निवृत्ती बचतीची स्मरणपत्रे अनेकदा संवादाची एक साधी समस्या मानली जातात: लोकांना एक सूचना पाठवायची, काय पणाला लागले आहे ते सांगायचे आणि अधिक लोक योगदान देतील अशी आशा करायची. University of Cologne ने वर्णन केलेल्या नव्या संशोधनानुसार, कोणती सूचना कोणत्या व्यक्तीपर्यंत पोहोचते हा कदाचित अधिक महत्त्वाचा प्रश्न असू शकतो.

संभाव्य नुकसान किंवा संभाव्य लाभ याभोवती मांडलेली स्मरणपत्रे अतिरिक्त खासगी पेन्शन बचतीला प्रोत्साहन देऊ शकतात का, याचा या अभ्यासात तपास करण्यात आला. एकच शैली सर्वत्र यशस्वी ठरते, असा त्याचा मुख्य निष्कर्ष नाही. उलट, वय, मागील योगदानाचे वर्तन आणि कामाचे स्वरूप यांसारख्या वैशिष्ट्यांनुसार लोकांनी त्याच संदेशाला वेगवेगळा प्रतिसाद दिला.

हा परिणाम महत्त्वाचा आहे, कारण खासगी निवृत्ती बचत हा सार्वजनिक धोरण आणि कौटुंबिक अर्थकारणातील मोठा चिंतेचा विषय बनला आहे. सर्वसाधारण स्मरणपत्र अजूनही उपयुक्त ठरू शकते; मात्र विशिष्ट प्रोत्साहनाच्या पद्धतीला प्रतिसाद देण्याची शक्यता असलेले प्राप्तकर्ते प्रयोगाधारित पुराव्याने ओळखण्याच्या अधिक लक्ष्यित दृष्टिकोनाकडे हे संशोधन निर्देश करते.

एकाच निर्णयाची मांडणी करण्याच्या दोन पद्धतींची चाचणी

University of Cologne, LMU Munich आणि Paderborn University येथील संशोधन पथकाने एका युरोपीय खासगी पेन्शन प्रदात्यासोबत 2021 आणि 2022 मध्ये दोन क्षेत्रीय प्रयोग केले. या दोन्ही प्रयोगांमध्ये मिळून सुमारे 41,000 ग्राहक सहभागी झाले; त्यांपैकी बहुतेक Switzerland मध्ये होते.

ग्राहकांना ते अजून किती रक्कम वाचवू शकतात आणि कर कपातीचा दावा करू शकतात, याबाबत अॅपवर स्मरणपत्र मिळाले. संभाव्य नुकसान किंवा संभाव्य लाभ अशा प्रकारे मांडलेल्या दोन आवृत्त्यांपैकी एका आवृत्तीत त्यांची यादृच्छिक पद्धतीने नेमणूक करण्यात आली. व्यापक अर्थाने, एका दृष्टिकोनात कृती न केल्यास एखादी व्यक्ती काय गमावू शकते यावर भर असतो, तर दुसऱ्यात कृती केल्यास काय मिळवता येऊ शकते यावर भर असतो.

अशा प्रकारच्या अभ्यासात यादृच्छिक नेमणूक महत्त्वाची असते, कारण त्यामुळे परस्पर स्पर्धेत असलेल्या संदेशांची अधिक थेट तुलना करता येते. लोकांना काय आवडते असे ते सर्वेक्षणांत सांगतात यावरच अवलंबून न राहता, प्रत्यक्ष पेन्शन निर्णयांशी संबंधित परिस्थितीत खऱ्या स्मरणपत्रांनंतरचे वर्तन संशोधकांना पाहता आले.

हे काम Scientific Reportsमध्ये “Causal machine learning reveals heterogeneous effects of loss versus gain framing on retirement savings” या शीर्षकाखाली प्रकाशित झाले.

सर्वांसाठी एकच विजेता संदेश नाही

लाभ आणि नुकसानाधारित स्मरणपत्रांवरील आधीच्या अभ्यासांत परस्परविरोधी निष्कर्ष आले आहेत. या विसंगतीचे एक संभाव्य स्पष्टीकरण नवे संशोधन देते: सरासरी आकडे प्राप्तकर्त्यांमधील महत्त्वपूर्ण फरक लपवू शकतात.

संशोधकांच्या मते, ज्यांच्या कामात मोठ्या प्रमाणावर माहितीवर प्रक्रिया करावी लागते अशा लोकांवर नुकसानाधारित संदेशांचा परिणाम अधिक दिसून आला. याउलट, 50 वर्षे आणि त्याहून अधिक वयाच्या लोकांमध्ये तसेच आधीच अनेक अतिरिक्त योगदान केलेल्या लोकांमध्ये लाभाधारित संदेश अधिक प्रभावी ठरले.

Personalized savings reminders can help boost retirement savings
आमच्या संशोधन आराखड्याचा आढावा. श्रेय: Scientific Reports (2026). DOI: 10.1038/s41598-026-76813-1

या निष्कर्षांचा अर्थ असा नियम लावणे नाही की एखाद्या गटातील प्रत्येक व्यक्ती सारख्याच प्रकारे प्रतिक्रिया देईल. ते प्रयोगांत दिसून आलेल्या नमुन्यांचे वर्णन करतात. मात्र पेन्शन प्रदाते, नियोक्ते आणि धोरणकर्त्यांसाठी ते एक व्यावहारिक इशारा देतात: संपूर्ण लोकसंख्येत मोजल्यावर मामुली वाटणारा परिणाम, प्रतिसाद देण्याची शक्यता जास्त असलेल्या लोकांना संदेश पाठवला तर अधिक उपयुक्त ठरू शकतो.

ग्राहकांसाठी तात्काळ शिकवण ही प्रदात्याकडून कोणती शब्दरचना मागावी यापेक्षा वेळेवर मिळणाऱ्या सूचनांचे महत्त्व समजून घेण्याबाबत आहे. एखाद्या व्यक्तीकडे योगदान देण्याची क्षमता आणि इच्छा असली तरी निवृत्ती बचत दैनंदिन खर्चांशी स्पर्धा करत असल्याने पुढे ढकलली जाऊ शकते. करकपात मिळू शकणाऱ्या उपलब्ध रकमेबरोबर जोडलेले स्मरणपत्र अन्यथा अमूर्त असलेला निर्णय अधिक ठोस बनवू शकते.

लक्ष्यीकरणासाठी कारणात्मक मशीन लर्निंगचा वापर

कोण हस्तक्षेपाला प्रतिसाद देतो आणि कोण देत नाही, हे प्रयोगाधारित डेटामधून समजून घेण्यासाठी पथकाने कारणात्मक मशीन लर्निंगचा वापर केला. कोण बचत करेल याचा अंदाज लावणाऱ्या साध्या भविष्यवाणी प्रणालीपेक्षा हे वेगळे आहे. एखादा विशिष्ट संदेश वेगवेगळ्या लोकांच्या वर्तनात बदल घडवतो का, याचा अंदाज घेणे हे संबंधित उद्दिष्ट आहे.

प्रत्येक संदेशप्रकाराला कोणते ग्राहक प्रतिसाद देऊ शकतात याचा अंदाज घेण्यासाठी संशोधकांनी पहिल्या प्रयोगातील डेटा वापरला आणि त्यानंतरच्या प्रयोगात हा दृष्टिकोन तपासला. लक्ष्यित वर्तनात्मक हस्तक्षेपांमुळे खासगी पेन्शन बचत वाढू शकते, याचे प्रात्यक्षिक म्हणून मूळ सामग्रीत याचे वर्णन केले आहे.

या फरकाचे परिणाम निवृत्ती खात्यांपलीकडेही आहेत. संस्था नियमितपणे भेटी, बिले, ऊर्जा वापर, आरोग्य कार्यक्रम आणि लाभांच्या नोंदणीबाबत स्मरणपत्रे पाठवतात. एखाद्या संदेशाला मिळणारा प्रतिसाद प्राप्तकर्त्यांनुसार मोठ्या प्रमाणात बदलत असेल, तर सरासरी वापरकर्त्याला केंद्रस्थानी ठेवून तयार केलेला सामूहिक संवाद संभाव्य लाभ साध्य होण्यापासून रोखू शकतो.

तरीही, डेटावर आधारित लक्ष्यीकरणासोबत जबाबदाऱ्याही येतात. पेन्शन प्रदात्याने आपल्या संवादाबाबत स्पष्ट असले पाहिजे, ग्राहकांच्या डेटाचे संरक्षण केले पाहिजे आणि वर्तनात्मक संशोधनाचे रूपांतर प्राप्तकर्त्याच्या परिस्थितीसाठी गोंधळात टाकणाऱ्या किंवा अयोग्य दबावात करू नये. एखादा संदेश लोकांना एखादा पर्याय लक्षात घेण्यास मदत करू शकतो; परंतु अधिक योगदान देणे त्यांच्यासाठी आर्थिकदृष्ट्या योग्य आहे की नाही, हे तो ठरवू शकत नाही.

अभ्यासामुळे काय बदलते

केवळ शब्दरचनेच्या आधारे निवृत्ती बचतीचे आव्हान सोडवता येईल, असा दावा हे संशोधन करत नाही. त्याऐवजी, मांडणी वैयक्तिकृत केली तर ती अधिक प्रभावी ठरू शकते, याचा पुरावा ते देते. नुकसान किंवा लाभाची भाषा यांपैकी एकालाच अंतिम उत्तर घोषित करण्यापेक्षा हा अधिक संयत निष्कर्ष आहे.

वित्तीय संस्थांसाठी कार्यात्मक आव्हान असे आहे की एकच मोहीम सर्वांसाठी समान रीतीने काम करेल असे गृहीत न धरता, संदेशांची जबाबदारीने चाचणी आणि परिणामांचे मूल्यमापन करणाऱ्या प्रणाली उभाराव्यात. संशोधकांसाठी, उपचार परिणामांमधील फरक ओळखण्यासाठी तयार केलेल्या पद्धतींसोबत क्षेत्रीय प्रयोग जोडण्याचे महत्त्व हा अभ्यास दाखवतो.

सार्वजनिक चर्चेसाठी, मोठ्या प्रमाणावर वापरल्यास लहान रचनात्मक निवडींचेही परिणाम होऊ शकतात, याची हा अभ्यास आठवण करून देतो. फोनवर येणारी सूचना किरकोळ वाटू शकते; तरीही अशा हजारो सूचना लोकांनी पुढे ढकललेल्या निर्णयाचा पुन्हा विचार करावा की नाही, यावर प्रभाव टाकू शकतात. पुढचे पाऊल केवळ अधिक स्मरणपत्रे पाठवणे नाही. कोणती स्मरणपत्रे कोणासाठी आणि कोणत्या परिस्थितीत उपयुक्त आहेत, याबाबत अधिक चांगले पुरावे मिळवणे हे पुढचे पाऊल आहे.

हा लेख Phys.org च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.

Originally published on phys.org