Scoprire il riciclaggio di denaro non è affatto semplice. Le operazioni sospette spesso si mimetizzano tra la moltitudine di transazioni finanziare che avvengono ogni giorno. Tipicamente non si manifestano come un’unica azione e non sono riconducibili ad un unico soggetto finanziario. Inoltre spesso un’unica operazione di riciclaggio viene “frammentata” in piccole transazioni, in modo da eludere i controlli, che scattano automaticamente quando si supera un certo volume di denaro.
Nonostante questo, le istituzioni finanziarie sono tenute a seguire una rigida attività di monitoraggio e reporting per combattere il riciclaggio. Con l’aiuto di speciali tecniche di indagine statistica, questo lavoro è reso più semplice. Esistono strutture analitiche (algoritmi e modelli) che sono in gradi di gestire enormi volumi di dati transazionali, non- o semi-strutturati (ovvero i quali non sono raccolti in maniera standardizzata, il che complica la loro analisi e comparabilità), che fluiscono molto velocemente. Queste tecniche riescono ad individuare pattern transazionali, ovvero a collegare diverse operazioni autonome che sono allo stesso tempo interconnesse ed interdipendenti, i cui legami vengono deliberatamente occultati.
In supporto delle analisi anti-riciclaggio vengono spesso usate tecniche di Machine Learning. Questi algoritmi sono in grado di “imparare” iterativamente dai dati, e di creare un modello analitico “su misura” del database in questione. In questo modo sono in grado di individuare autonomamente pattern nascosti senza che il programmatore indichi all’algoritmo dove cercare. Degli esempi sono il Network Modeling (analisi di rete) e la Cluster Analysis (analisi di cluster).