Scale Computing点评:HPE收购SimpliVity就像是“独角兽烧烤”

简介:

近日,Scale Computing联合创始人、首席执行官Jeff Ready接受采访,谈了他自己对HPE收购SimpliVity的看法,以及这对HPE、对超融合基础设施(HCI)市场以及对Scale Computing意味着什么。

来看看你是否认同他对Scale在超融合基础设施市场定位比HPE更好的想法。

问:超融合基础设施市场是如何起步的?

Jeff Ready:Scale、Nutanix和SimpliVity在2012年的VMworld大会上发布了超融合基础设施产品,其中只有Scale现在仍然是私有的、独立的、并处于盈利的状态。

问:你是如何评价HPE收购SimpliVity的?

Jeff Ready:我认为评论SimpliVity销售的最好方式,就是要指出他们以这么低的价格进行销售实际上自毁一家独角兽公司。当你1、构建一家依赖于竞争对手的公司,2、业务模式没有真正通向盈利的途径,3、产品和产品定价针对错误的客户群,4、没有密切关注市场的需求,那么你这个独角兽就会变成其他科技巨兽可口的食物。

问:在这方面VMware怎样?

Jeff Ready:HPE现在有一个来自竞争对手的纯VMware解决方案。我认为其价值反映了SimpliVity完全依赖于VMware做任何事情,VMware现在相当于HPE的直接竞争对手。

问:你是怎么看待SimpliVity收购案的背景的?

Jeff Ready:它在找资金,但是没有找到,所以这是它的唯一选择,他们的运营率反映了Nutanix的情况。这进一步证明HCI还有生存的空间。HPE丢掉市场份额被HCI厂商获得,在这个市场没有明显的吸引力。

遗憾的是,HPE似乎已经错过了HCI——一种完全集成的堆栈——的真正价值。戴尔通过收购EMC/VMware获得这种堆栈;他们当然不是为了收购传统的Clarion业务!所以戴尔有一个可以从应用一直到底层硬件运行的堆栈。Scale Computing也拥有这种堆栈。HP以前没有这种堆栈,现在仍然没有,他们依赖于VMware。

问:不过SimpliVity确实有它自己的技术。

Jeff Ready:HPE很重视SimpliVity所拥有的重复数据删除技术,这是一项不错的技术。它可以用于加载到每个服务器上的硬件卡,所以灵活性是有局限的。但此外,现在投资重复数据删除技术的时机非常不好。例如像3D XPoint这样的下一代存储硬件正在带给我们像32TB闪存驱动器这样的技术。既然如此,我们为什么还要在加大容量的时候对一个小小的驱动器进行重复数据删除呢?

问:好吧。那么你是怎么看Scale Computing的成长的?

Jeff Ready:我们有很好的渠道机会,带给合作伙伴高利润,同时为他们的最终客户降低总拥有成本。消除VMware堆栈是关键,Scale拥有HCI最多的非VMware客户(客户群100%都是非VMware的)。客户看到了完全集成的价值,合作伙伴也可以从中受益。我不确定HPE是否能够通过这次收购取得任何进展。

评论

Scale谈到了非VMware堆栈,但它并不是唯一一家。HyperGrid(也就是以前的GridStore)的HCI一体机专注于Hyper-V,并且打算提供HCIA即服务。Nutanix也有一个非VMware堆栈——Acropolis。

Scale还称自己仍然是私有的、独立的、盈利的。不过我们现在还无法验证他们的销售业绩或者底线优势。

Dell-EMC是一家私有公司,拥有VMware并且已经是盈利的。作为一家非VMware堆栈的公司,Scale并不与拥有VxRail/VSAN的Dell-EMC直接竞争,这意味着不会被后者直接碾压。

我们可以把Scale与Nutanix和SimpliVity区分开并独立出来视为一种胜利或者一种失败。Nutanix已经IPO了,目前领跑超融合市场。SimpliVity已经被HPE以6.5亿美元收购。现在HCI领域的三大领先者其中有两家都已经找到了支持者,而Scale却没有。

我们认为创建于2007年的Scale已经在大约6轮融资中获得了6000万美元融资,最近一次是在2015年,而且Hewlett Packard Ventures(HPE的孵化器)是投资者之一。

Scale未来如何发展下去?我们认为它会继续通过渠道向中小企业进行售卖,打造一项类似Barracuda/Datto/Exagrid的业务,以达到1亿多美元的收入规模和盈利水平。

如果它继续保持渠道策略,开发适合中小企业的套件,随着HCI大潮的不断涌来,理论上Scale Computing是会发展地越来越好。生活往往并不是那么简单的。



原文发布时间为: 2017年1月27日

本文作者:高玉娴 

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。

相关文章
|
机器学习/深度学习 数据可视化 数据挖掘
Python时间序列分析库介绍:statsmodels、tslearn、tssearch、tsfresh
时间序列分析在金融和医疗保健等领域至关重要,在这些领域,理解随时间变化的数据模式至关重要。在本文中,我们将介绍四个主要的Python库——statmodels、tslearn、tssearch和tsfresh——每个库都针对时间序列分析的不同方面进行了定制。这些库为从预测到模式识别的任务提供了强大的工具,使它们成为各种应用程序的宝贵资源。
985 3
|
6月前
|
人工智能 自然语言处理 数据可视化
阿里云 Bolt.diy:一键开启全能开发,简单强大零门槛
Bolt.diy是Bolt.new的开源版本,通过自然语言交互简化开发流程,支持全栈开发与二次开发。依托多模态智能调度引擎和主流大模型,实现任务智能匹配、模块化部署及私有模型集成,大幅提升开发效率。平台提供代码自动生成、实时诊断优化与可视化工具,降低开发门槛。体验中发现其简单易用,但存在偶发卡顿问题。总体而言,Bolt.diy是一款高效实用的开发工具,适合新手与企业使用。
306 7
|
Java
Java Character 类详解
`Character` 类是 Java 中的一个封装类,位于 `java.lang` 包中,主要用于处理单个字符。它是一个最终类,提供了多种静态方法来检查和操作字符属性,如判断字符是否为字母、数字或空格,以及转换字符的大小写等。此外,`Character` 类还支持自动装箱和拆箱,简化了 `char` 和 `Character` 之间的转换。以下是一些示例代码,展示了如何使用 `Character` 类的方法来检查字符属性和执行字符转换。掌握 `Character` 类的用法有助于更高效地处理字符数据。
670 2
|
数据采集 分布式计算 OLAP
最佳实践:AnalyticDB在企业级大数据分析中的应用案例
【10月更文挑战第22天】在数字化转型的大潮中,企业对数据的依赖程度越来越高。如何高效地处理和分析海量数据,从中提取有价值的洞察,成为企业竞争力的关键。作为阿里云推出的一款实时OLAP数据库服务,AnalyticDB(ADB)凭借其强大的数据处理能力和亚秒级的查询响应时间,已经在多个行业和业务场景中得到了广泛应用。本文将从个人的角度出发,分享多个成功案例,展示AnalyticDB如何助力企业在广告投放效果分析、用户行为追踪、财务报表生成等领域实现高效的数据处理与洞察发现。
1030 0
|
机器学习/深度学习 自然语言处理 搜索推荐
《通义灵码:开启智能新纪元》
在科技飞速发展的时代,人工智能如同璀璨星辰照亮人类前行的道路。通义灵码凭借独特的魅力和强大的功能,成为智能时代的先锋。它汇聚全球顶尖科学家和工程师,采用自然语言处理、知识图谱构建及深度学习等技术,开启未来智能世界大门,为智能客服、医疗、金融、教育和交通等领域带来前所未有的变革与机遇。通义灵码不仅高效准确,还能提供个性化服务,并不断学习进化。面对数据安全、伦理道德等挑战,通义灵码将持续创新,推动社会进步,引领我们走向更加智能的未来。
241 0
|
搜索推荐 程序员
ECHO个人博客主题网页模板
echo个人网站主页源代码 - 适合喜欢极简风、清爽又酷酷的专业程序员风格效果的小伙伴, HTML+CSS+JS纯静态实现
164 1
Each child in a list should have a unique “key“ prop. Check the render method的报错解决
Each child in a list should have a unique “key“ prop. Check the render method的报错解决
|
缓存 资源调度 前端开发
Yarn的安装和使用
【5月更文挑战第5天】**Yarn**是Facebook于2016年推出的快速、可靠的JavaScript包管理器,旨在解决npm的安装速度慢和依赖一致性问题。它通过确定性安装、并行下载和本地缓存提升开发体验。本文介绍了Yarn的基本概念、核心特性、安装步骤、常见问题及其解决方案,并提供了代码示例。Yarn支持工作空间管理、选择性版本安装、自动化脚本等进阶功能,与VSCode、Git和CI工具集成良好,且持续创新,如Yarn 2的PnP模式。掌握Yarn能有效提升前端开发效率和项目安全性。
1053 2
|
Prometheus 监控 Cloud Native
Spring Boot中使用Micrometer进行指标监控
Spring Boot中使用Micrometer进行指标监控
|
机器学习/深度学习 人工智能 自然语言处理
Tacotron2、GST、Glow-TTS、Flow-TTS…你都掌握了吗?一文总结语音合成必备经典模型(四)
Tacotron2、GST、Glow-TTS、Flow-TTS…你都掌握了吗?一文总结语音合成必备经典模型
1874 0