KR102153012B1 - Store management apparatus and store management method for recommending suitable employee for task through deep learning model based on big data - Google Patents

Store management apparatus and store management method for recommending suitable employee for task through deep learning model based on big data Download PDF

Info

Publication number
KR102153012B1
KR102153012B1 KR1020200012869A KR20200012869A KR102153012B1 KR 102153012 B1 KR102153012 B1 KR 102153012B1 KR 1020200012869 A KR1020200012869 A KR 1020200012869A KR 20200012869 A KR20200012869 A KR 20200012869A KR 102153012 B1 KR102153012 B1 KR 102153012B1
Authority
KR
South Korea
Prior art keywords
information
employee
store
task
job
Prior art date
Application number
KR1020200012869A
Other languages
Korean (ko)
Inventor
권민재
Original Assignee
주식회사 알바체크
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 알바체크 filed Critical 주식회사 알바체크
Priority to KR1020200012869A priority Critical patent/KR102153012B1/en
Application granted granted Critical
Publication of KR102153012B1 publication Critical patent/KR102153012B1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311Scheduling, planning or task assignment for a person or group
    • G06Q10/063112Skill-based matching of a person or a group to a task
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311Scheduling, planning or task assignment for a person or group
    • G06Q10/063116Schedule adjustment for a person or group
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311Scheduling, planning or task assignment for a person or group
    • G06Q10/063118Staff planning in a project environment
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398Performance of employee with respect to a job function
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management
    • G06Q10/105Human resources

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to a store management apparatus for recommending an employee suitable for a task through a deep learning model based on big data and a store management method thereof. According to the present invention, the store management method comprises the following steps of: receiving store information; extracting a task list including information for a plurality of tasks to be managed in a store corresponding to the store information based on the inputted store information; assigning an employee to perform task information included in the extracted task list; receiving evaluation information for the task executed by the assigned employee; using the task information, employee information for the assigned employee, and the evaluation information as learning data for a predetermined learning machine algorithm to train a first neural network model for extracting task ability information when first task information is executed by an employee corresponding to first employee information; and linking with a manpower database storing employee information of each of a plurality of employees to extract an employee suitable for the predetermined task information based on task ability information outputted by inputting the employee information of the employee to the first neural network model with respect to predetermined task information.

Description

빅데이터 기반의 딥러닝 모델을 통해 업무에 적합한 직원을 추천하는 매장 관리 장치 및 매장 관리 방법{STORE MANAGEMENT APPARATUS AND STORE MANAGEMENT METHOD FOR RECOMMENDING SUITABLE EMPLOYEE FOR TASK THROUGH DEEP LEARNING MODEL BASED ON BIG DATA}Store management device and store management method that recommends employees suitable for work through a big data-based deep learning model {STORE MANAGEMENT APPARATUS AND STORE MANAGEMENT METHOD FOR RECOMMENDING SUITABLE EMPLOYEE FOR TASK THROUGH DEEP LEARNING MODEL BASED ON BIG DATA}

본 발명은 매장 관리 장치 및 매장 관리 방법에 관한 것이다. 구체적으로, 본 발명은 빅데이터 기반 딥러닝 모델을 통해 매장의 업종 정보 및 직원 정보에 기초하여 매장에서 수행될 각 업무를 수행하기에 적절한 직원을 추천하는 기술에 관한 것이다. The present invention relates to a store management apparatus and a store management method. Specifically, the present invention relates to a technology for recommending an employee suitable for performing each task to be performed in a store based on the business type information and employee information of the store through a big data-based deep learning model.

인터넷의 발달과 경제 발전의 영향으로 사회에 다양한 문화가 보급되면서 다양한 상품과 서비스를 제공하는 매장들이 생겨나고 있다. 이러한 매장의 관리자는 매장에서 발생하는 다양한 업무를 도울 수 있는 직원을 고용하여 사업을 영위하는 경우가 많다. With the spread of various cultures in society due to the development of the Internet and economic development, stores offering a variety of products and services are emerging. In many cases, managers of these stores hire employees who can help with various tasks that occur in the store to conduct business.

위와 같이, 매장마다 제공하는 상품 및 서비스가 점차 다양해짐에 따라, 각 매장에서 수행해야 하는 업무를 처음부터 제대로 이해하고 있는 직원을 고용하는 것이 어려워지고 있으며, 아울러 직원은 단기적으로 업무를 맡는 아르바이트생인 경우가 많아 교체가 빈번하다는 특성이 있다. As above, as the products and services provided by each store gradually diversify, it is becoming difficult to hire an employee who understands the work that each store must perform from the beginning, and the employee is a part-time student who takes on the job in the short term. It has a characteristic that replacement is frequent due to many cases.

이에 따라, 매장의 관리자가 직원에게 매장과 관련된 업무를 효율적으로 전달하고, 직원이 올바르게 일을 하고 있는 지 관리하는 것이 매장의 운영 측면에서 매우 중요하다.Accordingly, it is very important in terms of store operation that store managers efficiently deliver store-related tasks to employees and manage whether employees are working properly.

또한, 매장의 업무 특성에 따라 직원들이 수행해야 할 업무의 종류가 달라지며, 근무 중인 직원의 성별 및 나이 등에 따라 각 직원의 업무 효율이 달라지기 때문에, 직원들에게 지시할 업무들을 결정하고 각 업무를 수행하기에 적절한 직원을 배정하는 일이 매우 중요하다.In addition, the type of work that employees need to perform varies according to the business characteristics of the store, and the work efficiency of each employee varies depending on the gender and age of the employee at work. It is very important to allocate appropriate staff to perform the task.

예를 들어, 매장 관리를 처음 시작하는 관리자는 직원들에게 어떤 업무를 지시해야 할 지 잘 모를 수 있고, 이 경우 매장 관리에 필요한 업무들이 적절한 시기에 수행되지 않아 매장이 제대로 관리되거나, 직원들이 업무 수행에 혼란을 겪거나, 손님들이 불편을 겪는 등 다양한 문제가 발생할 수 있다.For example, a manager who is starting store management for the first time may not know what tasks to instruct employees, and in this case, the store management may be properly managed because the tasks necessary for store management are not performed at the right time. Various problems can occur, such as confusion in performance or inconvenience to guests.

다른 예로, 관리자가 직원들 개개인의 특성을 고려하지 않고 업무를 배정할 경우, 각 직원의 업무 효율이 저하되어, 직원들의 불만이 발생하거나, 직원 혼자가 할 일을 두 명이 하는 등 매장 관리 효율이 떨어지는 문제가 발생할 수 있다.As another example, if the manager assigns tasks without considering the individual characteristics of each employee, the efficiency of each employee's work decreases, resulting in employee dissatisfaction, or the efficiency of store management, such as two employees doing their own work. Falling problems can occur.

따라서, 관리자가 매장의 업무 특성에 따라 직원이 수행할 업무 내역 및 각 업무 내역을 수행하기에 적절한 직원을 추천하는 방안이 요구된다.Therefore, there is a need for a manager to recommend an appropriate employee to perform each task and the task details to be performed by the staff according to the business characteristics of the store.

본 발명은 매장의 업종 정보 및 직원 정보에 기초하여 각 업무를 수행하기에 적절한 직원을 추천하는 매장 관리 장치를 제공하는 것을 목적으로 한다. 특히, 본 발명은 관리자가 운영했었거나 운영 중인 매장의 직원 정보 및 직원이 수행한 업무에 대한 평가 정보에 기초하여 각 업무를 수행하기에 적절한 직원을 추출하는 매장 관리 장치를 제공하는 것을 목적으로 한다.An object of the present invention is to provide a store management device that recommends appropriate employees to perform each task based on the business type information and employee information of the store. In particular, it is an object of the present invention to provide a store management device for extracting appropriate employees to perform each task based on employee information of a store operated or operated by a manager and evaluation information on tasks performed by the employee. .

본 발명은 직원의 업무가 재배정된 경우 재배정된 업무에 대한 평가 정보를 기초로 각 업무를 수행할 직원을 추천하는 매장 관리 장치를 제공하는 것을 목적으로 한다.An object of the present invention is to provide a store management device that recommends an employee to perform each job based on evaluation information on the reassigned job when the employee's job is reassigned.

본 발명은 직원의 특성별, 업무별 직원의 능력 정보를 저장 및 관리하는 매장 관리 장치를 제공하는 것을 목적으로 한다.An object of the present invention is to provide a store management device that stores and manages employee capability information for each characteristic and job.

본 발명은 관리자가 새로운 직원을 채용하고자 하는 경우 기 저장된 직원별 업무 데이터에 기초하여 매장/업무에 적합한 직원을 추천하는 매장 관리 장치를 제공하는 것을 목적으로 한다.An object of the present invention is to provide a store management device that recommends an employee suitable for a store/task based on previously stored employee-specific business data when a manager wants to hire a new employee.

본 발명의 실시 예에 따른 매장 관리 장치의 매장 관리 방법은 매장 정보를 입력받는 단계, 입력된 매장 정보에 기초하여 매장 정보에 대응되는 매장에서 관리해야 하는 복수의 업무 정보를 포함하는 업무 리스트를 추출하는 단계, 추출된 업무 리스트에 포함된 업무 정보를 수행할 직원을 배정하는 단계, 배정된 직원이 수행한 업무에 대한 평가 정보를 입력받는 단계, 업무 정보, 배정된 직원에 대한 직원 정보 및 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습 데이터로 이용하여, 제1 업무 정보 및 제1 직원 정보가 입력될 경우, 제1 업무 정보를 제1 직원 정보에 해당하는 직원이 수행하게 될 경우의 업무 능력 정보를 추출하는 제1 신경망 모델을 학습하는 단계, 및 복수의 인원 각각에 대한 직원 정보를 저장하는 인력 데이터베이스와 연동하여, 소정의 업무 정보에 대해 인원에 대한 직원 정보를 제1 신경망 모델에 입력하여 출력된 업무 능력 정보를 기초로, 소정의 업무 정보에 적합한 직원을 추출하는 단계를 포함할 수 있다.In the store management method of the store management apparatus according to an embodiment of the present invention, the step of receiving store information, extracting a business list including a plurality of business information to be managed in a store corresponding to the store information based on the input store information Steps to perform, assigning employees to perform work information included in the extracted work list, receiving evaluation information on tasks performed by assigned employees, work information, employee information and evaluation information on assigned employees Is used as learning data for a predetermined machine learning algorithm, and when the first job information and the first employee information are input, the first job information is performed by an employee corresponding to the first employee information. Learning a first neural network model for extracting, and interlocking with a manpower database storing employee information for each of a plurality of employees, inputting employee information on the employees for predetermined work information into the first neural network model and outputting Based on the obtained job capability information, it may include the step of extracting an employee suitable for the predetermined job information.

직원을 배정하는 단계는, 입력된 평가 정보 중 적어도 어느 하나의 항목의 평가가 기설정된 점수 이하인 직원들에 대하여 각각이 수행하는 업무를 재배정하는 단계를 포함하고, 평가 정보를 입력받는 단계는, 재배정된 직원이 수행한 업무에 대한 평가 정보를 입력받는 단계를 포함하고, 제1 신경망 모델을 학습하는 단계는, 재배정된 업무 정보, 재배정된 직원 정보 및 재배정된 직원의 평가 정보를 학습 데이터로 이용하여, 제1 신경망 모델을 재학습하는 단계를 포함할 수 있다.The step of allocating staff includes reassigning tasks performed by each of the employees whose evaluation of at least one item of the input evaluation information is less than or equal to a preset score, and the step of receiving evaluation information includes reassignment Including the step of receiving evaluation information on the tasks performed by the assigned employee, and the step of learning the first neural network model, the reassigned work information, the reassigned employee information, and the reassigned employee's evaluation information are used as training data. , Retraining the first neural network model.

평가 정보를 입력받는 단계는 업무 완성도, 성실도, 책임도, 친화도, 친절도 및 종합 점수 중 적어도 하나를 입력받는 단계를 포함할 수 있다.The step of receiving evaluation information may include receiving at least one of task completion, integrity, responsibility, affinity, kindness, and overall score.

제1 신경망 모델은 입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성되고, 입력 레이어에 업무 정보 및 직원 정보가 입력되도록 설정되고, 출력 레이어에 평가 정보가 입력되도록 설정되어, 다수의 업무 정보 및 직원 정보가 제1 신경망 모델의 학습과정에서 입력됨에 따라 입력된 업무 정보에 대응하는 직원의 업무 능력 정보를 도출하도록 상관 관계가 학습될 수 있다.The first neural network model is composed of a neural network including an input layer, a hidden layer, and an output layer, is set to input job information and employee information to the input layer, and is set to input evaluation information to the output layer. And as the employee information is input in the learning process of the first neural network model, the correlation may be learned to derive the job capability information of the employee corresponding to the input job information.

업무 리스트를 추출하는 단계는 업종 정보 및 직원 정보를 포함하는 매장 정보가 입력되면, 매장 정보에 대응되는 매장에서 관리해야 하는 복수의 업무 정보를 추출하도록 소정의 머신러닝 알고리즘을 통해 학습된 제2 신경망 모델을 통해 업무 리스트를 추출하는 단계를 포함할 수 있다.In the step of extracting the work list, when store information including business type information and employee information is input, a second neural network learned through a predetermined machine learning algorithm to extract a plurality of business information to be managed at the store corresponding to the store information. It may include the step of extracting the task list through the model.

제2 신경망 모델은 입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성되고, 복수의 관리자 단말로부터 실제 업종 정보 및 실제 직원 정보를 포함하는 실제 매장 정보와, 실제 매장 정보의 매장에서 실제로 수행되고 있는 실제 업무 정보를 맵핑한 데이터를 수신하여 저장하는 매장별 업무 DB를 기초로, 입력 레이어에 실제 업종 정보 및 실제 직원 정보를 포함하는 실제 매장 정보가 입력되도록 설정되고, 출력 레이어에 실제 매장 정보에 따른 매장을 관리 중인 관리자가 생성한 실제 업무 정보가 입력되도록 설정되어, 다수의 실제 매장 정보가 제2 신경망 모델의 학습과정에서 입력됨에 따라 입력된 매장 정보에 대응하는 업무 정보를 도출하도록 상관 관계가 학습될 수 있다.The second neural network model is composed of a neural network including an input layer, a hidden layer, and an output layer, and the actual store information including the actual business type information and the actual employee information from a plurality of manager terminals, and the actual store information is actually performed in the store. Based on the store-specific business DB that receives and stores data mapped with actual business information, the input layer is set to input actual store information including actual business type information and actual employee information, and the output layer is set to input actual store information. The actual business information generated by the manager managing the corresponding store is set to be input, and as a number of actual store information is input in the learning process of the second neural network model, the correlation is made to derive business information corresponding to the input store information. Can be learned.

매장별 업무 DB는 실제 업무 항목이 시간 당 보고되는 횟수에 대한 데이터를 더 포함하고, 제2 신경망 모델은 실제 업종 정보 및 실제 직원 정보를 포함하는 매장 정보가 입력되도록 설정되고, 출력 레이어에 실제 매장 정보에 따른 매장을 관리 중인 관리자가 생성한 실제 업무 정보 및 횟수에 대한 데이터가 입력되도록 설정되어, 다수의 실제 매장 정보가 신경망 모델의 학습 과정에서 입력됨에 따라 입력된 매장 정보에 대응하는 업무 정보 및 업무가 시간 당 보고되어야 할 횟수를 도출하도록 상관 관계가 학습될 수 있다.The store-specific business DB further includes data on the number of times actual business items are reported per hour, and the second neural network model is set to input store information including actual business type information and actual employee information, and the actual store in the output layer It is set to input actual business information and data on the number of times generated by the manager who is managing the store according to the information, and as a number of real store information is input in the learning process of the neural network model, business information corresponding to the input store information and Correlation can be learned to derive the number of times a task should be reported per hour.

직원을 배정하는 단계는, 추출된 업무 리스트에 포함된 업무 정보를 수행할 직원을 배정하면서, 도출된 횟수에 따라 업무에 대한 처리 결과를 보고하도록 지정하는 단계를 포함하고, 평가 정보를 입력받는 단계는, 도출된 횟수에 따라 보고된 업무에 대한 처리 결과에 대한 평가 정보를 입력받는 단계를 포함할 수 있다.The step of assigning staff includes assigning staff to perform task information included in the extracted task list, and designating to report the result of the task in accordance with the number of times derived, and receiving evaluation information May include receiving evaluation information on the result of the reported task according to the number of times derived.

업무 정보에 적합한 직원을 추출하는 단계는, 제1 신경망 모델에 복수의 직원 각각에 대해 복수의 업무 정보를 입력한 경우 출력되는 업무별 업무 능력 점수를 각각의 직원 정보에 맵핑한 직원별 업무 데이터를 저장하는 단계를 포함할 수 있다.In the step of extracting the appropriate employee for the job information, the job data for each employee is mapped to each employee information by mapping the job competency score for each job output when a plurality of job information for each of the plurality of employees is input in the first neural network model. It may include the step of storing.

업무 정보에 적합한 직원을 추출하는 단계는 직원별 업무 데이터에 기초하여, 업무별 업무 능력 점수 중 기설정된 점수 이상으로 평가된 업무를 인력 데이터베이스의 인원에게 적합한 업무 정보로 추출하는 단계를 포함할 수 있다.The step of extracting an employee suitable for the job information may include extracting, based on the job data for each employee, a job evaluated above a preset score among job competency scores as job information suitable for the personnel in the manpower database. .

업무 정보에 적합한 직원을 추출하는 단계는 관리자 단말로부터 소정의 업무 정보에 대한 채용 요청이 입력된 경우, 인력 데이터베이스의 직원 중 소정의 업무 정보에 대한 직원별 업무 능력 데이터가 기설정된 점수 이상으로 맵핑된 직원을 추출하는 단계를 포함할 수 있다.In the step of extracting employees suitable for job information, when a hiring request for predetermined job information is input from the manager terminal, job capability data for each employee for predetermined job information among employees in the personnel database is mapped to a predetermined score or higher. It may include the step of extracting employees.

직원 정보는, 성별, 나이, 사용 언어, 학력, 전공, 신장, 몸무게 중 하나 이상을 포함할 수 있다.The employee information may include one or more of gender, age, language spoken, education, major, height, and weight.

평가 정보를 입력받는 단계는, 업무 정보에 배정된 직원이 업무에 대한 처리 결과를 촬영한 이미지를 수신하는 단계, 및 이미지를 기초로 업무 정보에 대한 평가를 판단하는 단계를 포함할 수 있다.The step of receiving the evaluation information may include receiving an image photographed by an employee assigned to the task information of a result of processing the task, and determining an evaluation of the task information based on the image.

본 발명의 실시 예에 따른 매장 관리 장치는 매장 정보를 입력받으면, 입력된 매장 정보에 기초하여 매장 정보에 대응되는 매장에서 관리해야 하는 복수의 업무 정보를 포함하는 업무 리스트를 추출하는 업무 리스트 추출부, 추출된 업무 리스트에 포함된 업무 정보를 수행할 직원을 배정하는 업무 배정부, 배정된 직원이 수행한 업무에 대한 평가 정보를 입력받는 업무 관리부, 업무 정보, 배정된 직원에 대한 직원 정보 및 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습데이터로 이용하여, 제1 업무 정보 및 제1 직원 정보가 입력될 경우, 제1 업무 정보를 제1 직원 정보에 해당하는 직원이 수행하게 될 경우의 업무 능력 정보를 추출하는 제1 신경망 모델을 포함하는 업무 능력 정보 추출부, 및 복수의 인원 각각에 대한 직원 정보를 저장하는 인력 데이터베이스와 연동하여, 소정의 업무 정보에 대해 인원에 대한 직원 정보를 제1 신경망 모델에 입력하여 출력된 업무 능력 정보를 기초로, 소정의 업무 정보에 적합한 직원을 추출하는 직원 추천부를 포함할 수 있다.In the store management apparatus according to an embodiment of the present invention, upon receiving store information, a business list extraction unit that extracts a business list including a plurality of business information to be managed in a store corresponding to the store information based on the input store information , Task assignment department that assigns employees to perform task information included in the extracted task list, task management department that receives evaluation information on tasks performed by assigned employees, task information, employee information and evaluation for assigned employees When information is used as learning data for a predetermined machine learning algorithm, when the first job information and the first employee information are input, the first job information is performed by an employee corresponding to the first employee information. In conjunction with a work capability information extraction unit including a first neural network model for extracting information, and a manpower database storing employee information for each of a plurality of employees, a first neural network for employee information on a person for predetermined work information It may include an employee recommendation unit for extracting an employee suitable for predetermined job information based on job capability information input and output in the model.

본 발명의 일 실시 예에 따르면, 직원들이 수행한 업무에 대한 평가 정보에 기초하여 각 업무에 적합한 직원이 추천되므로, 각 업무에 대한 업무 효율이 높아지고, 직원들의 업무 만족도가 향상되는 매장 관리 장치 및 매장 관리 방법을 제공 가능한 이점이 있다.According to an embodiment of the present invention, since an employee suitable for each job is recommended based on the evaluation information on the job performed by the employees, the work efficiency for each job is increased, and the store management device for improving the job satisfaction of the employees, and There is an advantage that can provide a store management method.

또한, 관리자에 의한 업무 평가 정보에 기초하여 직원이 추천되므로, 관리자 선호도에 맞는 직원이 추천되는 매장 관리 장치 및 매장 관리 방법을 제공 가능한 이점이 있다.In addition, since the staff is recommended based on the work evaluation information by the manager, there is an advantage that it is possible to provide a store management device and a store management method in which an employee suitable for manager preference is recommended.

특히, 관리자에 의해 재배정된 업무 정보에 기초하여 직원이 추천되므로, 관리자의 업무별 직원 선호도가 반영되어 직원이 추천되는 매장 관리 장치 및 매장 관리 방법을 제공 가능한 이점이 있다.In particular, since an employee is recommended based on job information reassigned by the manager, there is an advantage that it is possible to provide a store management device and a store management method in which the employee is recommended by reflecting the manager's employee preference for each job.

또한, 관리자가 새로운 직원을 채용하고자 하는 경우, 관리자가 그 동안 직원이 수행한 업무에 대해 평가했던 정보에 기초하여 직원이 추천되므로, 관리자 선호에 맞는 직원을 용이하게 채용하도록 하는 매장 관리 장치 및 매장 관리 방법을 제공 가능한 이점이 있다.In addition, when the manager wants to hire a new employee, the manager is recommended based on the information the manager has evaluated on the work performed by the employee. There is an advantage that can provide a management method.

도 1은 본 발명의 일 실시 예에 따른 따른 매장 관리 장치(100) 및 직원 단말(200)을 포함하는 매장 관리 시스템의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 매장 관리 장치(100)의 기능 블럭도이다.
도 3은 도 2에 도시된 업무 리스트 추출부(112)의 상세 구성도이다.
도 4는 실제 매장 정보로부터 실제 업무 항목을 추출하는 머신러닝 기반의 신경망 모델의 예시이다.
도 5는 본 발명의 일 실시 예에 따른 매장 관리 장치를 통한 매장 관리 방법의 프로세스를 도시한 흐름도이다.
도 6은 도 5에 도시된 흐름도에 따라 매장 관리 장치에 입력되거나 추출되는 정보의 제1 예시를 나타내는 도면이다.
도 7은 도 5에 도시된 흐름도에 따라 매장 관리 장치에 입력되거나 추출되는 정보의 제2 예시를 나타내는 도면이다.
도 8은 본 발명의 실시 예에 따른 직원 단말(200)이 이미지 촬영 가이드 라인을 표시하는 방법의 예시 도면이다.
도 9는 본 발명의 일 실시 예에 따른 매장 관리 장치가 소정의 업무 정보에 적합한 직원을 추천하는 방법이 도시된 순서도이다.
도 10은 도 2에 도시된 업무 능력 정보 추출부(112)의 상세 구성도이다.
도 11은 업무 정보, 직원 정보 및 평가 정보로부터 업무 능력 정보를 추출하는 머신러닝 기반의 신경망 모델의 예시이다.
도 12는 본 발명의 일 실시 예에 따른 매장 관리 장치가 소정의 업무 정보에 대해 추출한 직원을 표시하는 방법의 예시 도면이다.
1 is a conceptual diagram of a store management system including a store management apparatus 100 and an employee terminal 200 according to an embodiment of the present invention.
2 is a functional block diagram of a store management apparatus 100 according to an embodiment of the present invention.
3 is a detailed configuration diagram of the task list extracting unit 112 shown in FIG. 2.
4 is an example of a machine learning-based neural network model that extracts actual work items from actual store information.
5 is a flowchart illustrating a process of a store management method through a store management device according to an embodiment of the present invention.
6 is a diagram illustrating a first example of information input or extracted into a store management apparatus according to the flowchart shown in FIG. 5.
FIG. 7 is a diagram illustrating a second example of information input or extracted from the store management apparatus according to the flowchart illustrated in FIG. 5.
8 is an exemplary diagram of a method for displaying an image capture guideline by the employee terminal 200 according to an embodiment of the present invention.
9 is a flowchart illustrating a method of recommending an employee suitable for predetermined work information by the store management apparatus according to an embodiment of the present invention.
10 is a detailed configuration diagram of the work capability information extracting unit 112 shown in FIG. 2.
11 is an example of a machine learning-based neural network model for extracting work capability information from work information, employee information, and evaluation information.
12 is an exemplary diagram of a method for displaying an employee extracted by a store management apparatus for predetermined job information according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various forms, and only these embodiments make the disclosure of the present invention complete, and those skilled in the art to which the present invention pertains. It is provided to fully inform the person of the scope of the invention, and the scope of the invention is only defined by the claims.

본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In describing the embodiments of the present invention, detailed descriptions of known functions or configurations will be omitted except when actually necessary in describing the embodiments of the present invention. In addition, terms to be described later are terms defined in consideration of functions in an embodiment of the present invention, which may vary according to the intention or custom of users or operators. Therefore, the definition should be made based on the contents throughout this specification.

도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.The functional blocks shown in the drawings and described below are only examples of possible implementations. In other implementations, other functional blocks may be used without departing from the spirit and scope of the detailed description. Also, although one or more functional blocks of the present invention are represented as individual blocks, one or more of the functional blocks of the present invention may be a combination of various hardware and software configurations that perform the same function.

또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.In addition, the expression of including certain constituent elements is an open expression and simply refers to the existence of the constituent elements, and should not be understood as excluding additional constituent elements.

나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다. Further, when a component is connected to or is referred to as being connected to another component, it should be understood that it may be directly connected or connected to the other component, but other components may exist in the middle.

또한 '제1, 제2' 등과 같은 표현은 복수의 구성들을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다. In addition, expressions such as'first, second', etc. are used only for distinguishing a plurality of elements, and do not limit the order or other features between the elements.

이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다.Hereinafter, embodiments of the present invention will be described with reference to the drawings.

도 1은 본 발명의 일 실시 예에 따른 따른 매장 관리 장치(100) 및 직원 단말(200)을 포함하는 매장 관리 시스템의 개념도이다. 1 is a conceptual diagram of a store management system including a store management apparatus 100 and an employee terminal 200 according to an embodiment of the present invention.

도 1을 참조하면, 매장 관리 장치(100) 및 직원 단말(200)은 네트워크를 통해 동작 가능하도록 연결되어 정보를 송수신하여, 매장의 효율을 극대화할 수 있다. 예를 들어, 네트워크는 LAN(local area network), WAN(wide area network), 가상 네트워크, 원격 통신 등의 유무선 통신망 네트워크를 포함할 수 있다. Referring to FIG. 1, the store management apparatus 100 and the employee terminal 200 are connected to be operable through a network to transmit and receive information, thereby maximizing the efficiency of the store. For example, the network may include a wired or wireless communication network network such as a local area network (LAN), a wide area network (WAN), a virtual network, and remote communication.

매장 관리 장치(100)는 매장의 관리자가 사용하는 장치이다. 매장 관리 장치(100)는 매장에서 수행되어야 할 업무에 대한 정보를 특정 직원에게 배정하고, 배정된 업무에 관한 정보를 직원 단말(200)에 전송할 수 있다. 또한, 매장 관리 장치(100)는 직원 단말(200)로부터 업무의 결과를 전송 받을 수 있어, 관리자가 매장 관리 및 직원 관리를 효율적으로 할 수 있게 한다. 매장 관리 장치(100)는 직원 단말(200)로부터 수신한 업무의 결과에 대한 평가 정보를 입력받을 수 있다.The store management device 100 is a device used by a store manager. The store management device 100 may allocate information on a task to be performed in a store to a specific employee and transmit information on the assigned task to the employee terminal 200. In addition, the store management device 100 may receive the results of the work from the employee terminal 200, so that the manager can efficiently manage the store and manage the employees. The store management device 100 may receive evaluation information on the result of the work received from the employee terminal 200.

직원 단말(200)은 매장의 직원이 사용하는 장치이다. 직원 단말(200)은 매장 관리 장치(100)로부터 직원이 해야 할 업무에 대한 정보를 전송 받을 수 있다. 직원 단말(200)은 해야 할 업무에 대한 정보를 직원에게 출력하며, 직원 단말(200)은 직원이 수행한 업무에 대한 결과(ex. 이미지 파일)를 매장 관리 장치(100)에 전송할 수 있다. The employee terminal 200 is a device used by store employees. The employee terminal 200 may receive information on a task to be performed by the employee from the store management device 100. The employee terminal 200 outputs information on a task to be performed to an employee, and the employee terminal 200 may transmit a result (eg, an image file) of a task performed by the employee to the store management device 100.

매장 관리 장치(100) 및 사용자 단말(200)은 네트워크를 통해 정보를 송수신할 수 있는 다양한 형태의 장치로 구현될 수 있다. 예를 들면, 휴대용 통신 장치(예: 스마트 폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 노트북, 태블릿 PC 등을 포함할 수 있다.The store management device 100 and the user terminal 200 may be implemented as various types of devices capable of transmitting and receiving information through a network. For example, it may include a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a notebook computer, a tablet PC, and the like.

도 2는 본 발명의 일 실시예에 따른 매장 관리 장치(100)의 기능 블럭도이다.2 is a functional block diagram of a store management apparatus 100 according to an embodiment of the present invention.

도 2를 참조하면, 매장 관리 장치(100)는 매장별 업무 DB(111), 업무 리스트 추출부(112), 업무 결정부(113), 업무 배정부(114), 업무 관리부(115), 업무 능력 정보 추출부(116), 직원별 업무 DB(117), 직원/업무 추출부(118), 카메라(119), 디스플레이부(120) 및 프로세서(121) 중 적어도 일부 또는 전부를 포함할 수 있다.Referring to FIG. 2, the store management device 100 includes a store-specific business DB 111, a business list extracting unit 112, a business decision unit 113, a business assignment unit 114, a business management unit 115, and It may include at least some or all of the capability information extracting unit 116, the employee-specific work DB 117, the employee/task extracting unit 118, the camera 119, the display unit 120, and the processor 121. .

프로세서(121)는 매장 관리 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(121)는 매장별 업무 DB(111), 업무 리스트 추출부(112), 업무 결정부(113), 업무 배정부(114), 업무 관리부(115), 업무 능력 정보 추출부(116), 직원별 업무 DB(117), 직원/업무 추출부(118), 카메라(119), 디스플레이부(120) 각각을 제어할 수 있다.The processor 121 may control the overall operation of the store management apparatus 100. The processor 121 includes a store-specific business DB 111, a work list extraction unit 112, a work decision unit 113, a work assignment unit 114, a work management unit 115, a work capability information extraction unit 116, Each of the employee-specific task DB 117, the employee/task extraction unit 118, the camera 119, and the display unit 120 may be controlled.

매장별 업무 DB(111)는 복수의 관리자 단말로부터 실제 업종 정보 및 실제 직원 정보를 포함하는 실제 매장 정보와, 실제 매장 정보의 매장에서 실제로 수행되고 있는 실제 업무 항목을 맵핑한 데이터를 수신하여 저장할 수 있다. The store-specific business DB 111 may receive and store data that maps the actual store information including actual business type information and actual employee information from a plurality of manager terminals, and the actual business items actually being performed in the store of the actual store information. have.

이 때, 복수의 관리자 단말은 복수의 관리자에 의해 사용되는 복수의 매장 관리 장치(100)를 의미할 수 있다. In this case, the plurality of manager terminals may mean a plurality of store management apparatuses 100 used by a plurality of managers.

실제 업종 정보는 매장이 제공하는 상품 또는 서비스의 종류에 대한 정보를 의미할 수 있고, 예를 들어 실제 업종 정보는 훠궈, 피자집, PC방, 볼링장, 스시집, 세탁, 학원, 미용 등일 수 있다. The actual business type information may mean information on the type of product or service provided by the store. For example, the actual business type information may be a hot pot, a pizzeria, a PC cafe, a bowling alley, a sushi restaurant, laundry, academy, beauty, etc. .

실제 직원 정보는 실제 매장에서 근무하고 있는 직원들의 정보를 의미할 수 있고, 예를 들어, 실제 직원 정보는 직원들의 수, 성별, 나이 등을 포함할 수 있다. The actual employee information may refer to information on employees working in a real store, and for example, the actual employee information may include the number, gender, and age of employees.

한편, 실제 매장 정보는 상술한 실제 업종 정보, 실제 직원 정보 외에 매장이 위치한 지역 정보 등을 더 포함할 수도 있다.Meanwhile, the actual store information may further include information on a region where the store is located in addition to the above-described actual business type information and actual employee information.

실제 업무 항목은 실제 매장 정보에 대응하는 매장에서 실제로 수행되고 있는 업무 항목들을 포함할 수 있다. 예를 들어, 실제 업무 항목은 배기 관리, 가스 관리, 고기 랩핑, 식재료 관리, 매장 환경 관리, 경비/보안, 매출 관리, 주문 관리 등을 포함할 수 있다.The actual business items may include business items that are actually being performed in a store corresponding to the actual store information. For example, actual work items may include exhaust management, gas management, meat wrapping, food ingredients management, store environment management, security/security, sales management, order management, and the like.

실제 업무 항목은 매장 관리 장치(100)를 통해 입력된 항목들일 수 있다. 실제 업무 항목은 실제 매장 정보에 따라 다를 수 있다.Actual work items may be items input through the store management device 100. Actual business items may differ according to actual store information.

업무 리스트 추출부(112)는 실제 매장 정보에 해당하는 매장에서 수행되어야 할 업무 항목들을 포함하는 업무 리스트를 추출할 수 있다.The task list extraction unit 112 may extract a task list including task items to be performed in a store corresponding to the actual store information.

업무 리스트 추출부(112)는 매장 정보를 입력받으면, 입력된 매장 정보에 기초하여 매장 정보에 대응되는 매장에서 관리해야 하는 복수의 업무 정보를 포함하는 업무 리스트를 추출할 수 있다.Upon receiving the store information, the job list extracting unit 112 may extract a job list including a plurality of job information to be managed in a store corresponding to the store information based on the input store information.

업무 리스트 추출부(112)는 신경망 모델을 통해 업무 리스트를 자동으로 추출할 수 있다. 이를 위해, 업무 리스트 추출부(112)는 업종 정보 및 직원 정보를 포함하는 매장 정보가 입력되면, 매장 정보에 대응되는 매장에서 관리해야 하는 복수의 업무 항목을 포함하는 업무 리스트를 추출하도록 소정의 머신러닝 알고리즘을 통해 학습된 신경망 모델을 포함할 수 있다.The task list extractor 112 may automatically extract a task list through a neural network model. To this end, when the store information including business type information and employee information is input, the job list extraction unit 112 extracts a job list including a plurality of business items to be managed in a store corresponding to the store information. It may include a neural network model learned through a learning algorithm.

도 3은 도 2에 도시된 업무 리스트 추출부(112)의 상세 구성도이다.3 is a detailed configuration diagram of the task list extracting unit 112 shown in FIG. 2.

도 3을 참조하면, 업무 리스트 추출부(112)는 매장 정보 수집부(1121), 실제 업무 항목 수집부(1122) 및 모델 생성부(1123) 중 적어도 일부 또는 전부를 포함할 수 있다.Referring to FIG. 3, the work list extraction unit 112 may include at least some or all of a store information collection unit 1121, an actual work item collection unit 1122, and a model generation unit 1123.

매장 정보 수집부(1121)는 매장 관리 장치(100)를 통해 입력된 실제 매장 정보를 수집하고, 실제 업무 항목 수집부(1122)는 매장 관리 장치(100)를 통해 입력된 실제 업무 항목을 수집할 수 있다.The store information collection unit 1121 collects the actual store information input through the store management device 100, and the actual work item collection unit 1122 collects the actual business items input through the store management device 100. I can.

모델 생성부(1123)는 매장 정보 수집부(1121)에 의해 수집된 실제 매장 정보와 실제 업무 항목 수집부(1122)에 이해 수집된 실제 업무 항목을 획득하면, 실제 매장 정보를 반영하여 실제 업무 항목을 추출하는 소정의 머신러닝 알고리즘을 통해 학습된 신경망 모델에 실제 매장 정보를 입력하여 실제 업무 항목을 추출할 수 있다. 모델 생성부(1123)는 이러한 신경망 모델을 아래의 방법을 통해 생성할 수 있다.When the model generation unit 1123 acquires the actual store information collected by the store information collection unit 1121 and the actual business item collected by the real business item collection unit 1122, the actual business item by reflecting the actual store information Actual business items may be extracted by inputting actual store information into a neural network model learned through a predetermined machine learning algorithm that extracts. The model generation unit 1123 may generate such a neural network model through the following method.

도 4는 실제 매장 정보로부터 실제 업무 항목을 추출하는 머신러닝 기반의 신경망 모델의 예시이다.4 is an example of a machine learning-based neural network model that extracts actual work items from actual store information.

머신러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.Machine Learning (Machine Learning) refers to the field of defining various problems dealt with in the field of artificial intelligence and studying methodologies to solve them. Machine learning is also defined as an algorithm that improves the performance of a task through continuous experience.

인공 신경망(ANN: Artificial Neural Network)은 머신러닝에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.An artificial neural network (ANN) is a model used in machine learning, and may refer to an overall model with problem-solving capabilities, which is composed of artificial neurons (nodes) that form a network by combining synapses. The artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process for updating model parameters, and an activation function for generating an output value.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함수값을 출력할 수 있다. The artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer includes one or more neurons, and the artificial neural network may include neurons and synapses connecting neurons. In an artificial neural network, each neuron can output a function value of an activation function for input signals, weights, and biases input through synapses.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.Model parameters refer to parameters determined through learning, and include weights of synaptic connections and biases of neurons. In addition, hyperparameters refer to parameters that must be set before learning in a machine learning algorithm, and include a learning rate, iteration count, mini-batch size, and initialization function.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.The purpose of learning artificial neural networks can be seen as determining model parameters that minimize the loss function. The loss function can be used as an index to determine an optimal model parameter in the learning process of the artificial neural network.

머신러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to the learning method.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.Supervised learning refers to a method of training an artificial neural network when a label for training data is given, and a label indicates the correct answer (or result value) that the artificial neural network should infer when training data is input to the artificial neural network. It can mean. Unsupervised learning may refer to a method of training an artificial neural network in a state where a label for training data is not given. Reinforcement learning may mean a learning method in which an agent defined in a certain environment learns to select an action or action sequence that maximizes the cumulative reward in each state.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신러닝을 딥러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥러닝은 머신러닝의 일부이다. 이하에서, 머신러닝은 딥러닝을 포함하는 의미로 사용될 수 있다.Among artificial neural networks, machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is sometimes called deep learning (deep learning), and deep learning is a part of machine learning. Hereinafter, machine learning may be used to include deep learning.

도 4를 참조하면, 모델 생성부(1123)는 일 실시예에 따라 머신러닝 알고리즘 중 딥러닝 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있고, 일 실시예에 따른 신경망 모델은 입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성될 수 있다. 모델 생성부(1123)는 실제 업종 정보 및 실제 직원 정보를 포함하는 실제 매장 정보를 입력 레이어에 입력될 파라미터로 설정하고, 실제 매장 정보에 따른 매장을 관리 중인 관리자가 생성한 실제 업무 항목을 출력 레이어에 입력될 파라미터로 설정할 수 있다.Referring to FIG. 4, the model generator 1123 may train a neural network model using a deep learning algorithm among machine learning algorithms according to an embodiment, and the neural network model according to an embodiment includes an input layer, a hidden layer, and It can be composed of a neural network including an output layer. The model generation unit 1123 sets actual store information including actual business type information and actual employee information as parameters to be input to the input layer, and outputs the actual work items generated by the manager managing the store according to the actual store information. It can be set as a parameter to be input to.

이후, 모델 생성부(1123)는 실제 매장 정보 및 실제 업무 항목을 통해 수집된 다수의 데이터를 학습데이터로 이용하거나, 또는 아래에 예시될 파라미터에 대한 변수를 포함하는 외부 데이터를 이용하여 상기 설정에 따라 신경망 모델을 학습시킬 수 있다. 다수의 실제 매장 정보가 신경망 모델의 학습과정에서 입력됨에 따라 입력된 매장 정보에 대응하는 업무 항목을 도출하도록 상관 관계가 학습될 수 있다. 예를 들어, 입력층에 실제 매장 정보(ex. 도 6에 도시된 매장 정보)가 레이블링된 학습 데이터들이 입력되도록 하고, 출력층에는 실제 매장 정보에 대응하는 업무 항목들(ex. 배기 관리, 가스 관리, 고기 랩핑, 식재료 관리 등)가 레이블링된 학습 데이터들이 입력되도록 설정할 수 있다.Thereafter, the model generation unit 1123 uses a plurality of data collected through actual store information and actual work items as learning data, or by using external data including variables for parameters to be illustrated below to the setting. We can train the neural network model accordingly. As a plurality of actual store information is input in the learning process of the neural network model, the correlation may be learned to derive a work item corresponding to the input store information. For example, learning data labeled with actual store information (ex. store information shown in FIG. 6) are input to the input layer, and work items corresponding to the actual store information (ex. exhaust management, gas management) are input to the output layer. , Meat wrapping, food ingredient management, etc.) can be set to input the labeled learning data.

이와 같이, 구성된 신경망 모델에 위 예시의 정보들이 레이블링된 다수의 학습 데이터를 상기 설정에 따라 입력시킴으로써, 신경망 모델을 구성하는 뉴런 간의 가중치나 및 뉴런의 편향은 손실 함수를 최소화하는 방향으로 갱신됨에 따라, 신경망 모델은 은닉층 간의 연결 정보(ex. 가중치, 편향)에는 실제 매장 정보로부터, 실제 매장 정보가 반영된 실제 업무 항목들을 도출하도록 하는 상관 관계가 학습될 수 있다.In this way, by inputting a plurality of training data labeled with the above example information into the constructed neural network model according to the setting, the weights between neurons and the bias of neurons constituting the neural network model are updated in the direction of minimizing the loss function. , In the neural network model, a correlation for deriving actual business items reflecting the actual store information from the actual store information may be learned in connection information (ex. weights, biases) between hidden layers.

이에 따라, 실제 업무 항목을 추출하기 위한 실제 매장 정보, 가령 입력 레이어의 파라미터와 대응되는 정보를 신경망 모델에 입력하면, 실제 매장 정보에 해당하는 매장에서 수행되어야 할 실제 업무 항목들을 포함하는 업무 항목 리스트 등이 출력될 수 있다.Accordingly, when actual store information for extracting actual business items, for example, information corresponding to the parameters of the input layer, is input into the neural network model, a list of business items including actual business items to be performed at the store corresponding to the actual store information Etc. can be output.

한편, 도 4의 학습에 사용된 파라미터 수나 은닉 레이어의 수는 예시일 뿐으로 이에 한정되는 것이 아니며, 딥러닝 알고리즘 외에 decision tree(DT), k-nearest neighbor(KNN), logistic regression(LR), multilayer perceptron(MLP), random forest(RF), support vector machine(SVM) 및 lasso 등 사용할 파라미터의 종류나 수에 따라 적합한 알고리즘을 선택하여 사용할 수 있다.Meanwhile, the number of parameters and the number of hidden layers used for learning in FIG. 4 are examples only, and are not limited thereto. In addition to the deep learning algorithm, decision tree (DT), k-nearest neighbor (KNN), logistic regression (LR), and multilayer An appropriate algorithm can be selected and used according to the type or number of parameters to be used, such as perceptron (MLP), random forest (RF), support vector machine (SVM), and lasso.

한편, 매장별 업무 DB(111)는 실제 업무 항목이 시간 당 보고되는 횟수에 대한 데이터를 더 포함할 수 있다.Meanwhile, the store-specific business DB 111 may further include data on the number of times that actual business items are reported per hour.

이 경우, 신경망 모델은 실제 업종 정보 및 실제 직원 정보를 포함하는 매장 정보가 입력되도록 설정되고, 출력 레이어에 실제 매장 정보에 따른 매장을 관리 중인 관리자가 생성한 실제 업무 항목 및 횟수에 대한 데이터가 입력되도록 설정되어, 다수의 실제 매장 정보가 신경망 모델의 학습 과정에서 입력됨에 따라 입력된 매장 정보에 대응하는 업무 항목 및 업무 항목이 시간 당 보고되어야 할 횟수를 도출하도록 상관 관계가 학습될 수 있다.In this case, the neural network model is set to input store information including actual business type information and actual employee information, and data on the actual work items and the number of times generated by the manager managing the store according to the actual store information are input to the output layer. It is set so that the correlation may be learned so as to derive the number of times that the business items corresponding to the input store information and the business items should be reported per hour as a plurality of actual store information is input in the learning process of the neural network model.

다시, 도 2를 설명한다.Again, Fig. 2 will be described.

업무 결정부(113)는 업무 리스트 추출부(112)를 통해 추출된 업무 리스트에 포함된 업무 항목 중 적어도 하나를 실제 업무 항목으로 결정하기 위한 입력을 관리자로부터 수신할 수 있다. 업무 결정부(113)는 업무 리스트 추출부(112)를 통해 추출된 업무 리스트에 포함된 업무 항목 중 관리자 입력을 통해 결정된 업무 항목만을 실제 업무 항목으로 설정할 수 있다.The task determination unit 113 may receive an input for determining at least one of the work items included in the work list extracted through the work list extraction unit 112 as an actual work item from the manager. The task determination unit 113 may set only the task items determined through an administrator input among the task items included in the task list extracted through the task list extractor 112 as an actual task item.

이와 같이, 매장 관리 장치(100)는 업무 리스트에 포함된 업무 항목을 실제 업무 항목을 결정하거나, 업무 항목을 수동으로 입력 받는 등 관리자로부터 다양한 입력을 수신하기 위한 입력 모듈(미도시)을 더 포함할 수도 있다.In this way, the store management device 100 further includes an input module (not shown) for receiving various inputs from the manager, such as determining the actual work item for the work item included in the work list or manually inputting the work item. You may.

한편, 실시 예에 따라, 업무 결정부(113)는 추출된 업무 리스트에 포함되지 않은 업무 항목을 관리자로부터 수동으로 입력받아 실제 업무 항목에 추가할 수 있다.Meanwhile, according to an embodiment, the task determination unit 113 may manually input a task item that is not included in the extracted task list from the manager and add it to the actual task item.

이 경우, 신경망 모델은 입력 레이어 및 출력 레이어에 수동으로 입력받은 업무 항목에 대한 데이터가 추가로 입력되도록 재학습하여, 관리자의 매장 정보와 관리자가 수동으로 입력한 업무 항목을 도출하는 상관 관계가 갱신되도록 재-학습할 수 있다.In this case, the neural network model is retrained to additionally input data on work items manually input to the input layer and output layer, so that the correlation between the manager's store information and the work items manually inputted by the manager is updated. It can be re-learned whenever possible.

이 경우, 업무 리스트 추출부(112)를 통해 추출된 업무 리스트가 관리자에 의해 보완될 수 있고, 이러한 데이터가 신경망 모델에 의해 재-학습되므로, 추후 관리자가 별도로 보완할 필요성이 줄어드므로, 사용자 편의성을 제공 가능한 이점이 있다.In this case, the task list extracted through the task list extracting unit 112 can be supplemented by the administrator, and since such data is re-learned by the neural network model, the need for the administrator to separately supplement it in the future is reduced. There is an advantage that can provide convenience.

업무 배정부(114)는 추출된 업무 리스트에 포함된 업무 정보를 수행할 직원을 배정할 수 있다.The task assignment unit 114 may allocate an employee to perform task information included in the extracted task list.

업무 배정부(114)는 직원 정보에 기반하여 업무 결정부(113)에 의해 결정된 실제 업무 항목 각각의 업무를 수행할 직원을 배정할 수 있다.The task assignment unit 114 may allocate an employee to perform each task of the actual work item determined by the task determination unit 113 based on the employee information.

일 실시 예에 따르면, 업무 배정부(114)는 업무 결정부(113)에 의해 결정된 실제 업무 항목 각각에 직원 정보에 포함된 직원을 순서대로 배정할 수 있다.According to an embodiment, the task assignment unit 114 may sequentially allocate employees included in the employee information to each of the actual work items determined by the work determination unit 113.

다른 실시 예에 따르면, 업무 배정부(114)는 매장별 업무 DB(111)에 기초하여 결정된 실제 업무 항목 각각에 업무를 수행할 직원을 배정할 수 있다. 구체적으로, 업무 배정부(114)는 매장별 업무 DB(111)에 제1 직원 정보와 제1 업무 항목이 맵핑된 데이터가 제2 직원 정보와 제1 업무 항목이 맵핑된 데이터 보다 많은 경우, 실제 업무 항목으로 결정된 제1 업무 항목을 수행할 직원으로 제1 직원 정보와 대응되는 정보가 가장 많은 직원을 배정할 수 있다. 이를 위해, 업무 배정부(114)는 입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성되고, 매장별 업무 DB(111)의 데이터를 이용하여 입력 레이어에 실제 업무 항목이 입력되도록 설정되고, 출력 레이어에 실제 업무 항목을 수행하는 실제 직원 정보가 입력되도록 설정되어, 업무 항목과 직원 정보 간의 상관 관계가 학습된 신경망 모델을 포함하며, 신경망 모델에 결정된 실제 업무 항목을 입력하여, 결정된 실제 업무 항목 각각에 대해 출력되는 직원 정보에 기반하여, 결정된 실제 업무 항목 각각의 업무를 수행할 직원을 배정할 수 있다.According to another embodiment, the task assignment unit 114 may allocate an employee to perform a task to each actual task item determined based on the task DB 111 for each store. Specifically, when the data on which the first employee information and the first work item are mapped to the business DB 111 for each store is more than the data on which the second employee information and the first work item are mapped, the An employee with the largest amount of information corresponding to the first employee information may be assigned as an employee who will perform the first work item determined as the work item. To this end, the task assignment unit 114 is composed of a neural network including an input layer, a hidden layer, and an output layer, and is set to input actual work items to the input layer by using the data of the store-specific work DB 111, The output layer contains the neural network model in which the correlation between the work item and the employee information is learned by inputting the actual employee information performing the actual work item, and the actual work item determined by inputting the actual work item determined in the neural network model Based on the employee information output for each, it is possible to assign an employee to perform the job for each of the determined actual job items.

업무 관리부(115)는 직원 단말(200)과 신호를 송수신할 수 있다. 업무 관리부(115)는 근거리 통신 모듈, 이동 통신 모듈 등을 구비할 수 있다. 업무 관리부(115)는 결정된 실제 업무 항목 각각을 배정된 직원의 단말(200)로 전송할 수 있다.The task management unit 115 may transmit and receive signals with the employee terminal 200. The task management unit 115 may include a short-range communication module, a mobile communication module, and the like. The task management unit 115 may transmit each of the determined actual task items to the assigned employee's terminal 200.

업무 관리부(115)는 직원의 단말(200)로부터 업무 수행 상태를 포함하는 이미지 파일을 수신하고, 이미지 파일을 기초로 업무의 완료 여부를 판단할 수 있다.The task management unit 115 may receive an image file including a task execution status from the employee's terminal 200 and determine whether the task is completed based on the image file.

일 예로, 업무 관리부(115)는 이미지 파일에 포함된 메타 데이터를 기초로 이미지 파일이 생성된 시간을 판별하고, 이미지 파일이 생성된 시간이 업무를 수행해야 할 시간에 포함되어 있는 경우에 업무를 완료된 것으로 판단할 수 있다.As an example, the task management unit 115 determines the time when the image file is created based on the metadata included in the image file, and if the time at which the image file is created is included in the time to perform the task, It can be judged as completed.

한편, 업무 관리부(115)는 결정된 실제 업무 항목 각각을 배정된 직원의 단말로 전송시 관리자가 촬영한 이미지 구도에 따른 이미지 촬영 가이드 라인을 더 전송할 수 있다.Meanwhile, when transmitting each of the determined actual work items to the assigned employee's terminal, the work management unit 115 may further transmit an image shooting guideline according to the image composition taken by the manager.

업무 관리부(115)는 배정된 직원이 수행한 업무에 대한 평가 정보를 입력받을 수 있다.The task management unit 115 may receive evaluation information on tasks performed by assigned employees.

업무 능력 정보 추출부(116)는 특정 업무 정보와 특정 직원 정보가 입력될 경우, 입력된 업무를 입력된 직원이 수행하게 될 경우의 업무 능력 정보를 추출할 수 있다. 이를 위해, 업무 능력 정보 추출부(116)는 업무 정보, 각 업무에 배정된 직원에 대한 직원 정보 및 각 직원이 수행한 업무에 대한 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습데이터로 이용하여, 제1 업무 정보 및 제1 직원 정보가 입력될 경우, 제1 업무 정보를 제1 직원 정보에 해당하는 직원이 수행하게 될 경우의 업무 능력 정보를 추출하는 신경망 모델을 포함할 수 있다.When specific task information and specific employee information are input, the work capability information extracting unit 116 may extract work capability information when the inputted work is performed by the inputted employee. To this end, the work capability information extraction unit 116 uses work information, employee information on employees assigned to each job, and evaluation information on tasks performed by each employee as learning data for a predetermined machine learning algorithm, When the first job information and the first employee information are input, a neural network model for extracting job capability information when an employee corresponding to the first employee information performs the first job information may be included.

직원별 업무 DB(117)는 복수의 직원 정보 각각에 대해 업무 능력 점수가 맵핑된 직원별 업무 데이터를 저장할 수 있다. The employee-specific job DB 117 may store job data for each employee to which job competency scores are mapped for each of a plurality of employee information.

직원/업무 추출부(118)는 각 업무에 적합한 직원을 추출하거나, 각 직원에 적합한 업무를 추출할 수 있다. The employee/task extraction unit 118 may extract an employee suitable for each job or extract a job suitable for each employee.

직원/업무 추출부(118)는 복수의 인원 각각에 대한 직원 정보를 저장하는 인력 데이터베이스와 연동하여, 소정의 업무 정보에 대해 인력 데이터베이스에 포함된 복수의 인원에 대한 직원 정보를 신경망 모델에 입력하여 출력된 업무 능력 정보를 기초로, 소정의 업무 정보에 적합한 직원을 추출할 수 있다.The employee/task extracting unit 118 interlocks with a manpower database that stores employee information for each of a plurality of employees, and inputs employee information on a plurality of employees included in the manpower database for predetermined work information into a neural network model. Based on the outputted job capability information, it is possible to extract employees suitable for predetermined job information.

카메라(119)는 실제 업무 항목 각각을 수행할 직원의 직원 단말(200)로 업무 지시를 전송할 때 명확한 업무 지시를 위한 이미지를 촬영할 수 있다.The camera 119 may take an image for a clear task instruction when transmitting a task instruction to the employee terminal 200 of an employee who will perform each actual task item.

디스플레이부(120)는 매장 정보를 입력받기 위한 화면, 매장 정보에 따라 추출된 업무 리스트, 업무 항목 각각에 배정된 직원 정보 등을 표시할 수 있다. 즉, 디스플레이부(120)는 매장 관리에 필요한 각종 정보를 표시할 수 있다.The display unit 120 may display a screen for receiving store information input, a list of tasks extracted according to the store information, and employee information assigned to each task item. That is, the display unit 120 may display various types of information necessary for store management.

다음으로, 도 5는 본 발명의 일 실시 예에 따른 매장 관리 장치를 통한 매장 관리 방법의 프로세스를 도시한 흐름도이고, 도 6은 도 5에 도시된 흐름도에 따라 매장 관리 장치에 입력되거나 추출되는 정보의 제1 예시를 나타내는 도면이고, 도 7은 도 5에 도시된 흐름도에 따라 매장 관리 장치에 입력되거나 추출되는 정보의 제2 예시를 나타내는 도면이다.Next, FIG. 5 is a flowchart showing a process of a store management method through the store management device according to an embodiment of the present invention, and FIG. 6 is information input or extracted into the store management device according to the flowchart shown in FIG. Is a diagram illustrating a first example of, and FIG. 7 is a diagram illustrating a second example of information input or extracted into a store management apparatus according to the flowchart shown in FIG. 5.

매장 관리 장치(100)는 매장 정보를 입력받을 수 있다(S1).The store management device 100 may receive store information (S1).

도 6 및 도 7의 예시를 참조하면, 매장 관리 장치(100)는 업종 정보로 훠궈를 입력 받고, 직원 정보로 8명의 직원에 대한 직원 정보를 입력 받을 수 있다.Referring to the examples of FIGS. 6 and 7, the store management apparatus 100 may receive a hot pot as business type information, and may receive employee information for eight employees as employee information.

매장 관리 장치(100)는 업무 리스트를 추출할 수 있다(S3).The store management device 100 may extract a work list (S3).

일 실시 예에 따르면, 도 6의 예시와 같이, 업무 리스트 추출부(112)는 단계 S1에서 입력된 매장 정보에 따라 배기 관리, 가스 관리, 고기 랩핑, 식재료 관리, 매장 환경 관리, 경비/보안, 매출 관리, 주문 관리 등을 포함하는 업무 리스트를 추출할 수 있다.According to an embodiment, as illustrated in FIG. 6, the task list extraction unit 112 includes exhaust management, gas management, meat wrapping, food material management, store environment management, security/security, according to the store information input in step S1. You can extract a list of tasks including sales management and order management.

다른 실시 예에 따르면, 업무 리스트 추출부(112)는 업무 리스트를 추출할 때 복수의 업무 항목에 각각의 업무 항목이 보고되어야 할 횟수를 함께 추출할 수 있다. 도 7의 예시와 같이, 업무 리스트 추출부(112)는 단계 S1에서 입력된 매장 정보에 따라 배기 관리, 가스 관리, 고기 랩핑, 식재료 관리, 매장 환경 관리, 경비/보안, 매출 관리, 주문 관리 등을 포함하는 업무 리스트와 함께 배기 관리 1일 5회 보고, 가스 관리 1일 3회 보고 고기 랩핑 1일 3회 보고, 식재료 관리 1일 3회 보고, 매장 환경 관리 1일 1회 보고, 경비/보안 1일 2회 보고, 매출 관리 1일 1회 보고, 주문 관리 1일 1회 보고와 같은 업무 항목이 보고되어야 할 횟수를 함께 추출할 수 있다.According to another embodiment, when extracting the task list, the task list extractor 112 may extract the number of times each task item should be reported to a plurality of task items together. As illustrated in FIG. 7, the task list extraction unit 112 includes exhaust management, gas management, meat wrapping, food material management, store environment management, expense/security, sales management, order management, etc. according to the store information input in step S1. Exhaust management reports 5 times a day, gas management reports 3 times a day, meat wrapping reports 3 times a day, food ingredients management reports 3 times a day, store environment management reports once a day, security/security You can extract the number of times that business items such as reporting twice a day, sales management reporting once a day, and order management reporting once a day must be reported.

매장 관리 장치(100)는 업무 리스트를 결정할 수 있다(S3).The store management device 100 may determine a task list (S3).

도 6 및 도 7의 예시를 참조하면, 업무 결정부(113)는 업무 리스트에서 적어도 하나, 예를 들어, 배기 관리, 가스 관리, 고기 랩핑, 식재료 관리 및 매장 환경 관리를 실제 수행될 업무 항목으로 결정받을 수 있다.6 and 7, the task determination unit 113 performs at least one task in the task list, for example, exhaust management, gas management, meat wrapping, food material management, and store environment management as a task item to be actually performed. You can be decided.

매장 관리 장치(100)는 결정된 업무 리스트에 포함된 각각의 업무 항목에 직원을 배정할 수 있다(S4).The store management device 100 may allocate an employee to each work item included in the determined work list (S4).

도 6 및 도 7의 예시를 참조하면, 업무 배정부(114)는 배기 관리를 수행할 직원으로 직원 1을 배정하고, 가스 관리를 수행할 직원으로 직원 2를 배정하고, 고기 랩핑을 수행할 직원으로 직원 3, 4를 배정하고, 식재료 관리를 수행할 직원으로 직원 5, 6을 배정하고, 매장 환경 관리를 수행할 직원으로 직원 7, 8을 배정할 수 있다.6 and 7, the task assignment unit 114 allocates employee 1 as an employee to perform exhaust management, assigns employee 2 as an employee to perform gas management, and an employee to perform meat wrapping As a result, employees 3 and 4 can be assigned, employees 5 and 6 can be assigned as employees to manage food ingredients, and employees 7 and 8 can be assigned as employees to manage the store environment.

한편, 업무 배정부(114)는 매장별 업무 DB(111)에 저장된 데이터에 따를 때 배기 관리를 20대 남자가 주로 수행하고, 가스 관리를 20대 여자가 주로 수행한 경우, 이러한 직원 정보를 반영하여 업무 항목 각각에 직원을 배정할 수도 있다.On the other hand, the task assignment unit 114 reflects such employee information when exhaust management is mainly performed by men in their 20s and gas management is mainly performed by women in their 20s according to the data stored in the store-specific business DB 111. You can also assign employees to each task item.

매장 관리 장치(100)는 업무 보고 및 업무 확인을 수행할 수 있다(S5).The store management device 100 may perform a work report and work check (S5).

도 6 및 도 7의 예시를 참조하면, 업무 관리부(115)는 직원 각각에게 배정된 업무 항목의 내용을 각각의 직원 단말(200)로 전송할 수 있다. 이 때, 업무 관리부(115)는 카메라(119)에 의해 촬영된 이미지 파일을 더 전송할 수 있다. 특히, 업무 관리부(115)는 관리자가 촬영한 이미지의 구도에 따른 이미지 촬영 가이드 라인을 더 전송할 수 있다. 직원 단말(200)은 이미지 촬영 가이드 라인을 표시할 수도 있다. 이 경우, 관리자는 직원이 업무를 보고할 때 어떠한 구도로 사진을 찍어야 하는지와 같은 구도를 제안하기 위해 이미지를 촬영하고, 직원은 관리자가 촬영한 이미지 또는 이미지 촬영 가이드 라인을 참고하여 어떤 영역을 어떠한 구도로 촬영해야 하는지 알 수 있다. 6 and 7, the work management unit 115 may transmit the contents of work items assigned to each employee to each employee terminal 200. In this case, the task management unit 115 may further transmit an image file captured by the camera 119. In particular, the task management unit 115 may further transmit an image shooting guideline according to the composition of the image captured by the manager. The employee terminal 200 may also display an image capture guideline. In this case, the manager takes an image to suggest a composition, such as what composition should be taken when the employee reports a job, and the employee refers to the image taken by the manager or the guidelines for shooting images, and in what composition. You know if you need to shoot.

도 8은 본 발명의 실시 예에 따른 직원 단말(200)이 이미지 촬영 가이드 라인을 표시하는 방법의 예시 도면이다.8 is an exemplary diagram of a method for displaying an image capture guideline by the employee terminal 200 according to an embodiment of the present invention.

매장 관리 장치(100)는 관리자에 의해 촬영된 이미지에 기초하여 이미지 촬영 가이드 라인을 생성할 수 있고, 직원 단말(200)로 이미지 및 이미지 촬영 가이드 라인을 전송할 수 있다. 직원 단말(200)은 도 8에 도시된 바와 같은 직원이 전송해야 할 이미지가 포함되어야 하는 가이드 라인 및 상기 가이드라인을 설명하는 텍스트에 대한 정보를 포함하는 이미지 촬영 가이드 라인을 표시할 수 있다. 예를 들어, 업무 항목이 정문 닦기라고 예시를 할 때, 직원이 전송해야 할 이미지가 정문이므로, 도 8과 같이 정문을 찍어야 하는 범위에 대한 가이드라인(녹색 점선)에 대한 정보를 포함할 수 있고, 가이드라인에 대한 설명으로서 “녹색선에 따라 정문 사진을 찍어주세요”라는 텍스트 정보를 포함할 수 있다. 이에 따라, 가이드라인 및 텍스트를 포함하는 작업 정보가 직원 단말(200)에 표시될 수 있고, 직원은 해당 가이드 라인 및 텍스트를 참조하여 이미지 파일을 생성할 수 있다. The store management apparatus 100 may generate an image capture guideline based on an image captured by a manager, and transmit an image and an image capture guideline to the employee terminal 200. As illustrated in FIG. 8, the employee terminal 200 may display a guideline in which an image to be transmitted by an employee should be included and an image shooting guideline including information on text describing the guideline. For example, when exemplifying that the work item is cleaning the front door, since the image to be transmitted by the employee is the front door, it may include information on a guideline (green dotted line) about the range in which the front door should be photographed as shown in FIG. , As a description of the guideline, text information such as "Please take a picture of the front door along the green line" may be included. Accordingly, job information including a guideline and text may be displayed on the employee terminal 200, and the employee may generate an image file by referring to the guideline and text.

이에 따라, S5 단계에서 매장 관리 장치(100)는 이미지 파일에 포함된 작업 대상 이미지가 가이드 라인에 맞추어서 촬영된 것인지 판단하거나, 또는 소정의 머신러닝 알고리즘을 통해 가이드 라인 내부의 이미지 파일에 포함된 작업 대상 이미지를 분석하여 업무가 완료된 것을 판단할 수 있다. Accordingly, in step S5, the store management device 100 determines whether or not the target image included in the image file has been photographed according to the guideline, or the work included in the image file inside the guideline through a predetermined machine learning algorithm. By analyzing the target image, you can judge that the task is complete.

또한, 매장 관리 장치(100)는 S5 단계에서 평가 정보를 입력받을 수 있다. 평가 정보는 각 직원이 수행한 업무 각각에 대해 관리자가 입력한 평가 결과를 의미할 수 있다. 매장 관리 장치(100)는 업무 완성도, 성실도, 책임도, 친화도, 친절도 및 종합 점수 중 적어도 하나를 입력받음으로써, 평가 정보를 입력받을 수 있다.In addition, the store management device 100 may receive evaluation information in step S5. The evaluation information may mean an evaluation result input by a manager for each task performed by each employee. The store management apparatus 100 may receive evaluation information by receiving at least one of job completion, sincerity, responsibility, affinity, kindness, and overall score.

매장 관리 장치(100)는 각 직원이 수행한 업무에 대한 평가를 입력할 수 있다. 일 예로, 관리자는 매장 관리 장치(100)를 통해 도 8에 도시된 바와 같은 방법으로 촬영된 이미지를 보고, 각 직원이 수행한 업무에 대한 평가 정보를 입력할 수 있다. 다른 예로, 매장 관리 장치(100)는 업무 정보에 배정된 직원이 업무에 대한 처리 결과를 촬영한 이미지를 수신하고, 이미지를 기초로 업무 정보에 대한 평가를 판단할 수 있다. 그러나, 상술한 예시들은 설명의 편의를 위한 예시적인 것에 불과하다. 즉, 매장 관리 장치(100)는 다양한 방법으로 각 직원이 수행한 업무에 대한 평가 정보를 입력할 수 있다.The store management device 100 may input an evaluation on a task performed by each employee. As an example, the manager may view an image captured in the manner as shown in FIG. 8 through the store management device 100 and input evaluation information on tasks performed by each employee. As another example, the store management apparatus 100 may receive an image in which an employee assigned to the job information captures a result of processing a job, and may determine an evaluation of the job information based on the image. However, the above-described examples are merely illustrative for convenience of description. That is, the store management apparatus 100 may input evaluation information on tasks performed by each employee in various ways.

한편, 프로세서(121)는 직원을 배정할 때, 추출된 업무 리스트에 포함된 업무 정보를 수행할 직원을 배정하면서, 업무가 시간 당 보고되어야 횟수를 도출하고, 도출된 횟수에 따라 업무에 대한 처리 결과를 보고하도록 지정할 수 있다. 이 경우 프로세서(121)는 도출된 횟수에 따라 보고된 업무에 대한 처리 결과에 대한 평가 정보를 입력받을 수 있다. 예를 들어, 프로세서(121)는 도출된 횟수만큼 보고된 업무에 대한 처리 결과에 대한 평가 정보의 평균값을 직원이 수행한 업무에 대한 최종 평가 정보로 인식할 수 있다.On the other hand, when assigning employees, the processor 121 allocates employees to perform the work information included in the extracted work list, derives the number of times the work must be reported per hour, and processes the work according to the derived number You can specify to report results. In this case, the processor 121 may receive evaluation information on the result of processing the reported task according to the number of times derived. For example, the processor 121 may recognize the average value of evaluation information on the result of processing the tasks reported as many times as the derived number as final evaluation information on the tasks performed by the employee.

본 발명의 일 실시 예에 따르면, 매장 관리 장치(100)는 소정의 업무 정보에 대해 복수의 인원에 대한 직원 정보를 신경망 모델에 입력하여 출력된 업무 능력 정보를 기초로, 소정의 업무 정보에 적합한 직원을 추천할 수 있다.According to an embodiment of the present invention, the store management apparatus 100 inputs employee information for a plurality of personnel for predetermined job information into a neural network model, and is suitable for predetermined job information based on the output job capability information. Can recommend staff.

도 9는 본 발명의 일 실시 예에 따른 매장 관리 장치가 소정의 업무 정보에 적합한 직원을 추천하는 방법이 도시된 순서도이다.9 is a flowchart illustrating a method of recommending an employee suitable for predetermined work information by the store management apparatus according to an embodiment of the present invention.

프로세서(121)는 업무 정보, 직원 정보, 직원의 평가 정보를 학습 데이터로 이용하여 소정의 업무 정보를 소정의 직원 정보에 해당하는 직원이 수행하기 될 경우의 업무 능력 정보를 추출하는 신경망 모델을 학습할 수 있다(S11).The processor 121 learns a neural network model for extracting job capability information when an employee corresponding to the predetermined employee information performs predetermined job information by using job information, employee information, and employee evaluation information as learning data. Can do it (S11).

업무 정보는 업무 리스트 추출부(112)에 의해 추출된 업무 항목 각각에 대한 정보 또는 업무 결정부(113)에 의해 결정된 업무 항목 각각에 대한 정보를 의미할 수 있다. 도 6의 예시에 따르면, 업무 정보는, 배가 관리, 가스 관리, 고기 랩핑, 식재료 관리 및 매장 환경 관리 등을 의미할 수 있다.The task information may mean information on each task item extracted by the task list extraction unit 112 or information on each task item determined by the task determination unit 113. According to the example of FIG. 6, the business information may refer to pear management, gas management, meat wrapping, food material management, and store environment management.

직원 정보는 성별, 나이, 사용 언어, 학력, 전공, 신장, 몸무게 중 하나 이상을 포함할 수 있다.Employee information may include one or more of gender, age, language spoken, education, major, height, and weight.

평가 정보는 도 5의 단계 S5에서 획득된 각 직원이 배정된 업무에 대해 수행한 결과를 의미할 수 있다.The evaluation information may mean a result of each employee acquired in step S5 of FIG. 5 performed on the assigned task.

프로세서(121)는 업무 능력 정보 추출부(112)를 통해 소정의 업무 정보를 소정의 직원 정보에 해당하는 직원이 수행하기 될 경우의 업무 능력 정보를 추출하는 신경망 모델을 학습할 수 있고, 이에 대해 도 10을 통해 자세히 설명한다.The processor 121 may learn a neural network model for extracting job competency information when an employee corresponding to the predetermined employee information performs predetermined job information through the job competency information extracting unit 112, and for this It will be described in detail with reference to FIG. 10.

도 10은 도 2에 도시된 업무 능력 정보 추출부(112)의 상세 구성도이다.10 is a detailed configuration diagram of the work capability information extracting unit 112 shown in FIG. 2.

도 10을 참조하면, 업무 능력 정보 추출부(112)는 업무 정보 수집부(1161), 직원 정보 수집부(1162), 평가 정보 수집부(1163) 및 모델 생성부(1164) 중 적어도 일부 또는 전부를 포함할 수 있다.Referring to FIG. 10, the work capability information extraction unit 112 includes at least some or all of the work information collection unit 1161, the employee information collection unit 1162, the evaluation information collection unit 1163, and the model generation unit 1164 It may include.

업무 정보 수집부(1161)는 매장 관리 장치(100)를 통해 입력된 매장에서의 업무 정보를 수집하고, 직원 정보 수집부(1162)는 매장 관리 장치(100)를 통해 입력된 각 업무를 수행한 직원들의 정보를 수집하고, 평가 정보 수집부(1163)는 각 업무를 수행한 각 직원들에 대해 입력된 평가 정보를 수집할 수 있다. 평가 정보 수집부(1163)는 도 5의 단계 S5에서 각 업무에 배정된 직원이 수행한 업무에 대해 입력된 평가 정보를 수집할 수 있다.The business information collection unit 1161 collects business information in the store input through the store management device 100, and the employee information collection unit 1162 performs each job input through the store management device 100. Information of employees is collected, and the evaluation information collection unit 1163 may collect evaluation information input for each employee who has performed each task. The evaluation information collection unit 1163 may collect evaluation information input for a task performed by an employee assigned to each task in step S5 of FIG. 5.

모델 생성부(1164)는 업무 정보 수집부(1161)에 의해 수집된 업무 정보와 직원 정보 수집부(1162)에 의해 수집된 각 업무를 수행한 직원들의 정보와, 평가 정보 수집부(1164)에 의해 수집된 각 업무를 수행한 직원들의 평가 정보를 획득하면, 업무 정보 및 직원 정보를 반영하여 각 직원의 업무 능력 정보를 추출하는 소정의 머신러닝 알고리즘을 통해 학습된 신경망 모델에 업무 정보 및 직원 정보를 입력하여 입력된 업무 정보에 대응하는 직원의 업무 능력 정보를 추출할 수 있다. 모델 생성부(1164)는 이러한 신경망 모델을 아래의 방법을 통해 생성할 수 있다.The model generation unit 1164 includes the work information collected by the work information collection unit 1161, the employee information collected by the employee information collection unit 1162, and the evaluation information collection unit 1164 When the evaluation information of the employees who performed each task is acquired, the work information and employee information are applied to the neural network model learned through a predetermined machine learning algorithm that extracts the work capability information of each employee by reflecting the work information and employee information. By inputting, it is possible to extract the work capability information of the employee corresponding to the input work information. The model generator 1164 may generate such a neural network model through the following method.

도 11은 업무 정보, 직원 정보 및 평가 정보로부터 업무 능력 정보를 추출하는 머신러닝 기반의 신경망 모델의 예시이다.11 is an example of a machine learning-based neural network model for extracting work capability information from work information, employee information, and evaluation information.

머신러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.Machine Learning (Machine Learning) refers to the field of defining various problems dealt with in the field of artificial intelligence and studying methodologies to solve them. Machine learning is also defined as an algorithm that improves the performance of a task through continuous experience.

인공 신경망(ANN: Artificial Neural Network)은 머신러닝에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.An artificial neural network (ANN) is a model used in machine learning, and may refer to an overall model with problem-solving capabilities, which is composed of artificial neurons (nodes) that form a network by combining synapses. The artificial neural network may be defined by a connection pattern between neurons of different layers, a learning process for updating model parameters, and an activation function for generating an output value.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함수값을 출력할 수 있다. The artificial neural network may include an input layer, an output layer, and optionally one or more hidden layers. Each layer includes one or more neurons, and the artificial neural network may include neurons and synapses connecting neurons. In an artificial neural network, each neuron can output a function value of an activation function for input signals, weights, and biases input through synapses.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.Model parameters refer to parameters determined through learning, and include weights of synaptic connections and biases of neurons. In addition, hyperparameters refer to parameters that must be set before learning in a machine learning algorithm, and include a learning rate, iteration count, mini-batch size, and initialization function.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.The purpose of learning artificial neural networks can be seen as determining model parameters that minimize the loss function. The loss function can be used as an index to determine an optimal model parameter in the learning process of the artificial neural network.

머신러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.Machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning according to the learning method.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.Supervised learning refers to a method of training an artificial neural network when a label for training data is given, and a label indicates the correct answer (or result value) that the artificial neural network should infer when training data is input to the artificial neural network. It can mean. Unsupervised learning may refer to a method of training an artificial neural network in a state where a label for training data is not given. Reinforcement learning may mean a learning method in which an agent defined in a certain environment learns to select an action or action sequence that maximizes the cumulative reward in each state.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신러닝을 딥러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥러닝은 머신러닝의 일부이다. 이하에서, 머신러닝은 딥러닝을 포함하는 의미로 사용될 수 있다.Among artificial neural networks, machine learning implemented as a deep neural network (DNN) including a plurality of hidden layers is sometimes called deep learning (deep learning), and deep learning is a part of machine learning. Hereinafter, machine learning may be used to include deep learning.

도 11을 참조하면, 모델 생성부(1164)는 일 실시예에 따라 머신러닝 알고리즘 중 딥러닝 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있고, 일 실시예에 따른 신경망 모델은 입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성될 수 있다. 모델 생성부(1164)는 업무 정보 및 직원 정보를 입력 레이어에 입력될 파라미터로 설정하고, 입력된 업무 정보에 대응하는 직원의 평가 정보를 출력 레이어에 입력될 파라미터로 설정할 수 있다.Referring to FIG. 11, the model generator 1164 may train a neural network model using a deep learning algorithm among machine learning algorithms according to an embodiment, and the neural network model according to an embodiment includes an input layer, a hidden layer, and It can be composed of a neural network including an output layer. The model generator 1164 may set work information and employee information as parameters to be input to the input layer, and set employee evaluation information corresponding to the input work information as parameters to be input to the output layer.

이후, 모델 생성부(1164)는 업무 정보, 각 업무에 배정된 직원에 대한 직원 정보 및 각 직원이 수행한 업무에 대한 평가 정보를 학습데이터로 이용하거나, 또는 아래에 예시될 파라미터에 대한 변수를 포함하는 외부 데이터를 이용하여 상기 설정에 따라 신경망 모델을 학습시킬 수 있다. 업무 정보, 각 업무에 배정된 직원에 대한 직원 정보가 신경망 모델의 학습과정에서 입력됨에 따라 입력된 업무에 대한 직원의 평가 정보가 예측되는 데이터인 업무 능력 정보가 도출되도록 상관 관계가 학습될 수 있다. 예를 들어, 입력층에 업무 정보 및 직원 정보가 레이블링된 학습 데이터들이 입력되도록 하고, 출력층에는 각 업무에 대한 직원의 평가 정보(ex. 업무 완성도, 성실도, 친절도, 책임도 각각에 대한 평가 점수)가 레이블링된 학습 데이터들이 입력되도록 설정할 수 있다.Thereafter, the model generation unit 1164 uses job information, employee information on employees assigned to each job, and evaluation information on jobs performed by each employee as learning data, or variables for parameters to be illustrated below. A neural network model may be trained according to the above setting by using the included external data. As job information and employee information on employees assigned to each job are input in the learning process of the neural network model, the correlation can be learned so that job capability information, which is the data that predicts the evaluation information of the employee on the input job, is predicted. . For example, in the input layer, learning data labeled with job information and employee information are input, and in the output layer, employee evaluation information for each job (ex. job completion, integrity, kindness, and responsibility) Learning data labeled with) can be set to be input.

이와 같이, 구성된 신경망 모델에 위 예시의 정보들이 레이블링된 다수의 학습 데이터를 상기 설정에 따라 입력시킴으로써, 신경망 모델을 구성하는 뉴런 간의 가중치나 및 뉴런의 편향은 손실 함수를 최소화하는 방향으로 갱신됨에 따라, 신경망 모델은 은닉층 간의 연결 정보(ex. 가중치, 편향)에는 실제 매장 정보로부터, 실제 매장 정보가 반영된 실제 업무 항목들을 도출하도록 하는 상관 관계가 학습될 수 있다.In this way, by inputting a plurality of training data labeled with the above example information into the constructed neural network model according to the setting, the weights between neurons and the bias of neurons constituting the neural network model are updated in the direction of minimizing the loss function. , In the neural network model, a correlation for deriving actual business items reflecting the actual store information from the actual store information may be learned in connection information (ex. weights, biases) between hidden layers.

이에 따라, 업무 능력 정보를 추출하기 위한 업무 정보 및 직원 정보가 입력 레이어의 파라미터와 대응되는 정보를 신경망 모델에 입력하면, 각 업무에 대한 직원들의 업무 능력 정보, 가령 입력된 업무 정보에 대한 업무를 입력된 직원 정보에 해당하는 직원이 수행할 경우 예상되는 업무 완성도, 성실도, 친절도, 책임도 각각에 대한 점수가 출력될 수 있다.Accordingly, by inputting information corresponding to the parameters of the input layer in which the work information and employee information for extracting work capability information is input into the neural network model, the work capability information of the employees for each task, for example, work on the input work information When an employee corresponding to the inputted employee information performs it, a score for each expected job completion, integrity, kindness, and responsibility can be output.

한편, 도 11의 학습에 사용된 파라미터 수나 은닉 레이어의 수는 예시일 뿐으로 이에 한정되는 것이 아니며, 딥러닝 알고리즘 외에 decision tree(DT), k-nearest neighbor(KNN), logistic regression(LR), multilayer perceptron(MLP), random forest(RF), support vector machine(SVM) 및 lasso 등 사용할 파라미터의 종류나 수에 따라 적합한 알고리즘을 선택하여 사용할 수 있다.Meanwhile, the number of parameters or hidden layers used for learning in FIG. 11 are examples only, and are not limited thereto, and in addition to the deep learning algorithm, decision tree (DT), k-nearest neighbor (KNN), logistic regression (LR), and multilayer An appropriate algorithm can be selected and used according to the type or number of parameters to be used, such as perceptron (MLP), random forest (RF), support vector machine (SVM), and lasso.

프로세서(121)는 단계 S11에서 학습된 신경망 모델을 통해 각 직원의 업무 능력 정보를 추출할 수 있다(S13).The processor 121 may extract the work capability information of each employee through the neural network model learned in step S11 (S13).

프로세서(121)는 직원별 업무 데이터를 저장할 수 있다(S15).The processor 121 may store work data for each employee (S15).

직원별 업무 데이터는 복수의 인원에 대한 직원 정보를 포함하는 인력 데이터베이스에 포함된 인원 각각의 직원 정보와 여러 종류의 업무 정보를 도 11의 신경망 모델에 입력한 경우 출력되는 업무별 업무 능력 점수를 각각의 직원 정보에 맵핑한 데이터일 수 있다.For each employee's job data, each employee's employee information and various types of job information included in the manpower database including employee information for a plurality of employees are inputted into the neural network model of FIG. It may be data mapped to employee information.

예를 들어, 프로세서(121)는 5가지 업무 정보(제1 업무 내지 제5 업무) 및 5명의 직원 정보를 이용하여, 각각의 업무 정보 및 직원 정보를 도 11의 신경망 모델을 통해 추출된 각 직원의 업무 능력 정보(ex. 도 11의 예시에서 출력되는 업무 완성도, 성실도, 친절도, 책임도 각각에 대한 점수의 평균)를 나타내는 직원별 업무 데이터를 저장할 수 있고, 이는 아래 표 1과 같을 수 있으나, 이는 예시적인 것에 불과하다.For example, the processor 121 uses five kinds of work information (first to fifth tasks) and five employees, and extracts each of the work information and employee information through the neural network model of FIG. It is possible to store job data for each employee representing job competency information (ex. average of scores for each of job completion, integrity, kindness, and responsibility output in the example of FIG. 11), which may be as shown in Table 1 below. , This is only exemplary.

제1 업무에 대한 직원의 업무 능력Employee's ability to work in the first task 제2 업무에 대한 직원의 업무 능력Employee's job ability for the second job 제3 업무에 대한 직원의 업무 능력Employee's work ability for the third task 제4 업무에 대한 직원의 업무 능력Employee's job ability for the fourth job 제5 업무에 대한 직원의 업무 능력Employee's work ability for the fifth task 직원 정보 1Employee information 1 1/101/10 5/105/10 4/104/10 9/109/10 7/107/10 직원 정보 2Employee information 2 8/108/10 8/108/10 10/1010/10 3/103/10 8/108/10 직원 정보 3Employee information 3 4/104/10 10/1010/10 6/106/10 1/101/10 1/101/10 직원 정보 4Employee information 4 9/109/10 9/109/10 2/102/10 3/103/10 2/102/10 직원 정보 5Employee information 5 5/105/10 5/105/10 7/107/10 5/105/10 9/109/10

프로세서(121)는 직원들의 업무가 재배정되었는지 판단할 수 있다(S17).The processor 121 may determine whether the work of the employees has been reassigned (S17).

프로세서(121)는 관리자에 의해 입력된 평가 정보에 기초하여 직원들의 업무를 재배정할 수 있다. 구체적으로, 프로세서(121)는 관리자에 의해 입력된 평가 정보 중 적어도 어느 하나의 항목의 평가가 기설정된 점수 이하인 직원들에 대하여 각각이 수행하는 업무를 재배정할 수 있다.The processor 121 may reassign work of employees based on the evaluation information input by the manager. Specifically, the processor 121 may reassign tasks performed by each of the employees whose evaluation of at least one item of evaluation information input by the manager is less than or equal to a preset score.

프로세서(121)는 직원들의 업무가 재배정된 경우, 재배정된 업무 정보, 재배정된 직원 정보, 재배정된 직원의 평가 정보를 학습 데이터로 이용하여 신경망 모델을 재학습할 수 있다(S19).When the work of the employees is reassigned, the processor 121 may retrain the neural network model by using the reassigned work information, the reassigned employee information, and the reassigned employee's evaluation information as training data (S19).

프로세서(121)는 직원들의 업무가 재배정된 경우, 재배정된 직원이 수행한 업무에 대한 평가 정보를 입력받을 수 있다.When the work of the employees is reassigned, the processor 121 may receive evaluation information on the work performed by the reassigned employee.

프로세서(121)는 재배정된 업무 정보, 재배정된 직원 정보 및 재배정된 직원의 평가 정보를 학습 데이터로 이용하여, 신경망 모델을 재학습할 수 있다.The processor 121 may retrain the neural network model by using the reassigned work information, the reassigned employee information, and the reassigned employee's evaluation information as training data.

프로세서(121)는 직원들의 업무가 재배정되지 않은 경우, 직원별 업무 데이터에 기초하여 각 직원에게 적합한 업무 정보를 추출할 수 있다(S21).When the work of the employees is not reassigned, the processor 121 may extract work information suitable for each employee based on work data for each employee (S21).

일 예로, 프로세서(121)는 직원별 업무 데이터에 기초하여, 업무별 업무 능력 점수 중 기설정된 점수 이상(ex. 10점 만점 중 7점 이상)으로 평가된 업무를 직원 데이터베이스의 인원에게 적합한 업무 정보로 추출하도록 직원/업무 추출부(118)를 제어할 수 있다. 위 표 1의 예시를 참조하여 설명하면, 직원 업무 추출부(118)는 제1 업무에 직원 정보 2 또는 4에 대응하는 직원을 배정하고, 제2 업무에 직원 정보 2, 3 또는 4에 대응하는 직원을 배정하고, 제3 업무에 직원 정보 2 또는 5에 대응하는 직원을 배정하고, 제4 업무에 직원 정보 1에 대응하는 직원을 배정하고, 제5 업무에 직원 정보 1, 2 또는 5에 대응하는 직원을 배정할 수 있다.As an example, the processor 121 provides job information suitable for the personnel of the employee database based on the job data for each employee, and the job evaluated as a preset score or higher (ex. 7 points or more out of 10 points) among the job competency points for each job. It is possible to control the employee/task extraction unit 118 to extract into. Referring to the example in Table 1 above, the employee task extraction unit 118 allocates an employee corresponding to employee information 2 or 4 to the first task, and responds to the employee information 2, 3 or 4 to the second task. Assign employees, assign employees corresponding to employee information 2 or 5 to the third job, assign employees corresponding to employee information 1 to the fourth job, and respond to employee information 1, 2 or 5 to the fifth job You can allocate the staff.

다른 예로, 프로세서(121)는 직원별 업무 데이터에 기초하여, 각 업무 마다 업무 능력 점수가 가장 높게 평가된 직원을 해당 업무에 적합한 업무 정보로 추출하도록 직원/업무 추출부(118)를 제어할 수 있다. 위 표 1의 예시를 참조하여 설명하면, 직원/업무 추출부(118)는 업무 1에 적합한 직원으로 직원 정보 4에 대응하는 직원을 추출하고, 업무 2에 적합한 직원으로 직원 정보 3에 대응하는 직원을 추출하고, 업무 3에 적합한 직원으로 직원 정보 2에 대응하는 직원을 추출하고, 업무 5에 적합한 직원으로 직원 정보 1에 대응하는 직원을 추출하고, 업무 6에 적합한 직원으로 직원 정보 5에 대응하는 직원을 추출할 수 있다.As another example, the processor 121 may control the employee/task extraction unit 118 to extract the employee with the highest job ability score for each job as job information suitable for the job based on job data for each employee. have. Referring to the example in Table 1 above, the employee/task extraction unit 118 extracts the employee corresponding to employee information 4 as an employee suitable for job 1, and an employee responding to employee information 3 as an employee suitable for job 2 Extracts the employee corresponding to employee information 2 as an employee suitable for job 3, extracts the employee corresponding to employee information 1 as an employee suitable for job 5, and responds to employee information 5 as an employee suitable for job 6 Employees can be extracted.

상술하 예시들은 설명의 편의를 위한 예에 불과하며, 직원/업무 추출부(118)는 다양한 방법으로 직원별 업무 데이터에 기초하여 각 직원에게 적합한 업무 정보를 추출할 수 있다.The above examples are only examples for convenience of explanation, and the employee/task extraction unit 118 may extract work information suitable for each employee based on work data for each employee in various ways.

단계 S21에서, 인력 데이터베이스는 직원별 업무 데이터에 포함된 직원들의 데이터베이스를 의미할 수 있다.In step S21, the manpower database may mean a database of employees included in work data for each employee.

프로세서(121)는 소정의 업무 정보에 대한 채용 요청이 입력되었는지 판단할 수 있다(S23).The processor 121 may determine whether a hiring request for predetermined job information has been input (S23).

관리자는 새로운 직원을 채용하고자 하는 경우, 매장 관리 장치(100)를 통해 채용될 직원이 수행할 업무 정보와 해당 업무에 대한 채용 요청을 입력하 수 있다. 매장 관리 장치(100)는 관리자로부터 소정의 업무 정보에 대한 채용 요청을 입력받을 수 있다.In the case of hiring a new employee, the manager may input job information to be performed by the employee to be employed and a job request for the job through the store management device 100. The store management apparatus 100 may receive a hiring request for predetermined job information from a manager.

프로세서(121)는 소정의 업무 정보에 대한 채용 요청이 입력된 경우, 직원별 업무 데이터에 기초하여 소정의 업무 정보에 적합한 직원을 추출할 수 있다(S25).When a hiring request for predetermined job information is input, the processor 121 may extract an employee suitable for predetermined job information based on job data for each employee (S25).

프로세서(121)는 소정의 업무 정보에 대한 채용 요청이 입력된 경우, 외부 데이터베이스의 직원 중 소정의 업무 정보에 대한 업무별 업무 능력 점수가 기설정된 점수 이상으로 맵핑된 직원을 추출할 수 있다.When a hiring request for predetermined job information is input, the processor 121 may extract an employee whose job competency score for predetermined job information is mapped to a predetermined score or higher among employees of the external database.

단계 S25에서, 인력 데이터베이스는 소정의 채용 사이트에 등록된 구직자들의 정보를 갖는 데이터베이스를 의미할 수 있다.In step S25, the manpower database may mean a database having information on job seekers registered on a predetermined recruitment site.

즉, 프로세서(121)는 소정의 업무 정보에 대한 채용 요청이 입력된 경우, 직원별 업무 데이터에서 소정의 업무 정보에 대해 기설정된 점수 이상으로 맵핑된 직원 정보를 추출하고, 추출된 직원 정보에 대응하는 직원을 외부 데이터베이스에서 추출함으로써 채용 요청에 대응하는 직원을 추출할 수 있다.That is, when a hiring request for predetermined job information is input, the processor 121 extracts employee information mapped to a predetermined score or higher for predetermined job information from job data for each employee, and responds to the extracted employee information. The employees who respond to hiring requests can be extracted by extracting the employees who are working from an external database.

도 12는 본 발명의 일 실시 예에 따른 매장 관리 장치가 소정의 업무 정보에 대해 추출한 직원을 표시하는 방법의 예시 도면이다.12 is an exemplary diagram of a method for displaying an employee extracted by a store management apparatus for predetermined job information according to an embodiment of the present invention.

매장 관리 장치(100)는 제1 업무, 제2 업무 및 제3 업무에 대한 채용 요청이 입력된 경우, 제1 업무에 대해 업무 능력 점수가 기 설정된 점수 이상으로 맵핑된 직원 정보에 대응하는 직원 A를 추출하고, 제2 업무에 대해 업무 능력 점수가 기 설정된 점수 이상으로 맵핑된 직원 정보에 대응하는 직원 B를 추출하고, 제3 업무에 대해 업무 능력 점수가 기 설정된 점수 이상으로 맵핑된 직원 정보에 대응하는 직원 C를 추출하고, 추출된 직원을 디스플레이부(120)에 표시할 수 있다. 이 때, 프로세서(121)는 각 업무에 추출된 직원에 대한 적합도를 더 표시하도록 디스플레이부(120)를 제어할 수 있고, 적합도는 직원별 업무 능력 점수 또는 직원 정보에 따라 추출된 직원의 직원 정보에 대한 매칭률에 따라 결정될 수 있다.When the hiring request for the first task, the second task, and the third task is input, the store management device 100 is an employee A corresponding to the employee information mapped to the task ability score higher than a preset score for the first task. Is extracted, and employee B corresponding to employee information mapped with a job competency score higher than a preset score for the second job, and employee information mapped with a job competency score higher than a preset score for the third job The corresponding employee C may be extracted, and the extracted employee may be displayed on the display unit 120. At this time, the processor 121 may control the display unit 120 to further display the degree of suitability for the employee extracted for each task, and the degree of suitability is the employee information of the employee extracted according to the job competency score for each employee or employee information It may be determined according to the matching rate for.

상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.The embodiments of the present invention described above can be implemented through various means. For example, embodiments of the present invention may be implemented by hardware, firmware, software, or a combination thereof.

하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.In the case of implementation by hardware, the method according to embodiments of the present invention includes one or more Application Specific Integrated Circuits (ASICs), Digital Signal Processors (DSPs), Digital Signal Processing Devices (DSPDs), and Programmable Logic Devices (PLDs). , Field Programmable Gate Arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, and the like.

펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고 받을 수 있다.In the case of implementation by firmware or software, the method according to the embodiments of the present invention may be implemented in the form of a module, procedure, or function that performs the functions or operations described above. A computer program in which software codes and the like are recorded may be stored in a computer-readable recording medium or a memory unit and driven by a processor. The memory unit may be located inside or outside the processor, and may exchange data with the processor through various known means.

또한 본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.In addition, combinations of each block of the block diagram attached to the present invention and each step of the flowchart may be performed by computer program instructions. Since these computer program instructions can be mounted on the encoding processor of a general purpose computer, special purpose computer or other programmable data processing equipment, the instructions executed by the encoding processor of the computer or other programmable data processing equipment are each block of the block diagram or Each step of the flow chart will create a means to perform the functions described. These computer program instructions can also be stored in computer-usable or computer-readable memory that can be directed to a computer or other programmable data processing equipment to implement a function in a particular way. It is also possible to produce an article of manufacture in which the instructions stored in the block diagram contain instruction means that perform the functions described in each block of the block diagram or each step of the flow chart. Computer program instructions can also be mounted on a computer or other programmable data processing equipment, so that a series of operating steps are performed on a computer or other programmable data processing equipment to create a computer-executable process to create a computer or other programmable data processing equipment. It is also possible for the instructions to perform the processing equipment to provide steps for performing the functions described in each block of the block diagram and each step of the flowchart.

더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.In addition, each block or each step may represent a module, segment, or part of code including one or more executable instructions for executing a specified logical function. It should also be noted that in some alternative embodiments, the functions mentioned in blocks or steps may occur out of order. For example, two blocks or steps shown in succession may in fact be performed substantially simultaneously, or the blocks or steps may sometimes be performed in the reverse order depending on the corresponding function.

이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.As such, those skilled in the art to which the present invention pertains will be able to understand that the present invention can be implemented in other specific forms without changing the technical spirit or essential features. Therefore, the embodiments described above are illustrative in all respects and should be understood as non-limiting. The scope of the present invention is indicated by the claims to be described later rather than the detailed description, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be interpreted as being included in the scope of the present invention. .

100: 매장 관리 장치
111: 매장별 업무 DB
112: 업무 리스트 추출부
113: 업무 결정부
114: 업무 배정부
115: 업무 관리부
116: 업무 능력 정보 추출부
117: 직원별 업무 DB
118: 직원/업무 추출부
119: 카메라
120: 디스플레이부
121: 프로세서
200: 직원 단말
100: store management device
111: Business DB for each store
112: task list extraction unit
113: business decision
114: task assignment
115: business management department
116: business capability information extraction unit
117: DB for each employee's work
118: employee/task extraction unit
119: camera
120: display unit
121: processor
200: employee terminal

Claims (15)

매장 관리 장치가 수행하는 매장 관리 방법에 있어서,
매장 정보를 입력받는 단계;
상기 입력된 매장 정보에 기초하여 상기 매장 정보에 대응되는 매장에서 관리해야 하는 복수의 업무 정보를 포함하는 업무 리스트를 추출하는 단계;
상기 업무 리스트에 포함된 제1 업무 정보를 수행할 제1 직원을 배정하는 단계;
소정의 업무 정보가 보고되어야 하는 횟수에 대한 데이터를 저장하는 매장별 업무 DB를 기초로, 상기 제1 업무 정보가 보고되어야 하는 횟수에 따라 보고된, 상기 제1 직원이 수행한 상기 제1 업무 정보에 대한 평가 정보의 평균값인, 제1 평가 정보를 입력받는 단계;
상기 제1 업무 정보, 상기 제1 직원에 대한 제1 직원 정보 및 상기 제1 평가 정보를 소정의 머신러닝 알고리즘에 기초한 제1 신경망 모델을 생성하는 학습 데이터로 이용하여, 상기 제1 업무 정보 및 상기 제1 직원 정보로부터 상기 제1 평가 정보의 상관 관계가 학습되도록 상기 제1 신경망 모델을 1차 학습시키는 단계;
상기 제1 평가 정보 중 적어도 어느 하나의 항목의 평가가 기설정된 점수 이하인 경우, 상기 제1 직원이 상기 업무 리스트에 포함된 제2 업무 정보를 수행하도록 재배정하는 단계;
상기 매장별 업무 DB를 기초로, 상기 제2 업무 정보가 보고되어야 하는 횟수에 따라 보고된, 상기 제1 직원이 수행한 상기 제2 업무 정보에 대한 평가 정보의 평균값인, 제2 평가 정보를 입력 받는 단계;
상기 제1 직원 정보, 상기 제2 업무 정보, 및 상기 제2 평가 정보를 상기 학습 데이터로 추가하여, 상기 제2 업무 정보 및 상기 제1 직원 정보로부터 상기 제2 평가 정보의 상관 관계가 추가 학습되도록 상기 제1 신경망 모델을 2차 학습시키는 단계; 및
복수의 인원 각각에 대한 직원 정보를 저장하는 인력 데이터베이스에 포함된 제3 직원 정보 및 상기 제3 직원 정보의 직원에게 배정될 수 있는 복수의 업무 정보를 상기 2차 학습된 제1 신경망에 입력하여, 상기 제3 직원 정보의 직원이 상기 복수의 업무 정보를 맡게 되는 각각의 업무별 업무 능력 점수를 추출하는 단계를 포함하는,
매장 관리 장치의 매장 관리 방법.
In the store management method performed by the store management device,
Receiving store information;
Extracting a business list including a plurality of business information to be managed in a store corresponding to the store information based on the input store information;
Allocating a first employee to perform first job information included in the job list;
The first task information performed by the first employee, reported according to the number of times the first task information should be reported, based on a store-specific task DB that stores data on the number of times a predetermined task information should be reported Receiving the first evaluation information, which is an average value of evaluation information for, to be input;
Using the first job information, first employee information for the first employee, and the first evaluation information as training data for generating a first neural network model based on a predetermined machine learning algorithm, the first job information and the First training the first neural network model to learn a correlation of the first evaluation information from the first employee information;
Reassigning the first employee to perform the second job information included in the job list when the evaluation of at least one item of the first evaluation information is less than or equal to a preset score;
Based on the store-specific business DB, input second evaluation information, which is the average value of evaluation information on the second business information performed by the first employee, reported according to the number of times the second business information should be reported Receiving step;
Adding the first employee information, the second job information, and the second evaluation information as the learning data, so that the correlation of the second evaluation information is further learned from the second job information and the first employee information Secondary training the first neural network model; And
Inputting third employee information included in a manpower database storing employee information for each of a plurality of employees and a plurality of job information that can be assigned to employees of the third employee information into the second learned first neural network, Comprising the step of extracting a job competency score for each job that the employee of the third employee information is in charge of the plurality of job information,
Store management method of store management device.
삭제delete 제1항에 있어서,
상기 제1 평가 정보는
업무 완성도, 성실도, 책임도, 친화도, 친절도 및 종합 점수에 대한 항목 중 적어도 하나를 포함하는
매장 관리 장치의 매장 관리 방법.
The method of claim 1,
The first evaluation information
Including at least one of the items for job completeness, integrity, responsibility, affinity, kindness, and overall score.
Store management method of store management device.
제1항에 있어서,
상기 제1 신경망 모델은
입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성되고, 상기 입력 레이어에 업무 정보 및 직원 정보가 입력되도록 설정되고, 상기 출력 레이어에 평가 정보가 입력되도록 설정되어, 복수의 업무 정보 및 직원 정보가 상기 제1 신경망 모델의 학습과정에서 입력됨에 따라 입력된 업무 정보에 대응하는 직원의 업무 능력 정보를 도출하도록 상관 관계가 학습되는
매장 관리 장치의 매장 관리 방법.
The method of claim 1,
The first neural network model is
It is composed of a neural network including an input layer, a hidden layer, and an output layer, is set to input work information and employee information to the input layer, and is set to input evaluation information to the output layer, and is set to input a plurality of work information and employee information. As is input in the learning process of the first neural network model, the correlation is learned to derive the work capability information of the employee corresponding to the input work information.
Store management method of store management device.
제1항에 있어서,
상기 업무 리스트를 추출하는 단계는
업종 정보 및 직원 정보를 포함하는 매장 정보가 입력되면, 상기 매장 정보에 대응되는 매장에서 관리해야 하는 복수의 업무 정보를 추출하도록 소정의 머신러닝 알고리즘을 통해 학습된 제2 신경망 모델을 통해 상기 업무 리스트를 추출하는 단계를 포함하는
매장 관리 장치의 매장 관리 방법.
The method of claim 1,
The step of extracting the task list
When store information including business type information and employee information is input, the work list is performed through a second neural network model learned through a predetermined machine learning algorithm to extract a plurality of work information to be managed in a store corresponding to the store information. Comprising the step of extracting
Store management method of store management device.
제5항에 있어서,
상기 제2 신경망 모델은
입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성되고, 복수의 관리자 단말로부터 실제 업종 정보 및 실제 직원 정보를 포함하는 실제 매장 정보와, 상기 실제 매장 정보의 매장에서 실제로 수행되고 있는 실제 업무 정보를 맵핑한 데이터를 수신하여 저장하는 상기 매장별 업무 DB를 기초로, 상기 입력 레이어에 상기 실제 업종 정보 및 상기 실제 직원 정보를 포함하는 상기 실제 매장 정보가 입력되도록 설정되고, 상기 출력 레이어에 상기 실제 매장 정보에 따른 매장을 관리 중인 관리자가 생성한 상기 실제 업무 정보가 입력되도록 설정되어, 다수의 실제 매장 정보가 상기 제2 신경망 모델의 학습과정에서 입력됨에 따라 입력된 매장 정보에 대응하는 업무 정보를 도출하도록 상관 관계가 학습되는,
매장 관리 장치의 매장 관리 방법.
The method of claim 5,
The second neural network model is
Consisting of a neural network including an input layer, a hidden layer, and an output layer, actual store information including actual business type information and actual employee information from a plurality of manager terminals, and actual business information actually being performed in the store of the actual store information Based on the store-specific business DB receiving and storing the mapped data, the actual store information including the actual business type information and the actual employee information is set to be input to the input layer, and the actual store information is input to the output layer. The actual business information generated by the manager managing the store according to the store information is set to be input, and as a plurality of real store information is input in the learning process of the second neural network model, business information corresponding to the input store information is provided. The correlation is learned to derive,
Store management method of store management device.
제6항에 있어서,
상기 제2 신경망 모델은
상기 실제 업종 정보 및 상기 실제 직원 정보를 포함하는 매장 정보가 입력되도록 설정되고, 상기 출력 레이어에 상기 실제 매장 정보에 따른 매장을 관리 중인 관리자가 생성한 상기 실제 업무 정보 및 상기 횟수에 대한 데이터가 입력되도록 설정되어, 다수의 실제 매장 정보가 상기 제2 신경망 모델의 학습 과정에서 입력됨에 따라 입력된 매장 정보에 대응하는 업무 정보 및 업무가 시간 당 보고되어야 할 보고 횟수를 도출하도록 상관 관계가 학습되는
매장 관리 장치의 매장 관리 방법.
The method of claim 6,
The second neural network model is
Store information including the actual business type information and the actual employee information is set to be input, and the actual business information generated by the manager managing the store according to the actual store information and data on the number of times are input to the output layer It is set so that, as a plurality of real store information is input in the learning process of the second neural network model, the correlation is learned to derive the number of reports that the business information and the business information corresponding to the input store information should be reported per hour.
Store management method of store management device.
제7항에 있어서,
상기 제1 직원을 배정하는 단계는,
상기 업무 리스트에 포함된 업무 정보를 수행할 직원을 배정하면서, 상기 제2 신경망 모델에 의해 도출된 보고 횟수에 따라 상기 입력된 매장 정보에 대응하는 업무 정보의 처리 결과를 보고하도록 지정하는 단계를 포함하는,
매장 관리 장치의 매장 관리 방법.
The method of claim 7,
The step of allocating the first employee,
Including the step of designating to report the processing result of the job information corresponding to the input store information according to the number of reports derived by the second neural network model while allocating an employee to perform the job information included in the job list. doing,
Store management method of store management device.
삭제delete 제1항에 있어서,
상기 업무별 업무 능력 점수를 추출하는 단계는
상기 업무별 업무 능력 점수 중 기설정된 점수 이상으로 평가된 업무를 상기 인력 데이터베이스의 인원에게 적합한 업무 정보로 추출하는 단계를 포함하는
매장 관리 장치의 매장 관리 방법.
The method of claim 1,
The step of extracting the task competency score for each task
Comprising the step of extracting a task that is evaluated above a preset score among the task competency scores as task information suitable for personnel in the personnel database
Store management method of store management device.
제1항에 있어서,
상기 업무별 업무 능력 점수를 추출하는 단계는
관리자 단말로부터 소정의 업무 정보에 대한 채용 요청이 입력된 경우, 상기 인력 데이터베이스의 인원 중 상기 소정의 업무 정보에 대한 상기 업무별 업무 능력 점수가 기설정된 점수 이상으로 맵핑된 인원을 추출하는 단계를 포함하는
매장 관리 장치의 매장 관리 방법.
The method of claim 1,
The step of extracting the task competency score for each task
When a hiring request for predetermined job information is input from the manager terminal, extracting a number of personnel in which the job competency score for each job for the predetermined job information is mapped to a predetermined score or higher among personnel in the personnel database doing
Store management method of store management device.
제1항에 있어서,
상기 제1 직원 정보는,
성별, 나이, 사용 언어, 학력, 전공, 신장, 몸무게 중 하나 이상을 포함하는,
매장 관리 장치의 매장 관리 방법.
The method of claim 1,
The first employee information,
Including one or more of gender, age, language spoken, education, major, height, and weight,
Store management method of store management device.
제1항에 있어서,
상기 제1 평가 정보를 입력받는 단계는,
상기 제1 직원의 상기 제1 업무 정보에 대한 처리 결과를 촬영한 이미지를 수신하는 단계; 및
상기 이미지를 기초로 상기 제1 업무 정보에 대한 평가를 판단하는 단계를 포함하는,
매장 관리 장치의 매장 관리 방법.
The method of claim 1,
The step of receiving the first evaluation information,
Receiving an image photographing a result of processing the first job information of the first employee; And
Including the step of determining the evaluation of the first task information based on the image,
Store management method of store management device.
제1항, 제3항 내지 제8항, 및 제10항 내지 제13항 중 어느 한 항의 방법을 프로세서가 수행하도록 하는 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
A computer program stored in a computer-readable recording medium for causing a processor to perform the method of any one of claims 1, 3 to 8, and 10 to 13.
매장 관리 장치에 있어서,
매장 정보를 입력받으면, 상기 매장 정보에 대응되는 매장에서 관리해야 하는 복수의 업무 정보를 포함하는 업무 리스트를 추출하는 업무 리스트 추출부;
상기 업무 리스트에 포함된 제1 업무 정보를 수행할 제1 직원을 배정하는 업무 배정부;
소정의 업무 정보가 보고되어야 하는 횟수에 대한 데이터를 저장하는 매장별 업무 DB를 기초로, 상기 제1 업무 정보가 보고되어야 하는 횟수에 따라 보고된, 상기 제1 직원이 수행한 상기 제1 업무 정보에 대한 평가 정보의 평균값인, 제1 평가 정보를 입력받는 업무 관리부; 및
상기 제1 업무 정보, 상기 제1 직원에 대한 제1 직원 정보 및 상기 제1 평가 정보를 소정의 머신러닝 알고리즘에 기초한 제1 신경망 모델을 생성하는 학습 데이터로 이용하여, 상기 제1 업무 정보 및 상기 제1 직원 정보로부터 상기 제1 평가 정보의 상관 관계가 학습되도록 상기 제1 신경망 모델을 1차 학습시키는 업무 능력 정보 추출부를 포함하고,
상기 업무 배정부는, 상기 제1 평가 정보 중 적어도 어느 하나의 항목의 평가가 기설정된 점수 이하인 경우, 상기 제1 직원이 상기 업무 리스트에 포함된 제2 업무 정보를 수행하도록 재배정하고,
상기 업무 관리부는, 상기 매장별 업무 DB를 기초로 상기 제2 업무 정보가 보고되어야 하는 횟수에 따라 보고된, 상기 제1 직원이 수행한 상기 제2 업무 정보에 대한 평가 정보의 평균값인, 제2 평가 정보를 입력 받고,
상기 업무 능력 정보 추출부는, 상기 제1 직원 정보, 상기 제2 업무 정보, 및 상기 제2 평가 정보를 상기 학습 데이터로 추가하여, 상기 제2 업무 정보 및 상기 제1 직원 정보로부터 상기 제2 평가 정보의 상관 관계가 추가 학습되도록 상기 제1 신경망 모델을 2차 학습시키고,
상기 매장 관리 장치는,
복수의 인원 각각에 대한 직원 정보를 저장하는 인력 데이터베이스에 포함된 제3 직원 정보 및 상기 제3 직원 정보의 직원에게 배정될 수 있는 복수의 업무 정보를 상기 2차 학습된 제1 신경망에 입력하여, 상기 제3 직원 정보의 직원이 상기 복수의 업무 정보를 맡게 되는 각각의 업무별 업무 능력 점수를 추출하는 직원 추천부를 더 포함하는,
매장 관리 장치.
In the store management device,
Upon receiving the store information, a business list extracting unit for extracting a business list including a plurality of business information to be managed in a store corresponding to the store information;
A task assignment unit for allocating a first employee to perform first task information included in the task list;
The first task information performed by the first employee, reported according to the number of times the first task information should be reported, based on a store-specific task DB that stores data on the number of times a predetermined task information should be reported A task management unit receiving the first evaluation information, which is an average value of evaluation information for; And
Using the first job information, first employee information for the first employee, and the first evaluation information as training data for generating a first neural network model based on a predetermined machine learning algorithm, the first job information and the And a work capability information extracting unit for primary training the first neural network model so that the correlation of the first evaluation information is learned from the first employee information,
The task assignment unit, when the evaluation of at least one item of the first evaluation information is less than or equal to a preset score, reassigns the first employee to perform the second task information included in the task list,
The business management unit, based on the store-specific business DB, the second business information, which is an average value of evaluation information on the second business information performed by the first employee, reported according to the number of times the second business information should be reported, a second Receive evaluation information,
The work capability information extracting unit adds the first employee information, the second work information, and the second evaluation information as the learning data, and the second evaluation information from the second work information and the first employee information The first neural network model is secondarily trained to further learn the correlation of,
The store management device,
Inputting third employee information included in a manpower database storing employee information for each of a plurality of employees and a plurality of job information that can be assigned to employees of the third employee information into the second learned first neural network, Further comprising an employee recommendation unit for extracting a job competency score for each job in which an employee of the third employee information is in charge of the plurality of job information,
Store management device.
KR1020200012869A 2020-02-04 2020-02-04 Store management apparatus and store management method for recommending suitable employee for task through deep learning model based on big data KR102153012B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200012869A KR102153012B1 (en) 2020-02-04 2020-02-04 Store management apparatus and store management method for recommending suitable employee for task through deep learning model based on big data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200012869A KR102153012B1 (en) 2020-02-04 2020-02-04 Store management apparatus and store management method for recommending suitable employee for task through deep learning model based on big data

Publications (1)

Publication Number Publication Date
KR102153012B1 true KR102153012B1 (en) 2020-09-07

Family

ID=72472441

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200012869A KR102153012B1 (en) 2020-02-04 2020-02-04 Store management apparatus and store management method for recommending suitable employee for task through deep learning model based on big data

Country Status (1)

Country Link
KR (1) KR102153012B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529324A (en) * 2020-12-18 2021-03-19 平安科技(深圳)有限公司 Deep learning-based capacity calculation method, device, equipment and storage medium
KR102278627B1 (en) * 2021-01-19 2021-07-19 주식회사 링크스타터랩 A job matching device and operating method thereof
KR102327005B1 (en) 2020-12-18 2021-11-16 주식회사 엔터프라이즈블록체인 Method for providing gig service using one-to-one channel between gig worker and gig service customer and apparatus thereof
WO2022158696A1 (en) * 2021-01-25 2022-07-28 주식회사 제네시스랩 Method and apparatus for training machine learning model performing competency assessment on plurality of competencies, and computer-readable medium
US11847614B2 (en) 2021-03-12 2023-12-19 Hcl Technologies Limited Method and system for determining collaboration between employees using artificial intelligence (AI)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050114279A1 (en) * 2000-08-03 2005-05-26 Unicru, Inc. Development of electronic employee selection systems and methods
KR20060073555A (en) * 2006-06-08 2006-06-28 장준현 The method and system for outsourcing administration on web-server and employees qualification periodically performed by customer for advancements and compensations
KR20100081890A (en) * 2009-01-07 2010-07-15 (주)엔조이소프트 Evaluation system for staffs of pc room

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050114279A1 (en) * 2000-08-03 2005-05-26 Unicru, Inc. Development of electronic employee selection systems and methods
KR20060073555A (en) * 2006-06-08 2006-06-28 장준현 The method and system for outsourcing administration on web-server and employees qualification periodically performed by customer for advancements and compensations
KR20100081890A (en) * 2009-01-07 2010-07-15 (주)엔조이소프트 Evaluation system for staffs of pc room

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529324A (en) * 2020-12-18 2021-03-19 平安科技(深圳)有限公司 Deep learning-based capacity calculation method, device, equipment and storage medium
KR102327005B1 (en) 2020-12-18 2021-11-16 주식회사 엔터프라이즈블록체인 Method for providing gig service using one-to-one channel between gig worker and gig service customer and apparatus thereof
WO2022131555A1 (en) * 2020-12-18 2022-06-23 주식회사 엔터프라이즈블록체인 Method and device for providing gig service through one-to-one channel between gig worker and gig service user
KR102278627B1 (en) * 2021-01-19 2021-07-19 주식회사 링크스타터랩 A job matching device and operating method thereof
WO2022158696A1 (en) * 2021-01-25 2022-07-28 주식회사 제네시스랩 Method and apparatus for training machine learning model performing competency assessment on plurality of competencies, and computer-readable medium
US11847614B2 (en) 2021-03-12 2023-12-19 Hcl Technologies Limited Method and system for determining collaboration between employees using artificial intelligence (AI)

Similar Documents

Publication Publication Date Title
KR102153012B1 (en) Store management apparatus and store management method for recommending suitable employee for task through deep learning model based on big data
KR102278627B1 (en) A job matching device and operating method thereof
US11568260B2 (en) Exponential modeling with deep learning features
Wewerka et al. Robotic process automation-a systematic mapping study and classification framework
CN109635098B (en) Intelligent question and answer method, device, equipment and medium
US11887215B2 (en) Image processing apparatus and method for style transformation
GB2618917A (en) Method for few-shot unsupervised image-to-image translation
WO2017196820A1 (en) Automated accuracy assessment in tasking system
CN110134806A (en) The method and system of context user profile photo selection
CN110188210A (en) One kind is based on figure regularization and the independent cross-module state data retrieval method of mode and system
CN109559576A (en) A kind of children companion robot and its early teaching system self-learning method
CN108197635A (en) Methods of exhibiting and device, the smoke exhaust ventilator of cooking method
KR20210012730A (en) Learning method of artificial intelligence model and electronic apparatus
US20230119860A1 (en) Matching system, matching method, and matching program
KR102401137B1 (en) Apparatus for remote guide and method thereof
US20190050881A1 (en) Method and apparatus for rewarding reaction of simulation participant
KR102227332B1 (en) Apparatus and method for managing store suggesting customized task of store based on neural network model
El Hassouni et al. End-to-end personalization of digital health interventions using raw sensor data with deep reinforcement learning
US20230244990A1 (en) Semantic graphing of heterogeneous documents for automated decision making and resource allocation using reinforcement learning
EP3834079A1 (en) Multi-question multi-answer configuration
JP2023527341A (en) Interpretable imitation learning by discovery of prototype options
Chen et al. Proposal of home context recognition method using feature values of cognitive API
CN110826582B (en) Image feature training method, device and system
Hoch et al. A knowledge discovery framework for the assessment of tactical behaviour in soccer based on spatiotemporal data
Pradhan et al. Machine learning architecture and framework

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant