动力,正是具备了一定的宏观条件,云市场的潜在红利吸引了不少玩家的加入,当中就包括IBM。

云界“群魔乱舞”,IBM日子不好过

有相关调研机构表明,2018年全球云计算市场规模达到804亿美元,同比增长46.5%。其中,2018年Q4全球云计算市场规模达到227亿美元,同比增长45.6%。

百亿级别的云市场上,云计算仍然是处于高速增长的状态,而在这增长红利中,IBM所能收入囊中的部分其实相对比较小。毕竟,2013年IBM在收购了云计算服务商SoftLayer后,才快速启动云计算。可以说,它在云计算方面属于一个跟随者。

有数据表明,现有的云市场上,亚马逊AWS是全球的领头羊,占有31.7%的市场份额;微软Azure、谷歌云、阿里云紧接其后,它们的市场份额分别为16.8%、8.5%和4%;而IBM云市场份额从2017年的4.7%下降到2018年的3.8%。

但即便IBM起步较晚,也一直在奋力直追。在2019年一季度中,IBM的云服务销售额为117亿美元,同比增长了10%。而且IBM首席执行官Ginni Rometty曾表示,今年一季度其云收入有所增长,特别是在云计算、认知软件和资讯等关键高价值领域。也就是说,IBM选择云业务的方向是正确的,只不过其成长的速度追不上云市场的变化。

不可否认,现有的全球云服务市场竞争格局是比较难以撼动的。从新开设的超大规模数据中心的数量上看,亚马逊和谷歌新增的超大规模数据中心占总数的一半以上。在某种程度上,数据中心的建设代表着云服务商的云计算能力以及云业务增长的情况,这在它们的营收规模上也都表现出来了。

而IBM与其他云服务商的差距更多在于它们对云计算的理解。

亚马逊的云业务致力于满足电商商家的托管需求;微软的云计算路线走的是“软件+服务”;谷歌更多强调的是通过云计算对用户提供优质的服务;阿里云计算的价值在于通过移动化与云计算的结合来实现IT服务的“在线化”。

对比来看,由于IBM的主要业务是售卖硬件设备,它对云计算的理解自然靠向硬件方向,因为对于硬件厂商来说,其服务上的优势并不大。但从它们的发展情况来看,侧重点在服务上的云玩家所获的业绩会更好,也就是说,云计算更看重的是服务。

由此可见,IBM在云界的日子并不好过,而在不久前,它以340亿美元收购红帽,那么这样的做法是否物超所值呢?

收购红帽是个“划算”的生意?

作为全球最具影响力的开源软件公司,红帽的商业模式就是通过免费的代码共享向客户提供技术服务并收取一定的服务费。目前,红帽产品涉及到云计算、存储、虚拟化、中间件和操作系统这五大技术领域。

而且红帽具有稳定的现金流,其2019财年第四季度总营收为8.79亿美元,比去年同期增长了14%,已经连续68个季度实现营收增长。IBM正是看好红帽的商业模式,所以红帽被收购后仍可保持原有的品牌,以一个单独的部门运作,而它在技术和资源上的优势要接入到IBM中,为IBM的云业务发展提供最大化的支持。

就此来说,红帽的技术与商业价值对IBM而言有很好的辅助作用,因为IBM在转型的路上,能与其他云服务商对抗的核心竞争价值比较缺乏,而红帽正好能为其提供这样的价值。

另外在云计算领域,红帽的Linux是较为领先的操作系统,受到了不少企业的认可。而IBM收购红帽后,就可为其市场、业务的扩展带来现成的好处。

不得不说,这确实是IBM打入混合云的好机会,但从IBM的2019年Q1财报上看,红帽并没有发挥出很大的威力。

IBM一季度云业务的营收其实分散在全球商业服务、云计算和认知软件、全球技术服务中。具体来说,其全球商业服务(包括咨询、应用管理和全球流程服务)营收为41.2亿美元,基本持平;云计算和认知软件(包括认知应用、云计算和数据平台以及交易处理平台)营收为50.4亿美元,同比下降了1.5%;全球技术服务(包括基础设施、云计算服务以及技术支持服务)营收为68.8亿美元,同比下降7%。

很明显,这些业务的营收增速不是持平就是下降,从某个角度来说,IBM想要借助红帽来推动云业务发展的目标尚未实现。

就目前情况而言,IBM收购红帽是个冒险的生意。

一方面,当时的IBM市值只有1100亿美元,红帽的收购估值已经占了总体量的1/3左右,而2019年一季度的净利润只有15.9亿美元,较去年同期的16.8亿美元下滑了5%,如此来说,何时回本还是个未知数。另一方面,IBM与红帽如果不能很好的结合,从而发挥最大作用,这其实就是个很大的隐患。

但如果IBM在服务领域下功夫,再与红帽的技术和资源结合发力,或许长期看来,这就是个划算的生意,搞不好IBM也有可能因此抢占更多的云市场份额。

文/刘旷公众号,ID:liukuang110,本文首发旷创投网

转载于:https://juejin.im/post/5cc93b805188254195684d13

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值