Salah satu tujuan utama dari Undang-undang Perawatan Terjangkau (ACA) adalah untuk menurunkan biaya perawatan kesehatan dengan memberikan konsumen lebih banyak pilihan atas perusahaan asuransi mereka.

Teori ekonomi menunjukkan bahwa ketika konsumen membuat pilihan informasi dan pilihan di pasar yang kompetitif, perusahaan merespons dengan menurunkan harga dan meningkatkan kualitas penawaran mereka.

Tapi teori samping, penelitian empiris menunjukkan konsumen Sebenarnya tidak berperilaku seperti ini dalam praktik, terutama di pasar yang kompleks seperti asuransi kesehatan.

Kenyataan ini membuat kebijakan pemerintah semakin ketat untuk menekan biaya perawatan kesehatan secara efektif (beberapa di antaranya membayar) dan mengurangi premi. Ini juga berarti banyak individu mungkin membayar lebih banyak daripada seharusnya pada asuransi kesehatan.

Jadi adakah yang bisa kita lakukan untuk membantu orang membuat keputusan asuransi yang lebih baik?

Di sebuah makalah baru-baru Saya bekerja sama dengan sesama ekonom Berkeley Jonathan Kolstad, kami menilai bagaimana data hasil personalisasi dapat membantu konsumen melakukan hal itu dan akibatnya membuat pasar kesehatan menjadi lebih efisien.

Banyak pilihan, banyak kebingungan

Mengontrol pengeluaran perawatan kesehatan - yang mencapai US $ 3 triliun per tahun untuk pertama kalinya di 2014 - tetap menjadi prioritas utama bagi pembuat kebijakan. Pertumbuhan pengeluaran melambat di bawah rata-rata historis sekitar waktu ACA disahkan tetapi sejak saat itu dipercepat.

Regulator federal dan negara bagian menciptakan pertukaran ACA untuk mendorong perusahaan asuransi bersaing pada harga dan kualitas sambil menawarkan pilihan yang lebih luas kepada konsumen.

Beberapa pasar Medicare, seperti cakupan obat resep Plan D, melakukan hal yang sama, sementara perusahaan yang menyediakan asuransi kesehatan juga semakin menawarkan lebih banyak pilihan kepada karyawan mereka melalui pertukaran yang difasilitasi secara pribadi.

Tapi memberi individu lebih banyak pilihan hanyalah langkah awal. Penelitian menunjukkan bahwa konsumen melakukan kesalahan saat sedang berbelanja karena kurangnya informasi yang tersedia, pemahaman terbatas dari asuransi atau hanya kerumitan keseluruhan itu. Kesulitan ini ada apakah pilihannya hanya beberapa atau beberapa lusin.

Hal ini menyebabkan konsumen pergi ratusan atau bahkan ribuan dolar di atas meja. Ini juga berkontribusi pada "pilihan inersia, "Di mana konsumen dapat membuat pilihan awal yang cerdas namun gagal menindaklanjuti dan secara aktif mempertimbangkannya kembali saat informasi baru muncul atau kondisi berubah. Itu juga bisa menghabiskan banyak uang dari waktu ke waktu.

Dalam penelitian kami, kami memeriksa bagaimana kami bisa memecahkan masalah ini.

Rekomendasi konsumen yang ditargetkan

Salah satu cara melibatkan penyediaan rekomendasi rencana pengguna khusus berdasarkan data rinci tentang kebutuhan dan preferensi perawatan pribadi mereka.

Informasi yang dipersonalisasi didasarkan pada risiko kesehatan seseorang yang diharapkan, selera risiko finansial dan preferensi dokter. Kebijakan ini menyoroti pilihan terbaik bagi konsumen tertentu dengan menghubungkan setiap pilihan dengan metrik yang mudah dipahami dan diperhatikan oleh konsumen, seperti pengeluaran yang diharapkan dalam setiap rencana di tahun yang akan datang.

Tujuan yang luas adalah untuk memanfaatkan kekuatan data dan teknologi konsumen untuk membuat rekomendasi efektif di pasar asuransi, serupa dengan yang telah kita lihat di tempat lain. Misalnya, Amazon menggunakan riwayat pembelian dan data penjelajahan Anda untuk membuat rekomendasi tentang produk tambahan apa yang mungkin Anda sukai, sementara Google memproses sejumlah besar informasi untuk menyesuaikan iklan yang disesuaikan.

Sudah ada beberapa kemajuan dalam menerapkan kondisi seperti ini di pasar asuransi.

Perhatian utama, bagaimanapun, adalah kebijakan semacam itu tidak cukup efektif. Bukti empiris menunjukkan bahwa bahkan jika Anda mengarahkan konsumen ke sumur informasi, Anda tidak dapat memaksa mereka untuk minum.

Smart default mungkin jawabannya

Jadi jika memberikan data dan rekomendasi pribadi tidak cukup untuk membantu konsumen membuat pilihan yang lebih baik, mungkinkah kebijakan yang lebih agresif akan efektif?

Salah satu caranya adalah melalui "default pintar," yang secara otomatis menempatkan konsumen ke dalam rencana yang lebih baik berdasarkan informasi spesifik pengguna. Alih-alih mengharuskan orang untuk bertindak berdasarkan rekomendasi, opsi optimal dipilih untuk mereka.

Default pintar ini akan ditargetkan secara hati-hati berdasarkan data masing-masing individu, namun juga tidak mengikat, memungkinkan konsumen beralih ke opsi lain kapan saja.

Default cerdas yang kami ajukan di makalah kami didasarkan pada data terperinci mengenai demografi dan kebutuhan kesehatan spesifik konsumen dan model nilai rencana kesehatan. Default pintar akan bekerja dengan menggunakan data seperti klaim medis masa lalu dan info demografis untuk menilai apakah masuk akal untuk beralih ke rencana lain. Model ekonomi dan ambang nilai spesifik ditetapkan pada awalnya untuk mengatur berapa banyak risiko yang harus diambil dan berapa banyak penghematan yang harus diperoleh dari sebuah saklar.

Model ekonomi itu, yang diimplementasikan dengan algoritma komputer, akan mempertimbangkan keuntungan finansial, terkena risiko jika terjadi insiden medis besar dan akses ke dokter yang tepat.

Jika kondisi yang tepat terpenuhi (kurang lebih agresif), konsumen mengalami default ke dalam rencana baru. Sosok di kanan menggambarkan proses secara lebih rinci.

Misalnya, pertimbangkan pasien diabetes yang terdaftar dalam rencana dengan premi tahunan $ 4,000 dan akses ke sekumpulan dokter tertentu. Di atas premium, pasiennya diantisipasi untuk menghabiskan $ 2,000 per tahun Berbagi biaya - deductible, copays untuk janji temu, resep, peralatan untuk menguji gula darah dan layanan lainnya - maksimal $ 8,000.

Algoritma default pintar pertama-tama akan mempertimbangkan apakah ada alternatif di pasar yang akan "lebih berarti menurunkan" pengeluaran tahunan pasien. Jika ambang batas ditetapkan pada $ 1,000, algoritme akan mencari opsi yang mengantisipasi pasien akan menghabiskan lebih dari $ 5,000 dalam bentuk premi dan pembagian biaya.

Dua kondisi lagi juga harus dipenuhi: dokter yang pasien lihat harus berada dalam jaringan rencana dan pilihannya tidak dapat mengeksposnya terlalu banyak risiko finansial tambahan (maksimal untuk pembagian biaya). Jadi jika ambang risiko finansial ditetapkan pada $ 500, maka rencana alternatif harus maksimal tidak lebih dari $ 8,500.

Pasien kemudian akan otomatis terdaftar dalam rencana, dengan penghematan yang diantisipasi $ 1,000 setahun dan skenario terburuk hanya $ 500 dalam pengeluaran tambahan.

Sejauh ini, default seperti itu hanya digunakan secara hemat di pasar asuransi kesehatan. Tapi dalam konteks lain, seperti membantu karyawan memilih berapa banyak kontribusi terhadap program pensiun, default pintar telah terbukti sangat efektif pada peningkatan kualitas pilihan.

Jika Anda memiliki rencana 401 (k) di tempat kerja, misalnya, ada kemungkinan besar sistem default pintar ini telah digunakan untuk menempatkan Anda pada rencana terbaik untuk situasi Anda. Ini bekerja untuk penghematan pensiun sekarang karena pilihannya lebih sederhana dan ada banyak data.

Masalah dengan smart default

Jadi mengapa kita tidak menggunakan smart default secara lebih luas di pasar asuransi kesehatan sekarang?

Sebagai permulaan, pembuat kebijakan dan pengusaha cenderung enggan menerapkan kebijakan yang tampaknya mendorong pilihan asuransi dengan cara yang begitu kuat. Misalnya, jika setelan bawaan terlalu agresif, banyak konsumen dapat masuk ke dalam rencana yang membuat mereka menjadi lebih buruk - meskipun rata-rata orang akan lebih baik.

Solusi yang mungkin untuk ini adalah bahwa ambang batas pendaftaran otomatis dapat ditetapkan dengan sangat konservatif, sehingga hanya konsumen dengan keuntungan yang diharapkan besar yang terpengaruh (meskipun ini juga akan mengurangi potensi keuntungannya).

Masalah yang lebih mendasar, bagaimanapun, adalah kurangnya data. Sayangnya, regulator seringkali tidak memiliki data konsumen real-time mengenai risiko kesehatan personal, penggunaan asuransi dan demografi yang diperlukan untuk menerapkan secara efektif kebijakan default cerdas dengan cara yang tepat (seperti juga pilihan pensiun). Salah satu alasannya adalah perusahaan asuransi sering menolak untuk membagi data mereka dengan regulator dengan alasan bahwa mereka adalah pemilik, dan Mahkamah Agung telah menjunjung tinggi sikap mereka

Dalam kasus tersebut, default cerdas masih dimungkinkan namun memberikan nilai lebih sedikit kepada konsumen dan harus lebih konservatif dalam pelaksanaannya.

Pertimbangan tambahan

Sedikit yang diketahui tentang efek persaingan pasar saat pilihan konsumen didorong oleh algoritma daripada proses yang lebih bebas mengalir dan alami.

Sebagai contoh, dapatkah pihak asuransi mencoba secara sistematis memanfaatkan fitur algoritma yang dikenal untuk mendorong lebih banyak orang ke dalam rencana mereka (seperti pengiklan yang berinteraksi dengan Google)? Atau akankah individu akhirnya kurang terlibat dalam proses memilih asuransi mereka sendiri, yang berarti mereka akan kurang mendapat informasi tentang manfaat apa yang sebenarnya mereka miliki dan risiko yang terkait?

Memahami konsekuensi membiarkan algoritme komputer membuat pilihan konsumen akan sangat penting dalam menilai apakah menerapkan kebijakan seperti smart default dapat membantu konsumen membuat pilihan yang lebih baik dengan kerugian minimal. Tapi tidak akan mungkin sampai perusahaan asuransi mulai berbagi data lebih rinci dengan regulator.

Tentang Penulis

Ben Handel, Asisten Profesor Ekonomi, Universitas California, Berkeley. Penelitiannya telah mempelajari pembuatan keputusan konsumen dan perancangan pasar pasar asuransi kesehatan, dan menggambarkan saling keterkaitan antara keputusan konsumen dan peraturan pasar.

Artikel ini awalnya diterbitkan pada Percakapan. Membaca Artikel asli.

Buku terkait:

at Pasar InnerSelf dan Amazon