联想变阵记:不断调整策略架构能否助联想摆脱困局?



文章经授权转载自新浪科技(ID:techsina




多事之秋,联想集团再次宣布变阵。

  

这似乎已不是新闻。在过往5年中,这家有着30多年历史的老牌科技巨头以“一年一变”甚至“一年多变”的节奏不断调整着策略及架构。

  

按照CEO杨元庆的最新规划,PC和手机业务将整合成智能设备业务集团,未来与原数据中心业务集团协同发力“智能设备+云”和“基础设施+云”。

  

PC与手机,是谈论联想时绕不开的话题:前者是其成就辉煌的根基,后者则是其不愿提及的伤痛。

  

不久前,杨元庆在接受采访时坦言:“手机业务在此前发展中存在一些失误,包括在判断客户需求和切换品牌策略上。

  

时至今日,联想将两者整合,亦在迎接智能变革时代的挑战。这一次,联想能否摆脱困局,杨元庆又能否彻底完善组织架构呢?


杨元庆


走马换将


“面临机遇而变阵,遭遇挑战而换帅”,有人曾用此番话语点评联想高层变动。


近些年,联想内部人事任命确实有些频繁。

  

2013年,杨元庆发内部信称,联想分拆为Lenovo业务集团和Think业务集团,前者包含联想电脑和原移动业务。那时,刘军不仅负责手机,同时还负责PC业务,外界将其称为联想二号人物。

  

2014年,联想宣布计划以约23亿美元收购IBM X86服务器业务。消息传出后,其组织架构和高管团队随之调整:两大业务集团拆为四大独立业务集团,即PC业务、移动业务、企业级业务和云服务业务。刘军从Lenovo业务集团转向移动业务,主抓手机、平板电脑和智能电视。

  

2015年,杨元庆将集团业务收缩为“三大引擎”,包括个人电脑业务、企业级业务和移动业务。同年6月,联想高层发生剧变,刘军离开原来的岗位,其职务由陈旭东接替。

  

2016年,联想的变阵更加频繁。


1月初,联想移动业务中国区人事变更,陈旭东挂帅联想移动业务中国区总经理;


3月初,联想从“三大引擎”再次变更为四大集团,即个人电脑与智能设备集团(PCSD)、移动业务集团(MBG)、数据中心业务集团(DCG)、联想创投集团(LCIG)。


11月,联想再次公布人事调整:陈旭东负责联想全球服务业务,总裁兼COO兰奇直接负责PCSD,高级副总裁乔健负责MBG,高级副总裁贺志强负责LCIG。

  

2017年,杨元庆宣布,将联想中国区重组为PCSD和DCG。同时,刘军回归,担任集团执行副总裁兼中国区总裁,领导中国平台及中国区PCSD业务,向兰奇汇报;童夫尧担任集团高级副总裁兼中国区总裁,负责DCG中国的端到端业务以及全球超大规模数据中心业务,向DCG业务总裁柯克·施浩德汇报。


2018年5月,联想PCSD和MBG将整合成智能设备业务集团(IDG),与DCG协同发力“智能设备+云”和“基础设施+云”。


对于频繁换阵,外界持有两派观点:

  

一方认为,在联想业务下滑的过程中,集团多次调整架构来挽救业务,急于求成且缺少耐心。


另一方则认为,市场变化万千,只有不断调整策略才能止损甚至抢占先机。两者相比,明显前者的反响更加强烈。

  

独立分析师邹明宇指出,任何一家企业的战略与执行,多以3年为一个周期,3年左右可鉴定战略成效。多次变阵的原因可能有两个:一方面是领导者对此前策略的判断存在偏差,另一方面或许是内部人员构成混乱,这些均不利于企业长远发展。


联想集团近5年股价走势


资本遇冷


除组织架构变更外,联想集团在股市中的表现更令人担忧。

  

5月4日,联想悲喜交加。其刚刚宣布完成对富士通PC业务51%股份的收购,就被剔除出了恒生指数。当天,香港恒生指数发布公告,联想集团将被剔除,取而代之的是石药集团,该变动将于6月4日起生效。

  

自从2013年3月被纳入恒生指数以来,联想集团股价已经下跌了56%。在彭博社统计的171只全球科技股中,联想集团表现最差。据计算,在过去10年间被踢出恒生指数的股票,在被取消资格之前,股价平均下滑为48%。

  

然而,这并非联想首次被踢出恒生指数。早在2000年,联想首次加入恒生指数;2006年,联想被踢出;2013年,再次加入。

  

近期,联想集团股票下跌至2009年10月以来最低水平,美国对中国部分企业的禁令,加剧了投资者对于中国科技板块的担忧。

  

据IHS Markit Ltd数据显示,在恒生指数成份股中,该股是被做空程度最高的个股之一:13.8%的流通股被借贷给了卖空者,若遭剔除可能引发更多卖出。

  

当天,联想集团回应称,尊重恒生指数的审核结果,但特别关注公司的持续转型,以及为股东带来可持续的长期回报,“我们认为,恒生指数的审核结果,并不会对我们的股票表现产生长期的实质影响。


IDC 2017年全球PC出货量排名


盈利诉求


光大新鸿基策略师认为,联想股票下跌的重要原因在于,无论是智能手机业务,还是保持电脑业务的市场份额,“联想在所有关键领域都有麻烦”。

  

就PC业务而言,联想从2013年三季度开始,连续14个季度力压惠普,保持全球PC出货量第一的纪录。


但是,去年4月,IDC公布全球PC市场出货量时显示,惠普以1.4%的优势将联想超越。一时间,联想业务导向不明、PC市场处境艰难等质疑声此起彼伏。外界普遍认为,PC不再是必需品,疲软挣扎和下滑的趋势在所难免。


当时,联想中国区总裁童夫尧指出,PC市场的萎缩态势已是不争的事实,但其依旧是片蓝海,细分市场仍是生机勃勃,这一现象也代表了广大中国客户的新需求。


让联想更加苦恼的则是手机业务。尤其在中国市场,联想虽力邀行业顶尖人才加盟,组建精英团队,试图重振。但从近三年的销量看,联想手机早已跌出前八阵营。


“战略对业务影响很大”,杨元庆坦言,联想曾对手机品牌进行整合,该过程中存在难度,在切换品牌方面准备并不充分。同时,手机市场也发生着巨大的变化。


杨元庆说,通过多次复牌后,战略已愈发清晰,联想有能力做好手机业务。“但在短时间内,并不是在这个业务上追求增长和市场份额,而是先让手机业务恢复健康”。就目前来看,有更值得去投资的新方向,例如新的智能设备等,“所以,大的战略是让手机业务先回到盈利性的步调上,这是我们对手机业务的基本诉求”。


业绩回升


庆幸的是,在近期公布的财报中,联想开始回到了增长轨道上。

  

根据联想2017/2018财年第三季度财报显示,集团总营收约130亿美元,创下了过去三年来单季新高并直逼历史最好水平;同时,第三财季的税前利润达到了1.5亿美元,同比增48%,这也是联想最近5个季度以来,首次实现税前利润的年比年同比增长。


联想方面发布公告称,联想在以“设备+云”和“基础设施+云”为智能变革方向上,取得了阶段性进展,来自软件和服务的非设备营业额达到4.08亿美元,同比增长近9%。面对即将到来的智能物联时代,联想正全面布局智能物联市场,构建开放的智能生态。

  

同时,联想开始了新零售转型。联想新零售天禧传奇公司CEO周铭告诉记者,联想将要打造5家科技概念店;通过20家直营店打造模型,升级150家4S店进入体系;3年时间,联想要建立布局全国的千家加盟店面体系;搭建5000家智能无人售货柜。

  

邹明宇指出,当今联想面临的问题,是很多传统企业存在的通病。以手机业务为例,无论是惠普还是微软,都曾进军移动领域,成功者寥寥;在PC行业中,戴尔和惠普亦面临着经营压力。所以,正在向智能创新业务转型的联想,虽很难一蹴而就,但仍有希望崛起,“大船难掉头,不要一味唱空,转型需要时间和包容”。



END

以上文章为转载不代表本报观点


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有忆功能,能够捕捉数据中的时间依赖性。 5. **长短期忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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