HỌC VIỆN KỸ THUẬT QUÂN SỰ KHÓA 14 HỆ ĐÀO TẠO KỸ SƯ ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC CHUYÊN NGÀNH HỆ THỐNG THÔNG TIN QUẢN LÝ XÂY DỰNG HỆ THỐNG CHẤM CÔNG NĂM 2020 1. Tên đề tài: Xây dựng hệ thống quản lý chấm công 2. Các số liệu ban đầu: Qua hiểu biết, tìm hiểu và trải nghiệm thực tế của bản thân và mô tả của các thầy về quy trình chấm công , chúng em đã tổng hợp và có được: Quy trình quản lý chấm công do công ty HITECO Việt Nam Quy trình thực hiện việc chấm công tại các công ty hiện nay 3. Nội dung bản thuyết minh: gồm các chương Chương 1. Khảo sát hệ thống. Chương 2. Phân tích hệ thống. Chương 3. Thiết kế hệ thống. Chương 4. Xây dựng hệ thống quản lý chấm công ( bằng phương pháp nhận diện khuôn mặt ) Chương 5. Kết luận 4. Số lượng, nội dung các bản vẽ: bao gồm …….. hình vẽ trải đều trong 4 chương. Chương 1. Gồm các mô hình mô tả hệ thống, mô hình khảo sát. Chương 2. Gồm các mô hình phân tích chức năng và phân tích dữ liệu. Chương 3. Gồm các mô hình thiết kế hệ thống. Chương 4 : Giao diện phần mềm , đưa ra đánh giá tổng quan so với các phần mềm điểm danh thủ công đang sử dụng như chấm công giấy , chấm công vân tay
KHẢO SÁT HỆ THỐNG
Mô tả hệ thống cần xây dựng
Xây dựng hệ thống chấm công tự động giúp tối ưu hóa quy trình điểm danh nhân viên, mang lại sự dễ dàng và thuận tiện trong việc quản lý thời gian làm việc Hệ thống này không chỉ tăng cường tính chính xác mà còn giảm thiểu các gian lận có thể xảy ra trong hoạt động điểm danh.
- Hệ thống sẽ tự động chấm công theo khung giờ được yêu cầu rõ ràng.
-Thống kê danh sách nhân viên , danh sách chấm công của nhân viên theo từng phòng ban được quản lý bởi các trưởng phòng cụ thể.
- Quản lí thông tin cá nhân người dùng.
- Quản lí lịch làm việc , lịch nghỉ , ngày nghỉ.
- Quản lí trang thiết bị
- Quản trị hệ thống: Quản lí tài khoản, thông tin của nhân viên , quản lý trang thiết bị , quản lý thông tin phòng ban
- Quản lý : Quản lý chấm công , quản lý nhân viên , quản lý thiết bị
- Nhân viên: quản lý lịch làm việc, xem thông tin chấm công
1.1.3 Quy trình xử lí, quy tắc quản lí
Nhân viên sẽ đăng ký tài khoản với hệ thống chấm công tự động theo từng phòng ban Khi đến công ty, họ phải đi qua cửa chấm công được lắp đặt tại nơi làm việc Hệ thống sẽ tự động nhận diện nhân viên và ghi lại thời gian chấm công tương ứng Nó cũng có khả năng tự động xác định xem nhân viên có đến đúng giờ hay bị trễ bao lâu.
Sau khi đăng ký tài khoản, người dùng sẽ được phân quyền làm trưởng phòng, có trách nhiệm quản lý lịch làm việc của nhân viên trong phòng ban của mình Trưởng phòng có quyền truy cập vào báo cáo và thống kê thông tin liên quan đến nhân viên, cùng với sơ đồ chấm công của các thành viên trong phòng ban.
- Quản trị hệ thống : thực hiện quản lý trang thiết bị có thể trích xuất lại thông tin khi chấm công tự động trong thời gian cho phép.
Hình 1.1 Mẫu biểu danh sách nhân viên
- Thống kê kết quả chấm công
Hình 1.2 Mẫu biểu thống kê kết quả
Mô hình hóa hệ thống
1.2.1 Mô hình tiến trình nghiệp vụ
- Ký hiệu sử dụng trong mô hình:
Mô hình kiến trúc chung
Tác nhân Đường biên Luồng thông tin
Mô hình tiến trình nghiệp vụ
Bộ phận trong hệ thống
Tác nhân tác động vào hệ thống
Bắt đầu / Kết thúc Công việc Điều kiện rẽ nhanh
Kho dữ liệuLuồng dữ liệu / Luồng công việc
Hình 1.3 Mô hình hóa tiến trình nghiệp vụ
- Ký hiệu sử dụng trong biểu đồ:
Hình 1.4 Biểu đồ hoạt động quy trình điểm danh
Hình 1.5 Biểu đồ hoạt động quy trình thống kê
Khảo sát các công nghệ hiện nay
Mục đích sử dụng chấm công trong hệ thống mạng nội bộ là để quản lý và giám sát nhân viên qua các camera IP, camera giám sát và camera an ninh được lắp đặt tại các vị trí quan trọng như cửa ra vào và đầu mối của từng phòng ban Công nghệ được áp dụng trong môi trường web cho hệ thống này là NET MVC 5 và WDF.
Hiện nay, công nghệ nhận diện khuôn mặt đang được áp dụng rộng rãi trên toàn cầu với nhiều thuật toán khác nhau, mang lại độ chính xác cao Trí tuệ nhân tạo (AI) không chỉ là một khái niệm trong khoa học viễn tưởng mà đã trở thành một phần thiết yếu trong cuộc sống hàng ngày của chúng ta, tùy thuộc vào mục tiêu phát triển của từng ứng dụng AI.
Vào năm 2016, AlphaGo của Google đã đánh bại kì thủ cờ vây Lee Se-Dol, gây chấn động giới công nghệ Các thuật ngữ AI, machine learning và deep learning được truyền thông sử dụng để mô tả thành công của DeepMind Mặc dù cả ba yếu tố này đều đóng vai trò quan trọng trong chiến thắng của AlphaGo, nhưng chúng có những điểm khác biệt rõ rệt.
Trong lĩnh vực nhận dạng khuôn mặt, nhiều chuyên gia đã chỉ ra rằng việc áp dụng Machine Learning và Deep Learning mang lại hiệu quả cao hơn Bài viết này sẽ so sánh hai phương pháp này để làm rõ sự khác biệt và ưu điểm của chúng.
Machine learning là quá trình sử dụng thuật toán để phân tích dữ liệu, học hỏi từ đó và đưa ra quyết định hoặc dự đoán Thay vì lập trình phần mềm theo cách thủ công với hướng dẫn cụ thể, máy học có khả năng tự động cải thiện và thích ứng với các nhiệm vụ khác nhau.
“đào tạo” bằng cách sử dụng một lượng lớn dữ liệu và các thuật toán cho phép nó học cách thực hiện các tác vụ.
Machine learning phát triển từ các khái niệm ban đầu về trí tuệ nhân tạo (AI) và đã trải qua nhiều phương pháp thuật toán như lập trình logic, phân cụm, học tăng cường và mạng Bayes Mặc dù đã có những tiến bộ, nhưng chưa ai đạt được mục tiêu cuối cùng của General AI, và ngay cả Narrow AI cũng vẫn còn là thách thức lớn đối với các phương pháp machine learning ban đầu.
Machine learning đã chứng tỏ là một công cụ mạnh mẽ trong lĩnh vực computer vision, mặc dù vẫn cần nhiều kỹ năng lập trình thủ công Các lập trình viên thường phải viết các lớp phân loại để xác định vị trí bắt đầu và kết thúc của một đối tượng, cũng như phát hiện hình dạng để nhận diện các đặc điểm như số mặt của hình Ví dụ, họ có thể phát triển các thuật toán để nhận diện chữ cái “S-T-O-P” và từ đó "học" cách nhận diện các dấu hiệu, chẳng hạn như xác định xem một hình ảnh có phải là ký hiệu dừng hay không.
Công nghệ computer vision và phát hiện hình ảnh có thể tốt nhưng không hoàn hảo, đặc biệt là trong điều kiện thời tiết xấu như ngày sương mù hoặc khi bị cản trở bởi cây cối Sự nhạy cảm quá mức của các hệ thống này dễ dẫn đến lỗi, khiến người dùng không hoàn toàn tin tưởng vào hiệu quả của chúng.
Thời gian, và ứng dụng đúng thuật toán đã tạo ra sự khác biệt.
Một phương pháp tiếp cận thuật toán nổi bật trong cộng đồng machine-learning là Mạng Nơ-ron Nhân tạo, đã được nghiên cứu trong nhiều thập kỷ Mạng Nơ-ron này được phát triển dựa trên sự hiểu biết về cấu trúc sinh học của bộ não con người, đặc biệt là cách các nơ-ron liên kết với nhau Tuy nhiên, khác với bộ não sinh học, các mạng nơ-ron nhân tạo có cấu trúc phân lớp rõ ràng, với các kết nối và hướng truyền dữ liệu cụ thể.
Bạn có thể cắt một hình ảnh thành nhiều phần và đưa chúng vào lớp đầu tiên của mạng thần kinh nhân tạo Tại lớp này, các nơ-ron sẽ truyền dữ liệu đến lớp thứ hai Mỗi lớp nơ-ron thực hiện nhiệm vụ của mình, và quá trình này tiếp tục cho đến lớp cuối cùng, nơi sản phẩm cuối cùng được tạo ra.
Mỗi nơ-ron trong mạng thần kinh đảm nhận một chức năng cụ thể, giúp xác định liệu một tín hiệu có liên quan đến nhiệm vụ đang thực hiện hay không Điểm dừng là một dấu hiệu quan trọng, và các thuộc tính của nó, như hình dạng, màu sắc, kích thước và chuyển động, sẽ được nơ-ron phân tích Mạng thần kinh sẽ đưa ra kết luận về việc đó có phải là dấu hiệu dừng hay không, kèm theo một "vector xác suất" Trong trường hợp này, hệ thống có thể xác định với độ chính xác 86% rằng đó là dấu hiệu dừng, 7% là dấu hiệu giới hạn tốc độ, và 5% còn lại có thể là một vật thể khác, như con diều mắc kẹt Kiến trúc mạng sẽ thông báo cho nơ-ron về độ chính xác của kết quả.
Mạng lưới thần kinh, mặc dù đã tồn tại từ những ngày đầu của trí tuệ nhân tạo, nhưng thường bị cộng đồng nghiên cứu xa lánh do tính toán phức tạp và ít sản phẩm thực tiễn Tuy nhiên, một nhóm nghiên cứu nhỏ do Geoffrey Hinton tại Đại học Toronto dẫn dắt đã thành công trong việc tối ưu hóa các thuật toán cho siêu máy tính, chứng minh tính khả thi của công nghệ này Sự phát triển này chỉ thực sự bùng nổ khi GPU được áp dụng, mở ra hướng đi mới cho lĩnh vực AI.
Để mạng nơ-ron hoạt động hiệu quả, nó cần trải qua quá trình luyện tập với hàng triệu hình ảnh, giúp điều chỉnh trọng số đầu vào một cách chính xác Trong giai đoạn đầu, mạng có thể đưa ra nhiều câu trả lời sai do chưa được "đào tạo" đủ Tuy nhiên, khi đã học hỏi đủ, mạng sẽ nhận diện chính xác các ký hiệu như "dừng" hay hình ảnh quen thuộc như khuôn mặt của mẹ bạn trên Facebook, bất kể điều kiện ánh sáng hay thời tiết Đây là quá trình mà Andrew Ng đã thực hiện với việc nhận diện hình ảnh con mèo.
Sự đột phá của Ng trong lĩnh vực học sâu (deep learning) là việc phát triển các mạng nơron lớn hơn với nhiều lớp và nơron hơn, đồng thời huấn luyện chúng bằng khối lượng dữ liệu khổng lồ Cụ thể, Ng đã sử dụng hình ảnh từ 10 triệu video trên YouTube để tối ưu hóa hiệu suất của hệ thống Thuật ngữ "deep" trong deep learning được Ng sử dụng để mô tả số lượng lớp trong các mạng nơron này.
Hiện nay, khả năng nhận diện hình ảnh của máy móc thông qua deep learning đã vượt trội hơn con người trong một số tình huống Ví dụ, AlphaGo của Google đã được đào tạo để chơi cờ vây, tự điều chỉnh mạng nơ-ron của mình bằng cách tự thi đấu với chính nó.
Kết luận
- Trình bày được yêu cầu, nhiệm vụ, mục đích của hệ thống
- Cơ cấu tổ chức của hệ thống.
- Đưa ra được các quy trình hoạt động, các mô hình có liên quan đến hệ thống.
- Cho thấy được khái quát về hệ thống cần xây dựng.
PHÂN TÍCH HỆ THỐNG
Phân tích chức năng nghiệp vụ
2.1.1 Mô hình hóa chức năng nghiệp vụ
- Sơ đồ phân rã chức năng:
Hình 2.12 Sơ đồ phân rã chức năng
2.1.2 Mô hình hóa tiến trình nghiệp vụ
Bắt đầu / Kết thúc Công việc Điều kiện rẽ nhanh
Kho dữ liệuLuồng dữ liệu / Luồng công việc
- Sơ đồ mức khung cảnh
Hình 2.13 Biểu đồ luồng dữ liệu mức khung cảnh
Hình 2.14 Biểu đồ luồng dữ liệu mức đỉnh
- Mức “Quản lý nhân viên”:
Hình 2.15 Biểu đồ luồng dữ liệu mức dưới đỉnh Quản lý nhân viên
- Mức “Quản lí chấm công”:
Hình 2.16 Biểu đồ luồng dữ liệu mức dưới đỉnh Quản lí chấm công
- Mức “ Quản lí thống kê”:
Hình 2.17 Biểu đồ luồng dữ liệu mức dưới đỉnh Quản lí thống kê
- Mức “Quản lý lịch làm việc” :
Hình 2.18 Biểu đồ luồng dữ liệu mức dưới đỉnh Quản lí lịch làm việc
- Mức “ Quản lý trang thiết bị” :
Hình 2.19 Biểu đồ luồng dữ liệu mức dưới đỉnh Quản lí trang thiết bị
2.1.3 Đặc tả tiến trình nghiệp vụ
1.1.3.1 Quản lý Trang thiết bị a Thêm camera
- Đầu vào : Thông tin chi tiết của camera đang lắp đặt
- Đầu ra : Kết quả thông tin thêm vào
Lặp : Tất cả thông tin camera được lưu trong hệ thống
Nếu : Camera có IP không trùng với các IP camera đang được lắp đặt khác đang sử dụng
Thì : Thông báo thêm camera thành công
Không : Thông báo tạo thất bại b Cập nhật thông tin camera
- Đầu vào : Thông tin model cần cập nhật
- Đầu ra : Kết quả thành công / thất bại
Lặp : Thông tin camera cần cập nhật
Nếu : IP của model không trùng với các IP đang sử dụng khác
Thì : Thông báo cập nhật thành công
Không : Thông báo thất bại.
1.1.3.2 Quản lý nhân viên a Thêm nhân viên
- Đầu vào : Thông tin nhân viên
- Đầu ra : Kết quả thành công / thất bại
Lặp : Thông tin cá nhân của nhân viên đã lưu trong hệ thống
Nếu : Thông tin nhân viên cần tạo không trùng với thông tin được yêu cầu của hệ thống
Thì : thông báo tạo thành công
Không : thông báo tạo thất bại b Tạo tài khoản nhân viên
- Đầu vào : Tên tài khoản đăng nhập và mật khẩu
- Đầu ra : kết quả thành công / thất bại
Lặp : thông tin nhân viên đã lưu trong hệ thống
Nếu : Tên tài khoản không trùng với tên tài khoản đang có trong hệ thống và mật khẩu đủ điều kiện
Thì : Thông báo tạo tài khoản thành công và đăng nhập vào hệ thống chấm côngn Không : thông báo thất bại c Lưu thông tin nhân viên
- Đầu vào : thông tin nhân viên
- Đầu ra : Kết quả lưu thành công / thất bại
Lặp : Thông tin nhân viên
Nếu : thông tin nhân viên chưa được lưu
Thì : thêm thông tin vào hệ thống
Nếu : thông tin nhân viên đã được lưu vào hệ thống
Thì : cập nhật thông tin nhân viên
1.1.3.3 Quản lý chấm công a Lấy thông tin nhân viên ( lịch làm việc , thông tin cá nhân )
- Đầu vào: Mã nhân viên
- Đầu ra : thông tin nhân viên gồm lịch làm việc , danh sách chấm công cũ
Lặp : mã nhân viên đã được lưu trong hệ thống
Nếu : mã nhân viên trùng khớp với mã nhân viên đưa vào
Thì : Lấy ra thông tin cá nhân, thông tin lịch làm việc , thông tin chấm công những ngày cũ hơn
Không : Thông báo nhân viên không thuộc trong hệ thống b Nhận thông tin chấm công
- Đầu vào : ảnh thu được khi camera chấm công phát hiện nhân viên
- Đầu ra : mã nhân viên
The server detects images from the camera and conducts face recognition If the input image has the highest matching ratio and a comparison match rate exceeding 95%, the results will be returned accordingly.
Thì : Trả ra mã nhân viên
Không : Thông báo không nhận diện được nhân viên c Đưa ra kết quả chấm công
- Đầu vào : mã nhân viên
- Đầu ra : Thông báo kết quả thành công / thất bại
Lặp : bảng chấm công của nhân viên trong ngày
Nếu : Nhân viên có mã nhân viên chưa được chấm công hoặc đã được chấm công trong thời gian cho phép chấm công
Thì : Chấm công nhân viên và đưa ra thông báo thành công
Không : Thông báo kết quả chấm công thất bại d Lưu thông tin chấm công
- Đầu vào: Mã chấm công , mã nhân viên , ngày chấm công
- Đầu ra: Danh sách chấm công cuối cùng
Lặp : Thông tin chấm công của nhân viên trong ngày
Nếu : Nhân viên có đi làm và thời gian chấm công đúng giờ thỳ lưu vào hệ thống chấm công của nhân viên
Không: Đưa ra thông báo kết quả chấm công thất bại
1.1.3.4 Quản lý lịch làm việc a Cập nhật lịch làm việc
- Đầu vào : Lịch làm việc của nhân viên
- Đầu ra : Thông báo thành công / thất bại
Lặp : Lịch làm việc của nhân viên
Nếu : lịch làm việc của nhân viên cũ không trùng với lịch làm việc mới
Thì : Cập nhật lại lịch làm việc của nhân viên
Không : Thông báo lịch làm việc đã là mới nhất b Cập nhật nghỉ phép
- Đầu vào: Mã nhân viên , ngày nghỉ phép
- Đầu ra : Thông báo thành công/ thất bại
Lặp : Lịch nghỉ phép của nhân viên
Nếu : Số ngày được nghỉ phép của nhân viên còn lớn hơn 0 và số ngày muốn nghỉ phép nhỏ hơn số ngày được nghỉ
Thì : cập nhật lại lịch nghỉ phép của nhân viên
Không : thông báo cập nhật thất bại c Lưu thông tin lịch làm việc
- Đầu vào : Mã nhân viên , lịch làm việc
- Đầu ra : Thông báo thành công
Lặp : lịch làm việc của nhân viên
Nếu : lịch làm việc của nhân viên không trùng với lịch làm việc mới của nhân viên
Thì : cập nhật lại lịch làm việc của nhân viên
Không : thông báo thất bại d Lấy thông tin lịch làm việc
- Đầu vào : mã nhân viên
- Đầu ra : thông tin lịch làm việc của nhân viên
Lặp : lịch làm việc của tất cả nhân viên
Nếu : có mã nhân viên đưa vào
Thì : lấy thông tin lịch làm việc của nhân viên
Không : Thông báo thất bại
1.1.3.5 Quản lý thống kê a Nhận yêu cầu
- Đầu vào : yêu cầu thống kê
- Đầu ra : Ghi nhận thông tin
Lặp: thông tin chấm công nhân viên
Nếu : phù hợp với thông tin yêu cầu
Thì : ghi nhân thông tin b Thống kê chấm công theo ngày
- Đầu vào : ngày chấm công
- Đầu ra : thông tin chấm công
Lặp : thông tin chấm công nhân viên
Nếu : phù hợp điều kiện đưa vào
Thì : Trả ra danh sách chấm công
Không : Thông báo không có danh sách chấm công phù hợp c Thống kê chấm công theo phòng ban
- Đầu vào : mã phòng ban
- Đầu ra : thông tin chấm công
Lặp : thông tin chấm công nhân viên
Nếu : phù hợp điều kiện đưa vào
Thì : Trả ra danh sách chấm công
Không : Thông báo không có danh sách chấm công phù hợp d Thống kê chấm công theo nhân viên
- Đầu vào ; mã nhân viên
- Đầu ra : thông tin chấm công
Lặp : thông tin chấm công nhân viên
Nếu : phù hợp điều kiện đưa vào
Thì : Trả ra danh sách chấm công
Không : Thông báo không có danh sách chấm công phù hợp
Phân tích dữ liệu nghiệp vụ
2.2.1 Mô hình dữ liệu ban đầu
- Xác định các kiểu thực thể, kiểu thuộc tính.
+ Xác định các kiểu thực thể:
+ Thực thể Nhân viên (Employee)
+ Thực thể Phòng ban ( Brand )
+ Thực thể thiết bị (Device)
+ Thực thể Lịch làm việc ( WorkPlan)
+ Thực thể lần chấm công (Attendance)
+ Thực thể hình ảnh ( Files)
+ Xác định kiểu thuộc tính :
+Thực thể nhân viên ( Employee ) có các thuộc tính sau : ID, userName, password, fullName, sex, image, country, birthday , brand ….
+ Thực thể phòng ban ( Brand ) có các thuộc tính sau : ID, code , name , address , description
+ Thực thể thiết bị (Device) : ID , Code , Name , IPAddress, Address , Brand
+ Thực thể lịch làm việc (WorkPlan) : ID, date , employee, description, IsRoot + Thực thể lần Chấm công (Tracking): ID , Emp_ID, TimeIn , Description, Brand_Id
+ Thực thể Files : Id, Url ,Ref, Name,Type
- Xác định các kiểu liên kết
Kiểu thực thể Kiểu liên kết Kiểu thực thể
Hình 2.20 Mô hình ERD mở rộng
Kiểu thực thể và kiểu thuộc tính
Hình 2.21 Mô hình chuẩn hóa dữ liệu.
2.2.3 Đặc tả bảng dữ liệu
Tên trường Kiểu DL Độ rộng Ghi chú
Emp_Id Int Khóa chính
Emp_Code Varchar(50) 50 Mã nhân viên Emp_UserNam e
Emp_PassWork Varchar(255) 255 Mật khẩu
Emp_FullName Nvarchar(255) 255 Tên nhân viên
Emp_Gender Int Giới tính
Emp_Address Nvarchar(500) 500 Địa chỉ
MAX Session id lấy login
Emp_Brand_Id INT Mã phòng ban
Bảng 4 : WorkPlan( Lịch làm việc )
Tên trường Kiểu DL Độ rộng Ghi chú
WP_id Int 16 Khóa chính
WP_code Varchar(50) 50 Mã lịch làm việc
WP_IsRoot Varchar(50) 50 Áp dụng cho toàn hệ thống
WP_Status Varchar(50) 50 Trạng thái
Bảng 5: TimeWork( Ngày làm việc / ngày nghỉ )
Tên trường Kiểu DL Độ rộng Ghi chú
TW_Id INT 16 Khóa chính
TW_WP_Id INT 16 Id lịch làm việc
TW_WorkDate Date Ngày làm việc
TW_Status Varchar(50) 50 Trạng thái
Tên trường Kiểu DL Độ rộng
Brand_Id INT Khóa chính
Brand_Code Varchar(50) 50 Mã phòng ban
Brand_Name NVARCHAR(255) 255 Tên phòng ban
Brand_Address Nvarchar(500) 500 Địa chỉ phòng ban
Nvarchar(max) max Mô tả
Tên trường Kiểu DL Độ rộng Ghi chú
Dec_ID int 16 Khóa chính
Dec_Code Varchar(50) 50 Mã thiết bị
Dec_Name Nvarchar(255) 255 Tên thiết bị
Dec_Address Nvarchar(500) 500 Nơi đặt thiết bị
Dec_IPAddress Varchar(50) 50 Địa chỉ IP
Dec_Description Nvarchar(max) Max Mô tả
Dec_Brand_Id Int Mã phòng ban
Tên trường Kiểu DL Độ rộng Ghi chú
TK_Id Int 16 Khóa chính
TK_Emp_id Int 16 Id nhân viên
TK_TimeIn Datetime Thời gian chấm công
TK_Status Varchar(50) 50 Trạng thái
Bảng 7 : GroupPlan (Nhóm lịch làm việc)
Tên trường Kiểu DL Độ rộng Ghi chú
GP_ID INT Khóa chính
GP_Name Nvarchar(50) 50 Tên nhóm
GP_Status Varchar(50) 50 Trạng thái
Bảng 8 :Group_Employee ( nhóm làm việc nhân viên )
Tên trường Kiểu DL Độ rộng Ghi chú
GE_GP_ID INT Mã nhóm kế hoạch
GE_Emp_ID INT Mã nhân viên
Bảng 9 :Group_WorkPlan ( nhóm lịch làm việc nhân viên )
Tên trường Kiểu DL Độ rộng Ghi chú
GWP_WP_ID INT Mã nhóm kế hoạch
GWP_GP_ID INT 50 Mã lịch làm việc
Tên trường Kiểu DL Độ rộng Ghi chú
FileType Varchar 50 Định dạng file
Kết luận
- Trình bày các quy trình xử lý, các sơ đồ, luồng dữ liệu cần thiết
- Đưa ra được các chức năng cơ bản của hệ thống
- Phân tích được các dữ liệu, các bảng có liên quan và cần thiết để xây dựng hệ thống.