目前,微软Office 365已经拥有超过8500万用户,其中包括各种规模的企业和组织。然而,部分用户可能会对Office 365有些意见,这背后的原因究竟是什么?
相信很多Office 365用户都有着不错的使用体验。而我们Riverbed,目前则拥有一款被微软称为混合云解决方案的产品,它支持扩展SharePoint部署、OneDrive、商用Skype以及Office 365中运行其他应用等功能。Exchange目前仍采用本地运行方式,但很快就会迁移至Exchange Online。虽然Office的核心组件(Word,PowerPoint等)还在很多人的笔记本电脑上运行着,但大家显然已经有了另外一种选择,即使用它的云版本以及一些偶尔会用到的其它应用。
尽管出发点不错,但某些IT部门从本地部署Office应用过渡至云Office 365的过程并不顺利。很多方面都会出错,结果导致用户满意度下降。
不能与生产力混为一谈
一般来说,用户不满意的原因是某些应用让他们的工作变得更复杂了。 下面就是几个例子:
这一切可以归结为终端用户生产力。打破它,你就会遇到各类问题,管理层也会为之侧目。
以下为IT组织在过渡至Office 365时可能遇到的三大陷阱,这些问题可能影响生产力。然后让我们一起来看看如何避免。
陷阱一:规划不周
这并不是说一定要在规划阶段花费多少时间。但是一定要了解在制定Office 365过渡计划时需要考虑哪些问题。正所谓:“防患于未然”。
微软为您提供了包括采用方法、项目模板、使用场景以及指导性规划等在内的各类资源。 Riverbed则可以帮您进行网络规划。
陷阱二:不掌握终端用户的使用情况
这一陷阱涉及两方面。首先,IT团队过于专注于实施细节而忽略了终端用户。在项目规划中设定指标,评估过渡前后终端用户的应用体验以及在产品熟悉过程中的用户满意度有助于解决这方面的问题。
其次是没有能力从终端用户的角度来评估应用性能。这里包括是否有能力测定从点击到相应的页面更新所耗费的时间。
借助Riverbed,IT部门就能轻松监测每一个终端用户使用各种应用的体验情况。它可以设置和监视可接受服务等级的阈值,以便在影响用户使用之前发现性能问题。这些问题可以与设备、网络或服务器(云)隔离,IT可据此确定故障排除的方向。
陷阱三:低估网络需求
某些无法预见的问题会成为项目经理的噩梦。这些问题可导致进度延迟、预算超标。网络问题可能是“黑暗中的怪兽”。
《Gartner:面向Office 365的网络设计最佳实践》(2016年8月)一文中指出:“我们预测,到2019年,全球规模的Office 365部署中超过一半将会遇到与网络有关的性能问题。”
这是因为与SaaS应用相关的网络流量模式与在本地运行的应用截然不同。原先容量充足且与Office 365 云相连接的企业网络在任何位置都可能出现瓶颈。另一个问题是终端用户和云之间的较长网络路径导致响应时间缓慢(高延迟)。 建议您阅读上面提到的Gartner那份研究报告,了解有关这些问题的更多信息及防范措施。
Riverbed可以帮助IT改善网络性能,多管齐下提高Office 365应用性能:
总结
避开上述三个陷阱,可以确保Office 365项目的成功实施,消除问题,获得满意的终端用户体验。面向Office 365的解决方案现已内置在Riverbed Application Performance Platform™中,其中为您提供了多种工具,助您打造新的灵活运营模式,将应用性能转化为竞争优势。
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。