小米財報:業績遠超預期,汽車推著手機跑!

隨著一季度財報陸續出爐,企業間的分化越來越明顯。

新環境下,很多公司都陷入停滯時,去討論“掉隊”已經沒有多少意義,現在真正值得我們關注的,是那些在逆風情況下,還能“領先”的企業。毫無疑問,小米正是其中之一。

2024年5月23日,小米的Q1業績公告發布,數據顯示,第一季度小米營收755億人民幣,同比增長27%,經調整凈利潤達65億元,更是暴漲了100.8%。這份數據不但遠超市場預期,而且創下了單季度的歷史增長最高記錄。

需要注意的是,小米SU7是在一季度末的3月28日才正式上市,所以這份成績單,主要還是小米公司的“老三樣”完成,即智能手機、互聯網和IoT與生活消費品業務。

以手機為例,今年一季度,小米手機出貨量超過4000萬臺,穩居世界第三,同比增長33.7%,遠超全球9.8%的平均增長率。小米全球戰略繼續推進,在中東、拉美、非洲、東南亞等市場均保持穩定增長。據Canalys數據,小米出貨量已經在56個市場進入前三,67個市場躋身前五。

IoT與生活消費品業務上,小米收入增長21%至204億,毛利率19.9%,創下歷史新高。平板出貨量增長93%,TWS耳機出貨量全國第一,在全球市場首次超過三星,排名升至第二。另外,小米互聯網收入增長14.5%達到80億,境外收入達25億,也雙雙創下歷史新高。

而在小米業務全面增長的另一面,正是其高端化戰略成效的不斷彰顯。

今年2月,小米14 Ultra面世,作為小米旗艦機中的旗艦機,14 Ultra的軟硬素質相當亮眼,其中最大的賣點體現在影像條件上。自小米與徠卡達成戰略合作以來,小米手機在影像硬件上可謂遙遙領先,有媒體曾估計,其產品性能在行業內具備20個月的領先優勢。

在這里插入圖片描述

這促使小米在產品宣傳語言上,一改過去主打性價比的話語體系,轉為高感知、差異化的高端型產品宣導模式。具體來說,小米強調14 Ultra采用了徠卡Summilux旗艦雙長焦,擁有更高動態范圍、更大進光量和更出色的微距表現,單單是進光量,小米14 Ultra就超過蘋果一倍。這種對于影像技術的極致追求,成為14 Ultra在高端市場區別同行的最大殺器。

如果說性價比路線講究的是無差別堆料,做出最平均的水桶,那么現在小米謀求的是優中選精,確保有一項或幾項性能,成為行業最領先的標桿。

從市場反饋來看,小米14 Ultra帶來的高端突破是立竿見影的。

盧偉冰之前曾透露,作為小米旗艦機的首次全球同步上市,14 Ultra在歐洲市場的銷量相比前代翻了3番,并且帶動小米14的銷量同比增長了6倍。值得一提的是,14 Ultra的歐洲售價高達1499歐元,約人民幣1.2萬元,幾乎是國內價格的兩倍。但很明顯,高價并沒有阻擋海外米粉的熱情,這從側面證明了海外市場對小米品牌高端化的認可與支持。

實際上,去年小米14在國內上市的場面一樣火爆,首銷10天的總銷量就高達144.74萬臺, 超過了之前小米13一個季度的銷量。開售5分鐘,小米14的首銷銷量更是達到了上代的6倍。

據第三方數據,今年一季度,小米手機在大陸3000元以上的高端智能手機市占率來到21.7%,同比增長1.4%,而在5000到6000的價位市占率,也達到了10.1%,同比大漲了5.8%。

而小米并不打算止步于此,對6000元往上的蘋果“固有疆域”,小米同樣在積極準備,銳意進取。盧偉冰在這次的財報電話會上,就明確表示:“下一步最重要的就是6000元到1萬元手機價格段的突破,接下來大家也會看到我們的動作。”

在這里插入圖片描述

小米自2020年開啟高端化戰略以來,我們可以清晰地看到,它并非僅限于手機業務的提升,止步于紅米與小米手機的拆分,而是整個集團品牌形象再定位與再塑造。

在這個大戰略下,手機是重要支柱,而其他業務的高端化一樣可圈可點。以IoT設備和生活消費品來說,一方面是毛利率連續上漲,另一方面是數量的繼續擴張。

截止一季度末,小米平臺已連接的IoT設備(不包括手機、平板及筆記本)達到7.86億,同比增長27.2%,擁有5件及以上設備的用戶達到了1520萬,同比增長了24.2%。冰箱、空調、洗衣機這三大件,在一季度分別出貨53萬臺、69萬臺和36萬臺,同比增長都接近或超過50%。

另外,從去年開始,小米電視聚焦75、86和98英寸等巨幕高端產品推廣,同時推動Mini LED等技術的配備,謀求從“量”到“利”的轉變。

而不止這些具體產品,科技公司的DNA,決定了小米高端化必然是更基礎、“基因”層面顛覆性變革。所以去年10月有了澎湃OS的橫空出世,7年時間5000名工程師的全力投入,終于創造出了小米全生態的根本核心。

在科技行業,獨特生態與品牌高端化往往是互為表里。以最典型的蘋果為例,IOS系統一方面充當護城河,保證了蘋果產品的特殊競爭力,另一方面,這構建了蘋果與其他產品的差異性,為消費者提供了技術身份認同,從而確立蘋果時尚、科技、前沿的品牌調性。然后以這些特點為賣點,最終通往一條高端化的康莊大道。

小米澎湃OS所承擔的任務與之類似。澎湃OS貫穿了內核層、服務框架層、系統服務能力層3個層級,使小米能夠挖掘更多底層能力,來提升用戶體驗、風控安全和獲客效果。通過自研系統打造真正出獨特的小米生態,給用戶提供極致體驗,讓小米邁向高端的說服力更足,步伐更穩。

最后必須要提到一點的是,一季度末上市的小米SU7,正在為小米人車家全生態補上最后一塊拼圖。同時作為單價最高的大件商品,汽車先天就具備高端化的基因,也可以成為小米品牌向上提升的重要動力。
在這里插入圖片描述

在首戰即決戰的新能源汽車行業,小米SU7不負眾望,上市即成爆款,而且所取得的成績遠超預期。

從4月3日首次交付起,4月份已完成交付7058臺,截止4月30日,鎖單量更是高達88063輛。記者了解到,2024年全年,小米將沖擊12萬輛的新車交付目標,汽車工廠將在6月開啟雙班,全力擴充產品,單月新車交付預計將突破1萬,小米造車潛力十足。

有意思的是,三個版本里價格最高的Max在訂單中占比最高,超過40%,這進一步印證了小米高端化戰略的成效與潛力。

面向競爭更加激烈的未來,小米更有十二分的底氣,過去多年的積累,給公司帶來了非常充足的彈藥。一季度財報顯示,小米現金儲備高達1273億元,即便是在新能源造車如此高度內卷的行業中,小米一樣有信心可以應對各種市場波動和極端情況。

2023年的年度演講中,雷軍曾提出:“高端是小米發展的必由之路,更是生死之戰”。

或許正是在這樣強烈的憂患意識地驅使下,小米高端化得以加速推進。而隨著這種高端化獲得更多人的認可和支持,消費市場上也必然會涌現出更多的創新需求和換新潛力。有理由相信,小米手機、汽車等業務都會進入一個新的快速增長通道。

所以,雷軍請繼續努力,繼續加油!

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/bicheng/15428.shtml
繁體地址,請注明出處:http://hk.pswp.cn/bicheng/15428.shtml
英文地址,請注明出處:http://en.pswp.cn/bicheng/15428.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

ES集群性能優化參考建議

Elasticsearch(ES)集群性能優化是一個多方面的任務,涉及硬件、配置、查詢優化等多個方面。以下是一些建議,幫助你優化Elasticsearch集群的性能: 1. 硬件優化 內存:確保分配給Elasticsearch的內存足夠大&a…

C++|設計模式(三)|抽象工廠模式

抽象工廠模式仍然屬于創建型模式,我們在【簡單工廠和工廠方法模式】這篇文章中,描述了簡單工廠和工廠方法模式,并在文末,簡單介紹了工廠方法模式的局限性。 本文將通過汽車工廠的例子繼續來闡述使用抽象工廠模式相比較于工廠方法…

Linux修煉之路之馮系結構,操作系統

目錄 一:馮諾依曼體系結構 1.五大組件 2.存儲器存在的意義 3.幾個問題 二:操作系統 接下來的日子會順順利利,萬事勝意,生活明朗-----------林辭憂 一:馮諾依曼體系結構 我們當代的計算機的基本構成都是由馮諾依曼…

Kubernetes 容器編排

應用程序部署演變 主要有三個演變: 傳統部署:互聯網早期,會直接將應用程序部署在物理機上 優點:簡單,不需要其它技術的參與 缺點:不能為應用程序定義資源使用邊界,很難合理地分配計算資源&…

【開源】多語言大型語言模型的革新:百億參數模型超越千億參數性能

大型人工智能模型,尤其是那些擁有千億參數的模型,因其出色的商業應用表現而受到市場的青睞。但是,直接通過API使用這些模型可能會帶來數據泄露的風險,尤其是當模型提供商如OpenAI等可能涉及數據隱私問題時。私有部署雖然是一個解決…

PY32F003+RTL8710(AT) 實現獲取天氣情況

一、RTL8710主要AT指令 1、ATSR:模塊重啟 2、ATSE1:開啟回顯 3、ATPW1:station模式 4、ATPNssid,password,,:連接到AP 5、ATPK1:設置自動接收 6、ATPC0,v1.yiketianqi.com,80:與網站建立TCP連接 7、ATPT125…

關于pytorch加載模型報錯問題

load_net[“params”] 報keyerror 加載模型后查看對應參數是什么 model2 torch.load(m1_path "xxx.pth") print(model1.keys())若輸出如下: 已經有相應參數不需要執行 load_net[“params”]若輸出如下 則需要load_net[“params”]

Linux-命令上

at是一次性的任務,crond是循環的定時任務 如果 cron.allow 文件存在,只有在文件中出現其登錄名稱的用戶可以使用 crontab 命令。root 用戶的登錄名必須出現在 cron.allow 文件中,如果這個文件存在的話。系統管理員可以明確的停止一個用戶&am…

3D 生成重建014-Bidiff使用二維和三維先驗的雙向擴散

3D 生成重建014-Bidiff使用二維和三維先驗的雙向擴散 文章目錄 0 論文工作1 論文方法2 效果 0 論文工作 大多數三維生成研究集中在將二維基礎模型向上投影到三維空間中,要么通過最小化二維評分蒸餾采樣(SDS)損失,要么通過對多視圖…

判斷變量是否為數組的幾種方法

1、isArray 方法 isArray() 方法用于判斷一個對象是否為數組。如果對象是數組返回 true,否則返回 false。 Array.isArray(arr); // true 1 2、對象原型 通過原型鏈判斷是否具有和數組同一原型鏈的頂端。 arr.__proto__ Array.prototype; // true 1 3、instanceof…

[數據結構] -- 雙向循環鏈表

🌈 個人主頁:白子寰 🔥 分類專欄:C打怪之路,python從入門到精通,數據結構,C語言,C語言題集👈 希望得到您的訂閱和支持~ 💡 堅持創作博文(平均質量分82)&#…

一文理清database/sql包的使用場景和宕機查詢流程

一文理清database/sql包你可能遇到的問題 那么database/sql包實現了什么功能呢?建立數據庫連接檢測連接是否能ping通通過連接進行具體的sql查詢查詢完將連接進行關閉當數據庫宕掉重啟后再次查詢 database/sql包創建的db連接 對于數據庫宕掉后重啟是否仍然有效&#…

AI繪畫工具:創意與技術的完美融合

隨著人工智能技術的飛速發展,我們見證了無數領域的革新與變革。其中,AI繪畫工具的出現,無疑為藝術界帶來了一股清新的風潮。這些工具以其獨特的魅力,吸引了無數藝術家和創意人士的目光,成為他們表達自我、探索未知的重…

Compose在xml中使用滑動沖突處理

一、背景 在現有Android項目中使用Compose可能存在滑動沖突問題,例如 SmartRefreshLayoutCoordinatorLayoutComposeView(ComposeView這里又是一個LazyColumn) 二、解決方案 官方介紹:https://developer.android.google.cn/develop/ui/compose/touch-inp…

huggingface 筆記:device_map

1 基本映射方法 設計設備映射時,可以讓Accelerate庫來處理設備映射的計算通過設置device_map為支持的選項之一("auto"、 "balanced"、 "balanced_low_0"、 "sequential");或者如果想更精…

golang的context和chan 的使用

1. context 作用 context包的context的接口,主要是控制協程執行上下文的時間,以及取消程序的執行,以及上下文中傳遞數據等作用,golang中耗時或者需要協同的操作都會見到context的身影。 context有幾個常用的方法 1.1 context.B…

用爬山算法解決離散的優化問題

爬山算法,也稱為梯度上升算法或局部搜索算法,是一種簡單有效的優化算法,常用于解決連續或離散的優化問題。爬山算法的基本思想是從一個隨機的初始點開始,通過迭代地向局部最優的方向移動,逐步逼近全局最優解。 爬山算…

git管理Codeup云效平臺

HTTPS方式實現Git命令 1.進入項目路徑,如 cd demo,與此同時,在Codeup平臺創建一個空倉庫repo,獲取空倉庫的https協議地址,例如 https://codeup.aliyun.com/xxxx/xxxx/xxx.git。 2.在demo項目下執行 git init命令初始化…

從反向傳播(BP)到BPTT:詳細數學推導【原理理解】

從反向傳播到BPTT:詳細推導與問題解析 在本文中,我們將從反向傳播算法開始,詳細推導出反向傳播通過時間(Backpropagation Through Time, BPTT)算法。重點討論BPTT中的梯度消失和梯度爆炸問題,并解釋如何解…

采用LoRA方法微調llama3大語言模型

文章目錄 前言一、Llama3模型簡介1.下載llama3源碼到linux服務器2.安裝依賴3.測試預訓練模型Meta-Llama-3-8B4.測試指令微調模型Meta-Llama3-8B-Instruct5.小結 二、LoRA微調Llama31.引入庫2.編寫配置文件3.LoRA訓練的產物 三、測試新模型效果1.編寫配置文件2.運行配置文件&…