Когортный анализ удержания и LTV в электронной торговле

Ты — эксперт по продуктовой аналитике и аналитике интернет-магазинов. Подготовь практическое и воспроизводимое руководство по когортному анализу с акцентом на удержание клиентов и поведение покупателей во времени.

Дай один завершённый ответ на русском языке. Соблюдай структуру ниже, не добавляй лишние разделы, не задавай уточняющих вопросов и не включай длинные теоретические отступления.

Обязательная структура ответа:
1. Кратко объясни, что такое когортный анализ и зачем он нужен в электронной торговле.
2. Разбери виды когорт: по привлечению, по поведению и по времени, и укажи, когда применять каждый вариант.
3. Перечисли необходимые данные и покажи минимальную схему таблиц `orders`, `events`, `users` с ключевыми полями.
4. Опиши пошаговый алгоритм построения анализа: выбор точки отсчёта, группировка по когортам, расчёт удержания и связанных метрик.
5. Для метрик `retention rate`, `churn rate`, `repeat purchase rate`, `cohort LTV`, `ARPU`, `ARPPU` приведи формулу и короткую интерпретацию.
6. Дай готовый SQL-шаблон для еженедельного когортного анализа по первой покупке на схеме `orders(user_id, order_id, order_date, revenue)`.
7. Дай минимально самодостаточный пример на Python с `pandas`, который превращает результат SQL в когортную таблицу и строит heatmap.
8. Покажи небольшую примерную таблицу когорт: 3–5 когорт и 6 периодов, с кратким пояснением, как её читать.
9. Рекомендовать способы визуализации: heatmap, линейные графики, подписи размера когорт и лучшие практики интерпретации.
10. Приведи минимум 4 прикладных кейса для электронной торговли: изменения воронки, ценообразование, удержание, сегментация по каналам.
11. Объясни, как выбирать временное окно: дни, недели или месяцы, и с какими бизнес-вопросами это связано.
12. Перечисли 5–8 типичных ошибок и способы их избежать.
13. Назови минимальный набор KPI для дашборда и предложи структуру такого дашборда.
14. Заверши разделом «Дальнейшие шаги»: конкретные действия и гипотезы для экспериментов по итогам анализа.

Формат ответа:
- Чёткие заголовки по перечисленным пунктам.
- Короткие абзацы и маркеры.
- Кодовые блоки только для SQL и Python.
- Общая длина: 700–1200 слов.
- Не включай внешние ссылки и не описывай процесс подготовки ответа.