“18个月火速弃用Office!”7年前立的Flag翻车,这家巨头至今未能完全摆脱微软,现任高管:当初预估得太乐观

整理 | 苏宓

出品 | 优快云(ID:优快云news)

作为 PC 行业的软件巨头,微软的 Windows 和 Office 已成各行各业绕不开的基础软件。然而,一些公司曾出于成本、协作方式、使用习惯等原因,一度萌生过“弃用”的念头。但事实证明,基础软件的迁移往往远比想象中复杂得多。

2018 年,欧洲一家民航巨头空客(Airbus)就信心满满地宣布,要摆脱微软的束缚,其计划将 130,000 名员工从 Microsoft Office 办公软件转向 Google Workspace(彼时还叫做 G Suite),并预计使用 18 个月就能完成迁移。

然而,时至今日,据外媒 The Register 报道,Airbus 的“去微软化”之路仍然遥遥无期。理论上,这是一家世界 500 强企业,资金雄厚、人才顶尖,为什么迁移如此困难?这个问题也引发了外界的广泛关注。

图源 Nano Banana

迁移计划:淘汰本地部署的 Office,迈向云端数字化

7 年前,Airbus 时任 CEO Tom Enders 在一份内部备忘录中表示,这一决定将塑造公司的未来,也是企业数字化转型的新阶段。

为此,他们计划把全部员工迁移到 Google 的云端办公与协作工具上,同时淘汰本地部署的 Microsoft Office 软件。

Tom Enders 强调:“我们需要能够积极支持新工作方式的技术,需要现代化的数字工具,使我们能够真正协作,跨团队、跨国界、跨时区工作——真正实现一体化。”

他还表示,选择 G Suite 是一个战略性决定,既是与过去彻底割裂,也确保业务连续性。他还承诺员工将获得充分支持和培训,使得这些操作更加方便实用,同时也能借助 Google 搜索打破信息孤岛。

简单来看,G Suite 是在谷歌提供的订阅服务基础上提供的一套云计算生产力和协作软件工具和软件,最初于 2006 年以 Google Apps for Your Domain 名义推出,2020 年更名为 Google Workspace。

Enders 曾预计,覆盖所有 130,000 名员工的工具迁移工作最多需要 18 个月的时间就能完成。

值得一提的是,当时 Airbus 并非只有谷歌一个选择——理论上,他们完全可以迁移到 Office 365,但不知为何,其最终并未选择微软的云端服务。

Google Workspace 为什么无法完全替代 Office?

回顾当初的计划,Airbus 数字化部门执行副总裁 Catherine Jestin 在接受外媒采访时直言,18 个月的预估真的过于乐观了。

这一决定,如今也让这家公司似乎陷入了两难的局面。

基于过去几年的发展,Airbus 的员工数量已经从 13 万人增长到了 15 万,外媒 The Register 称,虽然这家公司内部超过三分之二的员工已经完全切换到谷歌工具,但仍有相当一部分团队在并行使用微软软件。

为什么“去不掉”微软?原因有很多:

其一,Excel 在处理大型文件时仍具有不可替代的优势。

以 Airbus 财务团队为例,他们的一些电子表格单个文件就包含 2000 万个单元格,远超 Google Sheets 在云端的处理能力。对于需要处理大规模数据、复杂计算和报表的财务系统而言,这是一个难以逾越的技术瓶颈。

换句话说,这不是功能不够,而是数据量过大让云表格力不从心,因此这家公司的财务部门至今仍依赖本地 Excel。

其二,一些团队需要高级文档管理功能。

一些譬如商业、采购和法律团队在合同管理、审批流程中,需要严谨、可审计的“变更追踪”功能。据 The Register 报道,当前 Google Workspace 在这类高级文档/合同追踪功能上的表现尚未达到理想状态。

其三,法规与数据安全的限制。

这一点其实也非常好理解,企业内部的部分机密或保密文档不能存储在云端,这意味着许多工作仍需在本地完成。尽管 Google Workspace 协作体验不错,但在合规性和数据主权方面存在局限,导致迁移无法全面覆盖。

基于以上种种,Airbus 虽然努力地迁移了七年,当前只能维持 “部分使用 Google,部分用 Microsoft” 的混合状态。这不仅导致成本居高不下,而且还带来了各种兼容性问题。

一个本地办公软件、一个云端工具,又所属不同的科技巨头,所以很多员工抱怨称,「文档格式不一致、功能差异、协作冲突,影响了工作效率和协同流程。」

对此,身为高管的 Catherine Jestin 也坦言,“当部分工作在 Google Workspace 中进行,而另一部分在微软工具中进行时,就会出现兼容性问题。谷歌正在解决这一点,明年我们应该能看到一个 100% 完全兼容的版本。”

迁移难题引发的热议

对于大型企业来说,迁移不仅是技术问题,更是一项系统工程,毕竟它牵扯的不单纯是工具更换,也会包含流程重塑、职责调整,甚至是组织文化的重建。

从当初扬言 18 个月内完全弃用 Office,到如今两种工具并行使用,这一过程引发了网友热议。

有人惊讶于电子表格的庞大数据:“2000 万个单元格,真的有这么夸张吗?”也有人表示:“作为过来人,我可以确认,企业确实会有这么多单元格。”

也有人指出,不少员工使用 Excel,已经形成了自己的舒适区和现有惯性,这也是很多公司不愿脱离微软生态的重要原因。

还有网友还辣评道:

“很难理解为什么有人认为用另一个美国巨头来替换现有供应商是个好主意。不过当时重点可能只是节省 Office 许可成本,而非现代化问题。成本考虑确实合理,但如果本地方案已能处理大数据,为何还要迁移到云端?LibreOffice 虽非完美,但从 Office 切换到 LibreOffice 的文化冲击远小于从本地迁移到云端。

我怀疑是有人给财务人员演示了同一个 Google Sheet 在两台屏幕上同时显示,在一台上修改后发现另一台自动同步,于是就认为这才是真正的解决方案。我自己也曾在客户演示中这么做过,而那些因长期 Excel 版本控制混乱而心生阴影的老用户们的反应,真是令人印象深刻。”

总的来看,一些基础软件即便切换到云端,很多问题并不会自动消失,因为云表格在功能、性能、稳定性和合规性上,远未必能达到传统本地软件的标准。对此,你怎么看?

参考:https://www.theregister.com/2025/11/26/microsoft_airbus_migration

推荐阅读:

C++之父亲临北京,AI 原生时代最值得参加的系统软件技术大会日程发布

我在大理写代码

仅2.5万美元就“出卖”公司?员工变“内鬼”,将内部截图卖给黑客,引网友热议:这是低薪惹的祸?

【活动分享】2025 年是 C++ 正式发布以来的 40 周年,也是全球 C++ 及系统软件技术大会举办 20 周年。这一次,C++ 之父 Bjarne Stroustrup 将再次亲临「2025 全球 C++及系统软件技术大会」现场,与全球顶尖的系统软件工程师、编译器专家、AI 基础设施研究者同台对话。

本次大会共设立现代 C++ 最佳实践、架构与设计演化、软件质量建设、安全与可靠、研发效能、大模型驱动的软件开发、AI 算力与优化、异构计算、高性能与低时延、并发与并行、系统级软件、嵌入式系统十二大主题,共同构建了一个全面而立体的知识体系,确保每一位参会者——无论是语言爱好者、系统架构师、性能优化工程师,还是技术管理者——都能在这里找到自己的坐标,收获深刻的洞见与启发。详情参考官网:https://cpp-summit.org/

图片

<think>我们正在讨论如何结合R²和相对误差来评估火蔓延速度序列预测模型的性能。首先,需要明确两个指标的定义和意义。 1. R²(决定系数): - 定义:R²衡量模型对目标变量方差的解释比例。公式为: $$ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{n}(y_i - \bar{y})^2} $$ 其中,$y_i$是实际值,$\hat{y}_i$是预测值,$\bar{y}$是实际值的均值,$n$是样本数量。 - 意义:R²越接近1,表示模型解释的方差比例越高,即模型拟合效果越好。R²=0表示模型仅相当于使用均值预测,负值则说明模型性能比均值预测还差。 - 优点:无量纲,可比较不同模型或不同任务(但需注意,不同任务的可比性有限,如引用[2]指出,不同预测任务的误差不可直接比较)。 - 缺点:对异常值敏感,且当模型复杂度增加时R²会自然提高(即使过拟合)。 2. 相对误差(Relative Error): - 定义:通常指单个样本的相对误差,公式为: $$ e_{\text{rel},i} = \frac{|y_i - \hat{y}_i|}{|y_i|} $$ 整体相对误差常用平均绝对百分比误差(MAPE)表示: $$ \text{MAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \frac{|y_i - \hat{y}_i|}{|y_i|} $$ - 意义:反映预测值相对于实际值的偏差比例,直观易懂。 - 优点:由于是百分比形式,便于理解,尤其适用于不同量级的预测任务(如同时有小火速和大火速的情况)。 - 缺点:当实际值$y_i$接近0时,相对误差会无限放大(如之前讨论的问题),且不对称(高估和低估的误差范围不同)。 结合使用R²和相对误差(如MAPE)的原因: - R²从整体方差解释角度评估模型,而相对误差从个体偏差比例角度评估。两者互补: - R²关注“模型整体拟合趋势的能力”,适合评估模型捕捉火蔓延速度变化规律的效果。 - 相对误差关注“每个预测点的准确度”,尤其关注实际火速较大时的相对偏差(因为火速大时,绝对误差可能很大,但相对误差可能小,而实际应用中大火的预测准确性更重要)。 - 例如: - 若R²高(如0.9)但MAPE也高(如50%):说明模型整体趋势正确,但个体预测偏差较大。可能模型在多数情况下预测趋势正确,但在具体数值上存在系统偏差(如一致高估或低估)。 - 若R²低(如0.3)但MAPE低(如10%):说明模型虽然整体趋势捕捉能力弱,但在某些点预测较准。这种情况较少见,可能因为模型在局部有效但整体欠拟合。 具体应用建议: 1. **同时报告两个指标**:在模型评估报告中,同时给出R²和MAPE(或其他相对误差的聚合形式,如中位数相对误差)。 2. **分火速区间分析**:为避免小值问题,将火速数据按实际值大小分组(如:0-0.5 m/s,0.5-2 m/s,>2 m/s),分别计算各组的R²和MAPE。这样可识别模型在不同强度火情下的性能差异。 3. **可视化辅助**: - 绘制预测值-实际值散点图,并添加趋势线(理想情况下应为y=x)。通过散点分布可直观看出R²和相对误差的矛盾点。 - 绘制误差分布图(如箱线图),按火速分组显示相对误差,观察误差分布是否随火速变化。 4. **考虑加权指标**:若实际应用中更关注大火速的准确性,可构建加权R²或加权MAPE。例如: - 加权R²:对每个样本的残差平方和按实际火速加权(大火速样本权重大)。 - 加权MAPE:$$ \text{Weighted MAPE} = \frac{\sum_{i=1}^{n} w_i \cdot |y_i - \hat{y}_i|/|y_i|}{\sum_{i=1}^{n} w_i} \times 100\% $$ 其中权重$w_i$可取$y_i$(线性加权)或$y_i^k$(指数加权,k>1时更强调大火速)。 注意事项: - **小值问题**:当火速接近0时,相对误差不可靠。此时可: - 忽略火速小于某阈值(如0.01 m/s)的样本(若这些样本对应用不重要)。 - 改用绝对误差(如MAE)或对数误差(如RMSLE)替代相对误差,仅在小值区间使用。 - **模型选择**:若需比较多个模型,可综合两个指标排序(如先设定R²最低阈值,再比较MAPE;或构建综合分数:$ \text{Score} = \alpha \cdot R^2 - \beta \cdot \text{MAPE} $,系数$\alpha,\beta$根据应用需求调整)。 示例代码(Python): ```python from sklearn.metrics import r2_score, mean_absolute_percentage_error # 假设y_true和y_pred是实际值和预测值 r2 = r2_score(y_true, y_pred) mape = mean_absolute_percentage_error(y_true, y_pred) * 100 # 转为百分比 # 按火速分组计算 import pandas as pd df = pd.DataFrame({'true': y_true, 'pred': y_pred}) bins = [0, 0.5, 2, np.inf] # 定义区间 labels = ['low', 'medium', 'high'] df['group'] = pd.cut(df['true'], bins=bins, labels=labels) # 分组计算R²和MAPE results = {} for name, group in df.groupby('group'): if len(group) > 1: # 确保组内有足够样本 r2_group = r2_score(group['true'], group['pred']) mape_group = mean_absolute_percentage_error(group['true'], group['pred']) * 100 results[name] = {'R²': r2_group, 'MAPE': mape_group} ``` 结论:R²和相对误差(MAPE)分别从全局拟合和局部精度提供视角,结合使用可避免单一指标的片面性。在火灾蔓延预测中,建议优先分组分析,并针对应用场景(如是否更关注大火)调整评估策略。 §§相关问题§§ 1. 在火蔓延速度预测中,如何根据实际应用需求(如火灾初期预警 vs 灾情控制)调整评估指标的权重? 2. 除了R²和相对误差,还有哪些指标适合评估火蔓延速度这类具有偏态分布的数据? 3. 如何处理在火速接近0时相对误差不稳定的问题?</think>在评估火蔓延速度序列预测模型性能时,结合使用$R^2$(决定系数)和相对误差(Relative Error)能提供更全面的评估视角。这两个指标从不同维度衡量模型性能,以下是具体分析和使用建议: ### 一、指标意义与计算方法 1. **$R^2$(决定系数)** - **定义**:衡量模型对目标变量方差的解释能力 - **计算公式**: $$ R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{n}(y_i - \bar{y})^2} $$ 其中$y_i$为实际值,$\hat{y}_i$为预测值,$\bar{y}$为实际值均值 - **意义**: - 值域$(-\infty, 1]$,越接近1表示模型解释能力越强 - 反映模型捕捉火蔓延速度整体变化趋势的能力 - **优点**:无量纲指标,可跨不同量级的数据集比较(如引用[2]指出,RMSE等绝对指标难以跨任务比较) 2. **相对误差(Relative Error)** - **定义**:衡量单个预测值与实际值的偏差比例 - **计算公式**: $$ e_{\text{rel}} = \frac{|y_i - \hat{y}_i|}{|y_i|} $$ - **聚合形式**(建议使用): - MAPE(平均绝对百分比误差): $$ \text{MAPE} = \frac{100\%}{n} \sum_{i=1}^{n} \frac{|y_i - \hat{y}_i|}{|y_i|} $$ - **意义**: - 直接反映预测值的实用精度 - 对小火速敏感(火速接近0时误差放大) ### 二、两指标结合评估策略 #### 1. **互补性分析** | 指标 | 优势 | 局限性 | 适用场景 | |-----------|-------------------------------|-------------------------|---------------------------| | $R^2$ | 评估整体趋势拟合能力 | 忽略具体预测偏差大小 | 模型结构选择、特征工程评估| | 相对误差 | 反映实际应用精度 | 小火速时易失真 | 部署前性能验证 | #### 2. **联合诊断方法** - **场景1:$R^2$高 + 相对误差低** ✅ 理想状态:模型既捕捉整体趋势,又保证预测精度 *示例*:$R^2=0.92$,MAPE=8%(适用于火速>1m/s的场景) - **场景2:$R^2$高 + 相对误差高** ⚠️ 需检查小火速样本: - 计算火速分段的MAPE(如$v<0.5$ m/s组) - 可能原因:模型过度平滑小火速波动 ```python # Python分段评估示例 def evaluate_by_speed(y_true, y_pred, thresholds=[0.5, 1.0]): results = {} for thresh in thresholds: mask = y_true > thresh r2 = r2_score(y_true[mask], y_pred[mask]) mape = np.mean(np.abs((y_true[mask]-y_pred[mask])/y_true[mask]))*100 results[f"v>{thresh}m/s"] = {"R2":r2, "MAPE":mape} return results ``` - **场景3:$R^2$低 + 相对误差低** ⚠️ 矛盾情况:可能因数据分布集中导致 - 验证方法:添加**时间序列特异性指标**(如DTW距离)[^3] #### 3. **可视化辅助分析** ```python import matplotlib.pyplot as plt # 双轴评估图 fig, ax1 = plt.subplots() ax1.scatter(y_true, y_pred, alpha=0.6) # 预测-实际散点 ax1.plot([0,max(y_true)], [0,max(y_true)], 'r--') # y=x参考线 ax2 = ax1.twinx() ax2.plot(y_true, np.abs((y_true-y_pred)/y_true), 'go', alpha=0.4) # 相对误差分布 ax2.set_ylabel("Relative Error") ``` *图示说明*: - 散点沿对角线分布 → $R^2$高 - 绿色点集中在底部 → 相对误差低 - 右上角绿点升高 → 大火速误差需关注 ### 三、火蔓延预测的特殊处理 1. **小火速优化方案** - 当$y_i < \epsilon$(如$\epsilon=0.1$ m/s)时: - 改用绝对误差:$|y_i - \hat{y}_i|$ - 或使用对数比例误差:$ |\log(1+y_i) - \log(1+\hat{y}_i)| $ 2. **动态加权评估** $$ \text{Score} = w_1 \cdot R^2 + w_2 \cdot (1 - \text{MAPE}) $$ 权重建议: - 预警场景:$w_1=0.3, w_2=0.7$(侧重精度) - 趋势分析:$w_1=0.7, w_2=0.3$(侧重趋势) ### 四、工程实践建议 1. **优先计算$R^2$**:快速筛选模型结构(如LightGBM比传统回归$R^2$高15-30%[^4]) 2. **关键场景用MAPE**:部署前在典型火速段验证 3. **结合时空特征**:对蔓延速度序列添加滞后特征提升$R^2$[^3] 4. **参考基准值**: - 优秀模型:$R^2 > 0.85$ 且 MAPE < 15% - 可接受模型:$R^2 > 0.7$ 且 MAPE < 25% > **示例报告**:某林火模型评估结果 > - 整体 $R^2 = 0.89$ ✅ > - 全域 MAPE = 22% ⚠️ > - 分段分析: > - $v>1$ m/s: MAPE=9% ✅ > - $v<0.5$ m/s: 改用MAE=0.08m/s ✅ > **结论**:模型需优化小火速预测模块 通过$R^2$与相对误差的互补分析,既可验证模型对火蔓延动态规律的捕捉能力($R^2$),又能确保预测结果在实际救灾中的可用性(相对误差),实现理论性能与应用价值的平衡评估。
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

打赏作者

优快云资讯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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