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
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
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。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
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。