近日戴尔公布了对下一季度的谨慎展望,使得公司股价在盘后交易中出现小幅下跌。
此前戴尔公布了最新财报,结果盈利实现强劲增长,以创纪录的收入结束了该财年。戴尔在第四季度的净收入为6.06亿美元,高于去年同期亏损2900万美元。在不计入股票补偿等特定成本之后的每股收益为1.80美元。收入下滑11%,至250亿美元。
这一结果不错,此前华尔街分析师预期的每股收益仅为1.64美元,收入为234亿美元。整个2023财年来看,戴尔实现了24.2亿美元的净收入,收入达到创纪录的1023亿美元,比上一年增长1%,全年收益达到每股7.61美元。
戴尔还透露,现年63岁的首席财务官Tom Sweet将在第二季度末退休,届时将由现任公司财务总监Yvonne McGill接任。

戴尔联席首席运营官Chuck Whitten(如图)在一份声明中表示,尽管环境充满挑战,戴尔仍然在2023财年实现了创纪录的股价增长,展现出了强劲的盈利能力。他说:“长期趋势对我们有利,因为数据呈现指数级的增长,我们将继续帮助客户应对混合办公、多云和边缘计算的复杂性。”
市场研究公司Wikibon首席分析师Dave Vellante表示,戴尔在充满挑战的宏观环境中表现出色,超出了华尔街预期的水平,这令很多人感到惊讶,展现了戴尔拥有如此庞大的投资组合的优势。
Vellante说:“当远程办公是主旋律的时候,戴尔的PC业务呈现出蓬勃发展的态势。随着经济封锁结束,ISG业务也开始有所回升,在PC需求大幅下降的时候反而成为推动利润的一大因素。”
戴尔的基础设施解决方案集团收入增长了7%,达到99亿美元,其中服务器和网络收入增长了5%,达到49亿美元,存储收入增长至50亿美元,比去年同期增长了10%。总体来看,ISG全年收入达到创纪录的384亿美元,增长12%。
Vellante说:“存储业务的表现令人感到鼓舞,这部分业务的利润率更高一些,而接下来服务器业务将受益于16G的产品更新周期。”
基础设施业务的强劲表现,帮助戴尔抵消了客户端解决方案部门(包括个人电脑和笔记本电脑)的疲软。该业务受到借贷成本上升和支出减少的沉重打击,消费者和企业都避免在新计算机硬件进行重大投资。因此,该业务的收入较去年同期下滑了23%,为134亿美元。其中,商业收入下滑17%,至107亿美元,消费级收入下降40%,为27亿美元。全年来看,该业务的销售额为582亿美元,同比下降5%。
Vellante补充说:“我希望看到他们的长期增长模式能够稍微再高一点,达到5%到6%的范围——但这需要个人电脑业务的增长和电信等新业务线的参与才能做到这一点。总的来说,戴尔正在证明它可以成功执行一项以硬件为主但又依赖于供应链效率、客户信任和严格财务纪律的战略。”
Constellation Research分析师Holger Mueller对此表示认同,称鉴于PC市场遭受的经济逆势和疫情后遗症,戴尔能把收入保持在1000亿美元以上已经是表现非常出色了。
Mueller说:“更深入的观察表明,增长确实来自戴尔的服务,这些服务展现出弹性和盈利能力。戴尔在增加研发的同时降低了销售和其他成本,这是在运营成本方面做出了一项正确的策略,从而提高了全年的毛利率。但是,戴尔债务利率更高导致这些利润率被吞噬,意味着戴尔比以前规模更大,但盈利能力却有所降低。所以现在的问题是,迈克尔戴尔本人和团队能否在控制债务的同时加速增长?第一季度的表现也许能够有助于回答这个问题。”
戴尔可能会前路艰难。Sweet在电话会议上表示,戴尔开始看到企业支出有明显的放缓,因此戴尔第一季度收入将比去年同期减少15%至21%。
这一预测不是投资者想听到的。戴尔的股票在收益报告首次发布后的几分钟内上涨了6%以上,然后下跌了3%多。
戴尔已经在采取措施渡过难关了。今年2月初,戴尔宣布裁员6000多人,以削减成本,该季度的相关费用为3.67亿美元。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。