事件日志告诉我们何时发生了传球，追踪序列则描画传球发生前后球员如何移动。把两者合并，能够提出更具体的战术问题，也最容易因时钟和身份不一致产生误判。
两个数据尺度
事件数据是稀疏的：每条记录对应一个可命名动作。追踪数据是连续采样的：即使没有射门或传球，球员仍在改变站位。分析时可把事件时间映射到追踪帧，取动作前后固定时间窗，研究空间怎样打开或关闭。但窗口长度不能机械套用到所有问题；一次定位球与快速反击的节奏不同。
对齐的三个检查点
首先检查比赛时钟，包括补时和暂停。其次统一场地方向，使同队进攻总指向一致坐标。最后核对球员 ID、换人和球衣号码变化。任一环节出错，都可能生成看似合理的错误热力图。实践中可抽样选取明显事件，如进球和换人，人工对照视频与轨迹。
从防守压力到战术分析
例如研究前场压迫，可先标出对手后场接球事件，再计算接球瞬间最近防守人距离、可用传球线路和随后几秒是否失去球权。这里的‘压迫成功’需要事先定义，不宜把对手失误全部归因给最近球员。输出最好同时给出典型成功与失败片段，而不仅是球队排名。
公开资料与边界
FIFA AI Pro 的公开说明确认其综合事件、追踪和视频等资料，支持面向分析人员的赛前赛后研究。公开资料并未披露所有模型细节，因此不能凭宣传页面推断具体算法性能。StatsBomb 的部分开放比赛有 360 空间资料，可作为学习结构的入口，但并非所有比赛都有完整连续追踪。
在数据表中保留对齐证据
一个融合后的样本不能只保存最终特征，还应记录事件原始 ID、对应的追踪帧范围、对齐算法版本与时间偏移。这样研究者看到异常空间图时，可以追到原始片段。若供应商在赛后调整事件时间，系统应标出受影响的融合样本并重算。对齐质量可以用一组人工确认的关键事件评估，例如开球、换人和明显的射门瞬间，而不是只靠平均误差。
区分观察与推断
球员在某区域出现是追踪数据的观察值；‘他封锁了传球线路’是依据空间模型的推断。两者在文章或图表里要分开标注。压迫研究也应考虑对手是否主动选择长传，不能仅以球权变化给某队颁发‘成功’标签。若抽样中追踪缺失集中在镜头遮挡或混乱回合，简单删除这些回合会使结果偏向容易识别的场景。
制定可复核的融合样本
研究一次高位压迫时，可取对手后场接球前两秒到接球后五秒的轨迹，记录最近防守人、传球选项和球权结果。样本表同时包含事件 ID、帧时间、球队进攻方向及数据质量标记。抽样时刻若与视频错位，先修正对齐，不要靠人工‘移动’图上的点使其看起来合理。分析结果中列出追踪缺失或身份不确定的比例，并分别计算排除这些样本前后的结论。若差异明显，就不能把融合模型当成完整比赛的代表。
研究核查清单
- 事件时间与追踪帧是否通过可记录、可调整的偏移量对齐？
- 上下半场进攻方向以及供应商场地尺度是否统一？
- 缺少追踪帧的比赛是否被悄悄排除，改变样本代表性？
- 防守压力这类推断是否与真实观测坐标分开标识？
- 结论能否追到原始事件、轨迹片段与相应的录像证据？
研究结论
多源融合的收益来自把动作放回空间场景。它首先是一项数据工程工作，然后才是模型问题；对齐记录和人工复核应与最终结论一起保留。