Lengo moja kuu la Sheria ya Huduma ya bei nafuu (ACA) ilikuwa kupunguza gharama za huduma ya afya kwa kuwapa watumiaji chaguo zaidi juu ya bima yao.

Nadharia ya uchumi inadokeza kwamba wakati watumiaji wanapofanya uchaguzi wenye taarifa na hai katika soko lenye ushindani, kampuni zinajibu kwa kupunguza bei na kuboresha ubora wa matoleo yao.

Lakini nadharia kando, utafiti wa kimapenzi inaonyesha Walaji usiwe na tabia kama hii katika mazoezi, haswa katika masoko tata kama bima ya afya.

Ukweli huu hufanya iwe ngumu sana kwa sera ya serikali kudhibiti vyema gharama za huduma za afya (ambazo zingine hulipa) na kupunguza malipo. Inamaanisha pia watu wengi labda wanalipa zaidi kuliko inavyostahili kwenye bima ya afya.

Kwa hivyo kuna chochote tunaweza kufanya kusaidia watu kufanya maamuzi bora ya bima?

Ndani ya karatasi ya hivi karibuni Nilishirikiana na mchumi mwenzangu wa Berkeley Jonathan Kolstad, tulitathmini jinsi data ya kibinafsi inaweza kusaidia watumiaji kufanya hivyo na matokeo yake kufanya masoko ya afya kuwa na ufanisi zaidi.

Chaguzi nyingi, kuchanganyikiwa sana

Kudhibiti matumizi ya huduma za afya - ambayo iligonga $ 3 trilioni za Amerika kwa mwaka kwa mara ya kwanza mnamo 2014 - bado ni kipaumbele cha juu kwa watunga sera. Matumizi ya ukuaji yamepungua chini ya wastani wa kihistoria karibu wakati ACA ilipitishwa lakini tangu wakati huo iliharakisha.

Watawala wa Shirikisho na serikali walifanya ubadilishaji wa ACA kuhamasisha bima kushindana kwa bei na ubora wakati wakiwapa watumiaji anuwai ya chaguzi.

Masoko kadhaa ya Medicare, kama vile mpango wa dawa ya dawa ya Mpango D, hufanya hivyo, wakati kampuni ambazo hutoa bima ya afya pia zinazidi kutoa chaguzi zaidi kwa wafanyikazi wao kupitia mabadilishano ya kibinafsi.

Lakini kuwapa watu chaguzi zaidi ni hatua ya kwanza tu. Utafiti unaonyesha kwamba watumiaji hufanya makosa wakati wa ununuzi kamili kwa sababu ya ukosefu wa habari inayopatikana, uelewa mdogo ya bima au shida tu ya jumla. Shida hizi zipo ikiwa chaguo ni chache au kadhaa kadhaa.

Hii inasababisha watumiaji kuondoka mamia au hata maelfu ya dola mezani. Pia inachangia "hali ya uchaguzi, ”Ambamo watumiaji wanaweza kufanya uchaguzi mzuri wa mwanzo lakini wakashindwa kufuata na kuwazingatia kikamilifu habari mpya inapoibuka au hali inabadilika. Hiyo pia inaweza kuwagharimu pesa nyingi kwa muda.

Katika utafiti wetu, tulichunguza jinsi tunaweza kutatua shida hizi.

Mapendekezo ya watumiaji yaliyolengwa

Njia moja inajumuisha kuwapatia watumiaji mapendekezo maalum ya mpango kulingana na data ya kina juu ya mahitaji na matakwa yao ya huduma ya afya.

Habari ya kibinafsi inategemea hatari za kiafya zinazotarajiwa, hamu ya hatari ya kifedha na upendeleo wa daktari. Sera hizi zinaangazia chaguzi bora kwa mteja aliyepewa kwa kuhusisha kila chaguo na metriki ambazo watumiaji huelewa na kujali, kama vile matumizi yao yanayotarajiwa katika kila mpango katika mwaka ujao.

Lengo pana ni kutumia nguvu ya data ya watumiaji na teknolojia kutoa maoni madhubuti katika masoko ya bima, sawa na kile tunachokiona mahali pengine. Kwa mfano, Amazon hutumia historia yako ya ununuzi na data ya kuvinjari kutoa mapendekezo juu ya bidhaa gani za ziada unazoweza kupenda, wakati Google inashughulikia habari nyingi ili kulenga matangazo yanayokufaa.

Tayari kumekuwa na maendeleo kuelekea utekelezaji wa hali kama hizi katika masoko ya bima.

Wasiwasi mkubwa, hata hivyo, ni kwamba sera hizo hazina ufanisi wa kutosha. Ushahidi wa nguvu inapendekeza kwamba hata ikiwa unaongoza watumiaji kwenye kisima cha habari, sio lazima uwalazimishe kunywa.

Chaguo-msingi za Smart inaweza kuwa jibu

Kwa hivyo ikiwa kutoa data na mapendekezo ya kibinafsi hayatoshi kusaidia watumiaji kufanya chaguo bora, je! Sera mbaya zaidi inaweza kuwa na ufanisi?

Njia moja ni kupitia "chaguo-msingi nzuri," ambazo huweka watumiaji kwenye mipango inayofaa kulingana na habari maalum ya mtumiaji. Badala ya kuhitaji watu kutenda kulingana na mapendekezo, chaguo mojawapo huchaguliwa kwao.

Chaguo-msingi hizi nzuri zingelengwa kwa uangalifu kulingana na data ya kila mtu mwenyewe, lakini pia zingekuwa hazifungi, ikiruhusu watumiaji wabadilishe chaguo jingine wakati wowote.

Chaguo-msingi nzuri ambazo tumependekeza katika karatasi yetu zinategemea data ya kina juu ya idadi ya watu maalum na mahitaji ya afya na mfano wa thamani ya mpango wa afya. Ukosefu wa busara ungefanya kazi kwa kutumia data kama vile madai ya matibabu ya zamani na maelezo ya idadi ya watu kutathmini ikiwa itakuwa busara kubadili mpango mwingine. Mfano wa uchumi na vizingiti maalum vya thamani vimewekwa mwanzoni ili kudhibiti ni hatari ngapi kuchukua na ni akiba ngapi lazima ipatikane kutoka kwa swichi.

Mfano huo wa uchumi, uliotekelezwa na hesabu ya kompyuta, utazingatia faida za kifedha, kuambukizwa kwa hatari ikitokea tukio kubwa la matibabu na upatikanaji wa madaktari sahihi.

Ikiwa hali sahihi zimetimizwa (zaidi au chini ya fujo), mlaji hurejeshwa kuwa mpango mpya. Takwimu kulia inaonyesha mchakato kwa undani zaidi.

Kwa mfano, fikiria mgonjwa wa kisukari aliyejiandikisha katika mpango na malipo ya kila mwaka ya $ 4,000 na ufikiaji wa seti maalum ya waganga. Juu ya malipo, mgonjwa yuko inatarajia kutumia $ 2,000 nyingine kwa mwaka katika kugawana gharama - punguzo, kopi za miadi, maagizo, vifaa vya kupima sukari ya damu na huduma zingine - hadi kiwango cha juu cha $ 8,000.

Algorithm smart default ingekuwa kwanza kufikiria kama kulikuwa na njia mbadala katika soko ambayo "kwa maana kupunguza" matumizi ya kila mwaka ya mgonjwa. Ikiwa kizingiti kiliwekwa kwa $ 1,000, algorithm ingetafuta chaguo ambalo linatarajia mgonjwa hatatumia zaidi ya $ 5,000 katika malipo na kushiriki gharama.

Masharti mengine mawili pia yanapaswa kutimizwa: waganga ambao mgonjwa anaona atalazimika kuwa kwenye mtandao wa mpango na chaguo halingeweza kumweka kwenye hatari kubwa zaidi ya kifedha (kiwango cha juu cha kugawana gharama). Kwa hivyo ikiwa kizingiti cha hatari ya kifedha kingewekwa $ 500, basi mpango mbadala utalazimika kuzidi si zaidi ya $ 8,500.

Mgonjwa basi angejiandikisha kiotomatiki katika mpango huo, na akiba inayotarajiwa ya $ 1,000 kwa mwaka na hali mbaya zaidi ya $ 500 tu katika matumizi ya ziada.

Kufikia sasa, kasoro kama hizo zimetumika kidogo katika masoko ya bima ya afya. Lakini katika mazingira mengine, kama vile kusaidia wafanyikazi kuchagua ni kiasi gani cha kuchangia mipango ya pensheni, chaguo-msingi nzuri zimethibitishwa ufanisi mzuri katika kuboresha ubora wa uchaguzi.

Ikiwa una mpango wa 401 (k) kazini, kwa mfano, kuna nafasi nzuri mfumo huu chaguo-msingi mzuri umetumika kukuweka katika mpango bora wa hali yako. Hii inafanya kazi kwa akiba ya kustaafu sasa kwa sababu chaguzi ni rahisi na kuna data nyingi.

Shida na chaguo-msingi cha busara

Kwa hivyo kwanini hatutumii chaguzi nzuri kwa upana zaidi katika masoko ya bima ya afya hivi sasa?

Kwa wanaoanza, watunga sera na waajiri wana uwezekano wa kusita kutekeleza sera ambazo zinaonekana kuendesha chaguzi za bima kwa njia ya nguvu. Kwa mfano, ikiwa mipangilio chaguomsingi ni ya fujo kupita kiasi, watumiaji wengi wanaweza kujiandikisha kiotomatiki katika mipango ambayo huwafanya kuwa mbaya zaidi - hata ikiwa mtu wa kawaida atakuwa bora.

Suluhisho linalowezekana kwa hii ni kwamba vizingiti vya uandikishaji wa kiotomatiki vinaweza kuwekwa kihafidhina, ili watumiaji tu walio na faida kubwa inayotarajiwa ndio wataathiriwa (ingawa hii pia itapunguza faida inayowezekana).

Tatizo la msingi zaidi, hata hivyo, ni ukosefu wa data. Kwa bahati mbaya, wasimamizi mara nyingi hawana aina ya data ya watumiaji wa wakati halisi juu ya hatari za kiafya za kibinafsi, matumizi ya bima na idadi ya watu inayohitajika kutekeleza sera nzuri za msingi kwa njia sahihi (kama ilivyo kwa uchaguzi wa pensheni). Sababu moja ni kwamba kampuni za bima mara nyingi hukataa kushiriki data zao na wasimamizi kwa sababu ni wamiliki, na Mahakama Kuu imeunga mkono msimamo wao.

Katika hali kama hizo, chaguzi nzuri bado zinawezekana lakini hutoa thamani kidogo kwa watumiaji na lazima iwe kihafidhina zaidi katika utekelezaji wao.

Mawazo ya ziada

Haijulikani sana juu ya athari za ushindani wa soko wakati chaguo za watumiaji zinaendeshwa na algorithms badala ya mchakato wa bure zaidi na wa asili.

Kwa mfano, je! Bima wangejaribu kutumia kwa utaratibu huduma zinazojulikana za algorithm kushinikiza watu zaidi katika mipango yao (kama vile watangazaji wanavyoshirikiana na Google)? Au watu binafsi wataishia kuwa hawajishughulishi sana katika mchakato wa kuchagua bima yao wenyewe, ambayo inamaanisha watakuwa na habari kidogo juu ya faida wanayo na hatari zinazohusiana?

Kuelewa matokeo ya kuruhusu algorithms za kompyuta kufanya uchaguzi wa watumiaji itakuwa muhimu katika kukagua ikiwa utekelezaji wa sera kama chaguzi nzuri inaweza kufanya kazi katika kusaidia watumiaji kufanya chaguo bora na upungufu mdogo. Lakini haitawezekana mpaka bima itaanza kushiriki data zaidi na wasimamizi.

Kuhusu Mwandishi

Ben Handel, Profesa Msaidizi wa Uchumi, Chuo Kikuu cha California, Berkeley. Utafiti wake umechunguza maamuzi ya watumiaji na muundo wa soko la masoko ya bima ya afya, na inaonyesha mwingiliano kati ya uamuzi wa watumiaji na kanuni za soko.

Makala hii ilichapishwa awali Mazungumzo. Soma awali ya makala.

Kurasa Kitabu:

at InnerSelf Market na Amazon