सेवानिवृत्ति-बचत अनुस्मारकों को अक्सर संचार की एक सरल समस्या माना जाता है: लोगों को एक संदेश भेजें, उन्हें बताएं कि क्या दांव पर लगा है और उम्मीद करें कि उनमें से अधिक लोग योगदान देंगे। यूनिवर्सिटी ऑफ कोलोन द्वारा वर्णित नए शोध से संकेत मिलता है कि अधिक महत्वपूर्ण सवाल यह हो सकता है कि कौन-सा संदेश किस व्यक्ति तक पहुंचता है।
अध्ययन में जांच की गई कि संभावित नुकसान या संभावित लाभ के आधार पर तैयार किए गए अनुस्मारक अतिरिक्त निजी पेंशन बचत को प्रोत्साहित कर सकते हैं या नहीं। इसका मुख्य निष्कर्ष यह नहीं है कि एक शैली सार्वभौमिक रूप से बेहतर है। इसके बजाय, लोगों ने अपनी उम्र, पिछले योगदान व्यवहार और अपने काम की प्रकृति जैसी विशेषताओं के आधार पर एक ही संदेश पर अलग-अलग प्रतिक्रिया दी।
यह परिणाम महत्वपूर्ण है, क्योंकि निजी सेवानिवृत्ति बचत सार्वजनिक नीति और घरेलू वित्त से जुड़ी एक बड़ी चिंता बन गई है। एक सामान्य अनुस्मारक अब भी उपयोगी हो सकता है, लेकिन शोध अधिक अनुकूलित दृष्टिकोण की ओर संकेत करता है: प्रयोगात्मक साक्ष्यों का उपयोग करके यह पहचानना कि कौन-से प्राप्तकर्ता किसी विशेष प्रकार के प्रोत्साहन पर प्रतिक्रिया देने की अधिक संभावना रखते हैं।
एक ही निर्णय को प्रस्तुत करने के दो तरीकों का परीक्षण
यूनिवर्सिटी ऑफ कोलोन, LMU Munich और Paderborn University की शोध टीम ने एक यूरोपीय निजी पेंशन प्रदाता के साथ मिलकर 2021 और 2022 में दो क्षेत्रीय प्रयोग किए। दोनों प्रयोगों में कुल मिलाकर लगभग 41,000 ग्राहक शामिल थे, जिनमें से अधिकांश Switzerland में रहते थे।
ग्राहकों को एक ऐप अनुस्मारक मिला, जिसमें बताया गया था कि वे कितनी राशि अभी भी बचा सकते हैं और कर कटौती के रूप में दावा कर सकते हैं। उन्हें यादृच्छिक रूप से ऐसे संस्करण में बांटा गया, जिसे संभावित नुकसान या संभावित लाभ के रूप में प्रस्तुत किया गया था। व्यापक रूप से कहें तो एक दृष्टिकोण कार्रवाई न करने पर व्यक्ति द्वारा गंवाई जा सकने वाली चीजों पर जोर देता है, जबकि दूसरा कार्रवाई करने पर मिलने वाले लाभों पर।
इस तरह के अध्ययन में यादृच्छिक आवंटन महत्वपूर्ण होता है, क्योंकि इससे प्रतिस्पर्धी संदेशों की अधिक प्रत्यक्ष तुलना संभव होती है। लोग क्या पसंद करने की बात कहते हैं, केवल ऐसे सर्वेक्षणों पर निर्भर रहने के बजाय शोधकर्ता वास्तविक पेंशन निर्णयों से जुड़े माहौल में वास्तविक अनुस्मारकों के बाद के व्यवहार का निरीक्षण कर सके।
यह कार्य Scientific Reports में “Causal machine learning reveals heterogeneous effects of loss versus gain framing on retirement savings” शीर्षक के तहत प्रकाशित हुआ।
कोई एक सार्वभौमिक रूप से प्रभावी संदेश नहीं
लाभ और नुकसान के आधार पर तैयार किए गए अनुस्मारकों पर पिछले अध्ययनों ने परस्पर विरोधी निष्कर्ष दिए हैं। नया कार्य इस असंगति की एक संभावित व्याख्या प्रस्तुत करता है: औसत आंकड़े प्राप्तकर्ताओं के बीच मौजूद महत्वपूर्ण भिन्नताओं को छिपा सकते हैं।
शोधकर्ताओं के अनुसार, नुकसान पर आधारित संदेशों का उन लोगों पर अधिक प्रभाव देखा गया जिनके काम में बड़ी मात्रा में जानकारी संसाधित करना शामिल है। इसके विपरीत, लाभ पर आधारित संदेश 50 वर्ष और उससे अधिक आयु के लोगों तथा पहले ही कई अतिरिक्त योगदान कर चुके लोगों के साथ अधिक प्रभावी रहे।

इन निष्कर्षों को इस नियम के रूप में नहीं समझना चाहिए कि किसी समूह का हर व्यक्ति एक ही तरह से प्रतिक्रिया करेगा। वे प्रयोगों में देखे गए पैटर्न का वर्णन करते हैं। लेकिन वे पेंशन प्रदाताओं, नियोक्ताओं और नीति-निर्माताओं के लिए एक व्यावहारिक चेतावनी देते हैं: पूरे जनसमूह में मापा गया मामूली परिणाम उन लोगों को संदेश भेजने पर कहीं अधिक उपयोगी हो सकता है, जिनके प्रतिक्रिया देने की संभावना सबसे अधिक है।
उपभोक्ताओं के लिए तत्काल सीख यह कम है कि प्रदाता से किस शब्दावली की मांग की जाए और अधिक यह कि समय पर मिलने वाले संदेशों का क्या महत्व है। सेवानिवृत्ति बचत अक्सर रोजमर्रा के खर्चों से प्रतिस्पर्धा करती है और इसे तब भी टाला जा सकता है, जब किसी व्यक्ति के पास योगदान देने के साधन और इच्छा दोनों हों। उपलब्ध कर-कटौती योग्य राशि से जुड़ा अनुस्मारक किसी अन्यथा अमूर्त निर्णय को अधिक ठोस बना सकता है।
लक्षित संदेशों के लिए कारणात्मक मशीन लर्निंग का उपयोग
टीम ने प्रयोगात्मक आंकड़ों से यह जानने के लिए कारणात्मक मशीन लर्निंग का उपयोग किया कि कौन intervention पर प्रतिक्रिया देता है और कौन नहीं। यह एक ऐसी सरल पूर्वानुमान प्रणाली से अलग है, जो यह अनुमान लगाने की कोशिश करती है कि कौन बचत करेगा। प्रासंगिक उद्देश्य यह अनुमान लगाना है कि कोई विशेष संदेश अलग-अलग लोगों के व्यवहार में बदलाव लाता है या नहीं।
शोधकर्ताओं ने पहले प्रयोग के आंकड़ों का उपयोग करके अनुमान लगाया कि कौन-से ग्राहक प्रत्येक संदेश प्रकार पर प्रतिक्रिया दे सकते हैं, फिर बाद के प्रयोग में इस दृष्टिकोण का परीक्षण किया। स्रोत सामग्री इसे इस बात के प्रदर्शन के रूप में प्रस्तुत करती है कि लक्षित व्यवहारगत interventions निजी पेंशन बचत बढ़ा सकते हैं।
इस अंतर के सेवानिवृत्ति खातों से परे भी प्रभाव हैं। संगठन नियमित रूप से नियुक्तियों, बिलों, ऊर्जा उपयोग, स्वास्थ्य कार्यक्रमों और लाभों के लिए नामांकन के बारे में अनुस्मारक भेजते हैं। यदि किसी संदेश पर प्रतिक्रिया प्राप्तकर्ताओं के बीच काफी अलग-अलग होती है, तो औसत उपयोगकर्ता को ध्यान में रखकर तैयार किया गया सामूहिक संचार संभावित लाभों को हासिल करने में विफल हो सकता है।
फिर भी, आंकड़ा-आधारित लक्ष्यीकरण जिम्मेदारियां भी लेकर आता है। पेंशन प्रदाता को अपने संचार के बारे में स्पष्ट होना चाहिए, ग्राहकों के आंकड़ों की सुरक्षा करनी चाहिए और व्यवहारगत शोध को ऐसे दबाव में बदलने से बचना चाहिए जो प्राप्तकर्ता की परिस्थितियों के लिए भ्रमित करने वाला या अनुपयुक्त हो। कोई संदेश लोगों को किसी विकल्प पर ध्यान देने में मदद कर सकता है, लेकिन यह तय नहीं कर सकता कि अधिक योगदान देना उनके लिए वित्तीय रूप से उचित है या नहीं।
अध्ययन से क्या बदलता है
शोध यह दावा नहीं करता कि केवल शब्दावली बदलकर सेवानिवृत्ति-बचत की चुनौती हल की जा सकती है। इसके बजाय, यह प्रमाण प्रस्तुत करता है कि प्रस्तुति को व्यक्तिगत बनाने पर वह अधिक प्रभावी हो सकती है। यह निष्कर्ष नुकसान या लाभ की भाषा को अंतिम उत्तर घोषित करने से अधिक संतुलित है।
वित्तीय संस्थानों के लिए परिचालन संबंधी चुनौती ऐसे सिस्टम बनाना है, जो संदेशों का जिम्मेदारी से परीक्षण कर सकें और परिणामों का मूल्यांकन कर सकें, बजाय इसके कि यह मान लिया जाए कि एक ही अभियान सभी के लिए समान रूप से प्रभावी होगा। शोधकर्ताओं के लिए, यह अध्ययन उपचार प्रभावों में भिन्नता की पहचान करने के लिए तैयार विधियों के साथ क्षेत्रीय प्रयोगों को मिलाने के महत्व को दर्शाता है।
सार्वजनिक बहस के लिए यह एक याद दिलाने वाली बात है कि छोटे डिजाइन-संबंधी विकल्प बड़े पैमाने पर लागू होने पर परिणाम दे सकते हैं। फोन पर आने वाली सूचना मामूली लग सकती है, फिर भी ऐसे हजारों संदेश इस बात को प्रभावित कर सकते हैं कि लोग टाले गए किसी निर्णय पर दोबारा विचार करते हैं या नहीं। अगला कदम केवल अधिक अनुस्मारक भेजना नहीं है। यह बेहतर साक्ष्य जुटाना है कि कौन-से अनुस्मारक उपयोगी हैं, किसके लिए और किन परिस्थितियों में।
यह लेख Phys.org की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।
Originally published on phys.org



