俱乐部的数据团队其实不希望分享其具体的工作细节或是成效，因此发表这篇论文对利物浦来说有点勉强。但这是他们和 DeepMind 合作的条件之一。
Graham 说：“利物浦的分析部门属于世界足坛中规模最大、技术最先进的那一批，但我们仍然缺少资源来独立构建这些模型。”这使他确信其他俱乐部也不行。
同其他数据分析师一样，Graham 不太愿意承认球场上的获胜有自己的直接功劳。“足球是一项充满变数的运动，因此球队经常会输掉本不该输的比赛，也会赢下那些很难赢的比赛，”他说，“从许多方面讲，球队成绩不佳的时候我们的工作会更轻松，因为我们的分析常常会证明我们踢得没问题。只要保持这种战术风格，球队在这个赛季的胜场数将会达到我们的期望。”
DeepMind 的计算机科学家 Karl Tuyls 表示，镜头之外的建模是创造AI虚拟助理教练的第一步。这套系统会使用实时数据指导足球等运动中的决策。他说：“想象一下，AI 看完了上半场比赛，然后建议球队在下半场变阵。”
Tuyls 还表示，这种方法在体育之外的领域也很有用，例如为繁忙的城市街道上的自动驾驶汽车和行人的轨迹建模。
接下来呢？和所有的优秀科学家一样，足球数据领域的专家强调今后仍需开展更多研究。前微软数据科学家、曾在阿森纳从事了近十年分析工作的 Sarah Rudd 于去年离职。她十分羡慕赛车所能产生的大量遥测数据，这些数据能够帮助团队做出改进并提升表现。
“我们经常看 F1 的比赛，要是球队能有那样的数据就太棒了，”她说，“足球里还有很多东西有待测量，或是正在测量但我们还不清楚要如何分析。”
那些反映球员朝向或是重心改变的数据可能是足球数据分析接下来的发展方向。“轨迹数据的精细度可能仍不理想，”Rudd 说，“现在还没办法收集到那些能让防守球员失去平衡，或是能让守门员迟疑一下的那种急停变向或是重心变换动作的数据。”
即便是利物浦的 AI 驱动分析模型，也会被不完备的球员位置认知所迷惑。“如果模型看到一位球员本该在这个位置启动却没有，可能就会认为他出现了重大失误，”Graham 说，“但那或许只是因为他刚绊倒了，正躺在草皮上呢。”
随着海量数据涌入现代球场，数据如何改变了比赛？
Ramineni 说：“我认为球员转会可能是获益最大的领域。”此外还有定位球战术，即球队获得任意球时的战术。
数据分析所给出的一条明确经验是，球员不该在离球门很远的位置射门。“如今在全球各地的联赛中，球员的射门距离比十年前近得多，”Ramineni 说，“这是因为数据分析师开始对球员说，‘你为什么从那个地方射门？命中率只有 2%！’”
很多球队现在也不鼓励球员尝试朝对方禁区长传，他补充道，因为统计表明这种传球大多是无意义的。
随着生成的数据量越来越大，就业机会也将越来越多，Ramineni 说，“我感觉如今体育赛事中数据无处不在，而且只会有增无减。”