定位球占比赛进球的比例接近三成，但它在数据模型里的处理一直比运动战粗糙。华体会体育沿着模型失准的原因、定位球分类、争顶数据与模型修正四个环节，把定位球分析的难点拆开。
1、争顶数据需要区分进攻与防守角色
定位球里的争顶与运动战争顶性质不同。定位球争顶发生在固定区域，参与者位置已知，因此可以按区域统计成功率；运动战争顶则是随机发生。专业分析会把定位球争顶分成三类：目标争顶者，也就是预先安排去争第一落点的人；阻挡者，任务是卡位干扰对方；以及第二落点者，负责处理被顶出的球。三类的成功率标准完全不同，把它们合在一起算会得到无意义的平均值。
2、样本量小到让结论很难稳定
一支球队一赛季的直接任意球射门可能只有二十到三十次，角球三百到四百次。用这么小的样本计算转化率，置信区间宽得几乎无法支持结论。统计上，角球转化率要累积三个赛季以上才能看出稳定差异，直接任意球则几乎不可能得到可靠的个人数据。这就是为什么很多关于定位球能力的结论实际上只是噪声，也是为什么俱乐部在引进定位球主罚手时会更看重录像观察而不是统计数字。
3、模型修正的两种做法
业内处理定位球的主流方法有两种。第一种是完全分开建模，为角球、任意球与点球各建一个独立模型，输入变量针对各自特点设计，这种方法准确但需要大量数据。第二种是在通用模型里加入定位球标记作为修正项，用一个系数调整基础概率，这种方法简单但精度有限。近年还出现了第三种思路，把定位球的站位信息也纳入模型，用计算机视觉从视频里提取每名球员的坐标，这让模型能理解具体的站位安排，而不只是知道这是一次角球。
4、手球判罚的数据化难题：为什么它至今无法自动化
在足球的所有判罚类型里，手球是最难被数据化处理的一项。原因不在于检测不到接触，而在于规则本身要求判断意图与位置的自然性，这两项都是主观概念。现行规则的判断要素包括：手臂是否处于使身体不自然增大的位置、手部是否主动移向球、球员与球的距离、以及手臂是否有时间收回。这些要素里只有距离与位置可以被量化，其余全部依赖裁判解读。视频助理裁判能提供的帮助也有限，它可以精确显示接触点与手臂角度，但不能替代对"自然性"的判断，因此同一段画面在不同比赛里可能得出不同结论。数据化的尝试集中在两个方向：一是建立判例库，把历史判罚按要素分类，让裁判在培训时使用统一标准，这提高了一致性但没有消除主观性；二是用姿态识别算法自动标记手臂位置，为裁判提供参考画面，这个方向进展较快但仍未用于正式判罚。手球争议因此会长期存在，它本质上是规则表述与人类动作复杂性之间的落差，不是技术能单方面解决的问题。
5、静止球改变了射门的全部条件
运动战射门时，球在移动，球员必须在跑动中调整支撑脚与触球点，因此射门质量波动很大。定位球的球是静止的，主罚者可以精确选择触球点、完整完成助跑、并按预定方式发力，因此同样位置的射门，定位球的进球概率明显高于运动战。把两者放进同一个模型会低估定位球的价值，这是预期进球模型在定位球上失准的第一个原因。
6、人墙让角度计算变得复杂
任意球射门的角度不是几何角度，而是有效角度。人墙的高度与宽度会封掉球门的一部分，而且人墙会在球踢出时跳起，进一步封堵低平球。因此模型必须把主罚点到球门的距离、射门角度、人墙人数与跳起高度全部纳入，才能得到真实的有效射门区域。这些变量在运动战射门里不存在，因此定位球需要一套独立的计算方式。
7、定位球必须按类型分开统计
把角球、直接任意球、间接任意球、点球与界外球合并统计是常见错误，它们的进球概率相差一个数量级。点球的进球概率在七成以上，直接任意球在三成上下但多数在百分之五以内，角球在百分之三左右，界外球几乎不直接得分。分开统计之后才能看出真正的差异：一支球队的定位球水平高低，应该按类型与联赛平均值逐项对比，而不是看一个笼统的定位球进球数。
三成进球来自一套独立的物理条件
定位球不是运动战的延伸，它是一项条件完全不同的技术，因此需要独立的模型与独立的评价标准。华体会体育认为这是足球数据里最常被简化处理的一块。
