การปรับปรุงประสิทธิภาพของกระบวนการบริการลูกค้าโดยใช้การวิเคราะห์จากกล้องวงจรปิด

Abstract

การประเมินประสิทธิภาพกระบวนการบริการลูกค้าของร้านอาหารประเภททั่วไป (Casual Dining) มีหลายส่วนซึ่งหนึ่งในนั้นคือการประเมินความรวดเร็วในการบริการโดยจะวัดจากระยะเวลาที่ลูกค้าใช้ในการรอรับบริการในแต่ละช่วงของการบริการ หากทำการประเมินด้วยมนุษย์ในวิธีต่าง ๆ เช่น ใช้เครื่องจับเวลามีโอกาสเกิดความคาดเคลื่อนได้ ซึ่งในปัจจุบันระบบตรวจจับวัตถุด้วยเทคนิคการเรียนรู้เชิงลึกมีการพัฒนาอย่างต่อเนื่องและมีความแม่นยำสูง รวมถึงร้านอาหารโดยทั่วไปมีการติดตั้งกล้องวงจรปิดมากขึ้นจึงเป็นอีกทางเลือกหนึ่งในการนำข้อมูลดังกล่าวมาประยุกต์ใช้กับเทคนิคการตรวจจับการให้บริการของพนักงาน งานวิจัยนี้ได้นำเสนอแนวทางในการพัฒนาและปรับปรุงระบบการประเมินระยะเวลาที่ลูกค้าใช้ในการรอรับการบริการจากพนักงานทั้งหมด 3 ช่วง ได้แก่ การต้อนรับ (Greeting) รับออเดอร์ (Order) และเสิร์ฟอาหาร (Serve) จากการฝึกแบบจำลองในการตรวจจับการเข้าออกของพนักงานผ่านกล้องวงจรปิดด้วยการเรียนรู้เชิงลึก YOLOv4 ผ่านไลบรารี Darknet ซึ่งมีค่า Average IoU เท่ากับ 71.86% และ mAP เท่ากับ 96.56% ผลลัพธ์จากการประเมินข้อมูลวิดีโอ 3 สาขา พบว่าเวลารอเฉลี่ยการต้อนรับกับการรับออเดอร์ไม่เกิน 1 นาที และเสิร์ฟอาหารภายใน 3 นาที โดยสาขา A, B และ C ในแต่ละช่วงการบริการมีจำนวนการบริการเกิดขึ้นต่อวันเท่ากับ 71 ครั้ง, 105 ครั้ง และ 72 ครั้ง ตามลำดับ สาขา A จากทั้ง 3 สถานะมีเพียงแค่ 1 ครั้งเท่านั้นของสถานะรับออเดอร์ที่อยู่ในระดับไม่พึงพอใจส่วนที่เหลืออยู่ระดับพึงพอใจทั้งหมด สาขา B ในการต้อนรับจาก 105 ครั้ง อยู่ในระดับไม่พึงพอใจ 6 ครั้ง ไม่พึงพอใจเป็นอย่างมาก 1 ครั้ง สาขา C มีเพียงอย่างละ 1 ครั้งในการรับต้อนรับและรับออเดอร์ที่ตกอยู่ในระดับไม่พึงพอใจ แม้ว่าการบริการจะมีครั้งที่ไม่อยู่ในระดับพึงพอใจแต่ว่าเป็นจำนวนที่น้อยมาก และครั้งดังกล่าวเกิดขึ้นในช่วงของเวลามื้ออาหารที่มีจำนวนคนมาใช้บริการเป็นจำนวนมาก

There are many ways to evaluate the customers' service processes efficiency of the casual dining restaurant. One of which is the service speed measured by the amount of time a customer spends waiting for service during each service period. Currently, the object detection system based on deep learning techniques is constantly evolving and high accuracy. In general, restaurants are equipped with more CCTV to apply that information to the employee's service detection techniques. This research aims to develop and improve customer service by monitoring the waiting period. A customer's waiting period can be classified into three: greeting, order, and serving period. The monitoring will be trained using a model from the Darknet library to detect an employee who enters and exits each table from CCTV. The testing data results reveal that the mAP is 96.56%, and the average IoU is 71.86%. Results from the three-branch video data assessment showed that the average wait time for greeting and order was not more than 1 minute and serve within 3 minutes. Branch A of all three periods has only one time in order period at the level of unsatisfaction, the rest of the satisfaction level. Branch B has six times as unsatisfaction and one time as very unsatisfaction in greeting period. Branch C has only one time in greeting and order that a level of dissatisfaction. Although the service in some period is not satisfactory, it very rarely happens. The times that do not fall into the satisfaction level arise during meal times that there are many customers.